吴嘉欣（Cathy Wu）从小就想找到解决问题的方法，让人们的生活变得更好。她的父母是台湾移民，父亲每天通勤时间很长，这使他远离家庭。由于预算紧张，全家人大多待在家里，而他们所住的街道车流繁忙，不适合在户外玩耍。于是吴嘉欣和兄弟姐妹们经常玩电脑游戏。
吴嘉欣表示，她想让世界变得更好的愿望、父亲每天与交通抗争的经历，以及她玩过的游戏（比如《模拟城市》），正是她致力于设计安全高效交通系统的动力源泉。
吴嘉欣是麻省理工学院土木与环境工程系（CEE）和数据、系统与社会研究所（IDSS）的副教授，同时也是信息与决策系统实验室的首席研究员。她的研究重点是利用机器学习和强化学习（RL）来推进可靠策略，以改善包括交通系统在内的一系列复杂系统。
“设计交通系统需要对数十甚至数百、数千种变体进行建模和分析，这意味着采用循证方法来设计这些系统，根本不是当今工具所能实现的，”吴嘉欣说。“这正是强化学习发挥作用的地方。如果成功的话，它将解放交通研究人员，并让他们的实践合作伙伴能够设计出自己想要的系统。”
吴嘉欣说，是她的姐姐培养了她想要改善人们生活的愿望，而她对交通的兴趣也完美契合了这一理想。
“我喜欢交通，因为它连接着每一个人。我们都在使用它，都在经历它，都遇到过与它相关的问题。所以从某种程度上说，我们都希望这个系统能变得更好，”她说。
吴嘉欣在麻省理工学院读本科期间，参加了已故教授塞思·特勒（Seth Teller）关于自动驾驶汽车的一次讲座，由此开始对将人工智能应用于交通产生了兴趣。那次讲座是在独立活动期间的一场机器人竞赛中举行的（吴嘉欣实际上赢得了那次比赛），吴嘉欣表示，正是那次活动塑造了她研究交通问题的独特方法。她随后开始与特勒合作，当他不再专注于自动驾驶汽车研究时，鼓励吴嘉欣转去跟随研究过无人驾驶出租车的丹妮拉·鲁斯（Daniela Rus）教授。
“我非常感激那些帮助我探索这些兴趣、帮助我成为现在这个人的人，”她说，特别提到了特勒、鲁斯，以及“我在Dropbox的朋友们”——他们邀请她进行了第二次聚焦交通问题的实习。
在麻省理工学院完成硕士学位后，吴嘉欣前往加州大学伯克利分校攻读博士学位。在此期间，她注意到交通研究人员要花费数年时间来开发优化方法，仅仅是为了对系统的某一种新变体进行建模和分析。作为一名计算机科学家，她致力于开发强化学习和优化方法来应对交通挑战，这种方法有望大幅提升效率。
2018年，也就是吴嘉欣在加州大学伯克利分校读博的最后一年，她成功将强化学习应用于一个交通问题：自动分析自动驾驶汽车在不同交通网络中可能产生的交通流量影响。这项研究引发了广泛关注。
虽然这本可以成为吴嘉欣“从此一帆风顺”的时刻，但强化学习后来却像一个不太靠得住的伙伴。吴嘉欣在微软做博士后期间研究强化学习理论，之后回到麻省理工学院任教——她表示，吸引她回来的是CEE对可持续发展的关注，以及IDSS将数据科学融入其他学科的理念。
然而在接下来的两年里，吴嘉欣进一步尝试将强化学习应用于交通问题却屡屡失败。
“那段时间压力很大，”吴嘉欣说，“当时根本不清楚问题出在哪里——是我（作为导师）、我的学生、交通领域本身，还是强化学习本身的问题。”
尽管如此，早期的研究已经证明了强化学习可以应用于交通系统这一概念是可行的。
2022年，她和她的学生们发现，强化学习算法非常敏感，一个在某个问题上有效的算法，可能在一个密切相关的问题上就完全失效。吴嘉欣表示，她最为自豪的一个关键成果出现在2023年，“因为那就像是长长的负面结果隧道尽头出现的一道光”。她和她的研究团队设计出一种方法，可以绕开强化学习的敏感性问题。研究团队发现，虽然强化学习可能无法在一组问题中90%的问题上训练良好，但它却可以在剩下10%的问题上训练得相当出色。通过在那些能够很好地解决并泛化的问题上训练强化学习模型，最终得到的模型能够在一系列相关问题上集体表现良好，甚至包括那些直接训练根本无法解决的问题。研究人员设计了一种算法，用来确定应该用哪些问题来训练强化学习，该算法将训练效率提升了多达30倍，这意味着原本需要100个训练模型才能完成的工作，现在可能只需要3个模型。
“这项工作让我重新找回了信心，相信强化学习可以在解决包括交通领域内的困难优化问题方面发挥重要作用，”吴嘉欣说。“现在，我团队中有相当一部分人正在研究情境强化学习这一课题，这是指强化学习试图解决一系列相关问题的研究设定。”
吴嘉欣最近的研究将强化学习应用于解决一个具有重要政策意义的交通优化难题：研究表明，通过智能控制车速以减少过度的停启行为，生态驾驶措施可以将车辆排放减少11%到22%。该系统提供的证据表明，推行此类措施的政策能够显著提高系统效率，吴嘉欣称这“证明了强化学习可以用来为具有实际重要性的交通政策问题提供参考依据”。
“我非常赞同基于证据的政策制定，并相信这是繁荣民主社会的基础，然而我们的社会系统却如此复杂，”吴嘉欣说。“人们可能会就什么更好、什么更差争论不休，但我确实相信，有些我们争论的问题是可以通过数据进行系统分析，并得出客观答案的。我投身学术界的很大一部分原因，就是为了更好地理解技术如何能够支持民主社会的决策。”
吴嘉欣说，她和团队过去几年所做的大量工作，产生了一系列算法，“用于简化困难优化问题求解器的开发工作，无论这些问题与交通相关，还是涉及物流、供应链、制造业和资源分配等其他系统。”
“这也体现了我偏好的工作风格，”吴嘉欣说，“这被称为应用启发的基础研究”，她解释说，这类研究从解决实际问题出发，开发出的基础知识往往能够转化应用到其他实际问题当中。她的学生们从探究涵盖安全、拥堵到可及性等一系列重要问题入手，找出现有方法的不足之处，并让问题本身来引导研究方向。
与此同时，吴嘉欣希望在更个人层面上帮助他人的愿望，也体现在她的教学工作当中。
“我喜欢和学生一起工作，无论是在课堂上还是在科研指导中，”她说。“当我能教会某人一些东西时——当我看到学生眼中闪现出灵光一现的那一刻——那会让我这一天都很开心。”
除了获得包括2023年美国国家科学基金会职业生涯早期发展奖等学术荣誉之外，吴嘉欣在教学和指导方面也获得了正式表彰，其中包括2025年获得的奥利·麦德森指导奖。
面对极其复杂的难题，她会对学生说什么？
“要有耐心，从小事做起。对社会产生影响是一生的事业，不是几年之内就能完成的，”吴嘉欣说。“要真正理解问题的本质和真正的难点所在，需要花费数年时间。在此期间，尽量去提供帮助，保持好奇心，多问问题。”
Q&A
Q1：吴嘉欣的研究主要关注什么领域？
A：吴嘉欣是麻省理工学院土木与环境工程系和数据、系统与社会研究所的副教授，她的研究重点是利用机器学习和强化学习来改善包括交通系统在内的一系列复杂系统。
Q2：强化学习在交通系统应用中遇到过什么困难？
A：吴嘉欣发现强化学习算法非常敏感，在一个问题上有效的算法可能在相关问题上失效，这让她和团队经历了两年的研究失败，直到2023年才找到解决敏感性问题的方法，将训练效率提升了多达30倍。
Q3：生态驾驶措施能带来什么实际效果？
A：吴嘉欣的研究表明，通过智能控制车速减少过度停启的生态驾驶措施，可以将车辆排放减少11%到22%，这为交通政策制定提供了实际参考依据。
