Các công cụ tính toán cho những thách thức phức tạp nhất của xã hội

Từ khi còn nhỏ, Cathy Wu, cựu sinh viên khóa 2012, thạc sĩ khóa 2013, đã mong muốn tìm cách giải quyết các vấn đề nhằm cải thiện cuộc sống của mọi người. Cha mẹ cô là những người nhập cư Đài Loan, và cha cô phải đi lại rất xa để đến nơi làm việc, điều này khiến ông ít có thời gian ở bên gia đình. Với ngân sách eo hẹp, những thành viên còn lại trong gia đình thường ở nhà trên một con phố quá đông đúc để có thể chơi đùa ngoài trời. Wu và các anh chị em của mình đã chơi rất nhiều trò chơi điện tử. Wu cho biết, mong muốn của cô là làm cho thế giới tốt đẹp hơn, cuộc chiến hàng ngày của cha cô với giao thông và những trò chơi cô đã chơi, như “SimCity”, là những hạt giống thúc đẩy cô thiết kế các hệ thống giao thông an toàn, hiệu quả. Wu là phó giáo sư tại Khoa Kỹ thuật Xây dựng và Môi trường (CEE) của MIT và Viện Dữ liệu, Hệ thống và Xã hội (IDSS), đồng thời là nhà nghiên cứu chính tại Phòng thí nghiệm Hệ thống Thông tin và Quyết định. Nghiên cứu của cô tập trung vào việc sử dụng học máy (machine learning) và học tăng cường (reinforcement learning - RL) để thúc đẩy các chiến lược đáng tin cậy nhằm cải thiện một loạt các hệ thống phức tạp, bao gồm cả giao thông. Wu nhận định: “Thiết kế hệ thống giao thông bao gồm việc mô hình hóa và phân tích hàng chục, thậm chí hàng trăm hoặc hàng nghìn biến thể, điều đó có nghĩa là một phương pháp tiếp cận dựa trên bằng chứng để thiết kế các hệ thống đó đơn giản là nằm ngoài khả năng của các công cụ hiện nay. Đây là vai trò mà RL đảm nhiệm. Nếu thành công, nó sẽ giải phóng các nhà nghiên cứu giao thông và cho phép các đối tác thực hành của họ thiết kế các hệ thống mà họ mong muốn”. Wu ghi nhận người chị gái đã truyền cho cô mong muốn cải thiện cuộc sống của mọi người, và sự quan tâm của Wu đến giao thông hoàn toàn phù hợp với lý tưởng đó. Cô chia sẻ: “Tôi thích giao thông vì nó kết nối mọi người. Tất cả chúng ta đều sử dụng nó, tất cả chúng ta đều trải nghiệm nó, tất cả chúng ta đều gặp vấn đề với nó. Vì vậy, ở một mức độ nào đó, tất cả chúng ta đều quan tâm đến việc hệ thống này tốt hơn”. Wu bắt đầu quan tâm đến việc ứng dụng trí tuệ nhân tạo vào giao thông khi đang học đại học tại MIT, sau khi tham dự một buổi diễn thuyết về xe tự hành của cố giáo sư Seth Teller. Wu cho biết, buổi diễn thuyết này, do Giáo sư Teller trình bày trong một cuộc thi robot thuộc Chương trình Hoạt động Độc lập (Independent Activities Period) (mà Wu đã giành chiến thắng), là sự kiện đã định hình cách tiếp cận cụ thể của cô đối với nghiên cứu giao thông. Cô bắt đầu làm việc với Giáo sư Teller, và khi ông ngừng tập trung vào xe tự hành, ông đã khuyến khích Wu chuyển sang làm việc với Giáo sư Daniela Rus, người đã nghiên cứu về robotaxi. Cô bày tỏ: “Tôi rất biết ơn những người đã giúp tôi khám phá những sở thích đó và giúp tôi trở thành con người như bây giờ”, cô đặc biệt nhắc đến Giáo sư Teller, Giáo sư Rus và “những người bạn của tôi tại Dropbox”, những người đã mời cô thực hiện một kỳ thực tập thứ hai tập trung vào các vấn đề giao thông. Sau khi hoàn thành bằng thạc sĩ tại MIT, Wu tiếp tục lấy bằng tiến sĩ tại Đại học California tại Berkeley. Trong thời gian đó, cô nhận thấy các nhà nghiên cứu giao thông đã dành nhiều năm để phát triển các phương pháp tối ưu hóa nhằm mô hình hóa và phân tích một biến thể mới duy nhất của một hệ thống. Cách tiếp cận của cô với tư cách là một nhà khoa học máy tính làm việc để phát triển các phương pháp RL và tối ưu hóa nhằm giải quyết các thách thức giao thông đã hứa hẹn cải thiện hiệu quả theo cấp số nhân. Năm 2018, năm cuối cùng của chương trình tiến sĩ tại UC Berkeley, Wu đã áp dụng thành công RL vào một vấn đề giao thông: tự động phân tích tác động tiềm tàng của xe tự hành đối với lưu lượng giao thông trong một loạt các mạng lưới giao thông khác nhau. Nghiên cứu này đã lan truyền rộng rãi. Mặc dù đây có thể là một khoảnh khắc “lịch sử” đối với Wu, RL lại trở thành một người bạn không ổn định. Wu đã nghiên cứu lý thuyết RL trong một... cựu nghiên cứu sinh sau tiến sĩ tại Microsoft và trở lại MIT với tư cách giảng viên, theo bà, là do sự tập trung vào tính bền vững của CEE và việc IDSS chú trọng tích hợp khoa học dữ liệu vào các lĩnh vực khác. Tuy nhiên, trong hai năm tiếp theo, những nỗ lực tiếp theo của Wu nhằm áp dụng RL vào các vấn đề giao thông đã thất bại. Bà Wu cho biết: “Điều đó thật căng thẳng, không rõ vấn đề nằm ở tôi (người hướng dẫn), sinh viên của tôi, lĩnh vực giao thông hay bản thân RL”. Dù vậy, nghiên cứu trước đó đã là một minh chứng về khả năng áp dụng RL vào các hệ thống giao thông. Và vào năm 2022, bà cùng các sinh viên của mình đã xác định rằng các thuật toán RL nhạy cảm đến mức một thuật toán hoạt động tốt với một vấn đề có thể không hoạt động với một vấn đề thậm chí có liên quan chặt chẽ. Một kết quả quan trọng, mà bà Wu nói rằng bà tự hào nhất “vì nó giống như ánh sáng cuối đường hầm dài của những kết quả tiêu cực”, đã đến vào năm 2023. Bà và nhóm nghiên cứu của mình đã tìm ra cách khắc phục sự nhạy cảm của RL. Nhóm nghiên cứu phát hiện ra rằng trong khi RL có thể không huấn luyện tốt trên 90% một nhóm vấn đề, nó có thể huấn luyện khá tốt trên 10%. Và bằng cách huấn luyện các mô hình RL trên những vấn đề có thể giải quyết và tổng quát hóa tốt, các mô hình kết quả sẽ hoạt động tốt một cách tổng thể trên một tập hợp các vấn đề liên quan, ngay cả những vấn đề không thể giải quyết thông qua huấn luyện trực tiếp. Các nhà nghiên cứu đã thiết kế một thuật toán để xác định vấn đề nào nên sử dụng RL để huấn luyện, và thuật toán đó đã cải thiện hiệu quả huấn luyện lên tới 30 lần, nghĩa là những gì thông thường cần 100 mô hình huấn luyện có thể chỉ cần ba mô hình. Bà Wu nhận định: “Công trình này đã giúp tôi lấy lại niềm tin rằng học tăng cường (RL) có thể đóng vai trò quan trọng trong việc giải quyết các bài toán tối ưu hóa khó, bao gồm cả trong giao thông vận tải. Hiện tại, một phần lớn nhóm của tôi đang nghiên cứu về RL theo ngữ cảnh, là bối cảnh mà RL tìm cách giải quyết một không gian các vấn đề liên quan”. Nghiên cứu gần đây hơn của bà Wu áp dụng RL để giải quyết một bài toán tối ưu hóa giao thông khó với những hàm ý chính sách quan trọng: công trình này cho thấy các biện pháp lái xe sinh thái (eco-driving), trong đó tốc độ phương tiện được kiểm soát thông minh để giảm việc dừng và khởi động quá mức, có thể giảm lượng khí thải của phương tiện từ 11 đến 22%. Hệ thống cung cấp bằng chứng cho thấy các chính sách áp dụng các biện pháp như vậy có thể cải thiện đáng kể hiệu quả hệ thống, và là “một minh chứng cho thấy RL có thể được sử dụng để cung cấp thông tin cho chính sách giao thông về các vấn đề có tầm quan trọng thực tiễn”, bà Wu cho biết. Bà nói: “Tôi là một người rất ủng hộ chính sách dựa trên bằng chứng và tin rằng đó là nền tảng cho một xã hội dân chủ thịnh vượng, tuy nhiên xã hội của chúng ta