Desde que tiene memoria, Cathy Wu ’12, MNG ’13 quería encontrar formas de resolver problemas para mejorar la vida de las personas. Sus padres eran inmigrantes taiwaneses y su padre tenía que viajar mucho para llegar a su trabajo, lo que lo alejó de la familia. Con un presupuesto ajustado, el resto de la familia a menudo se quedaba en casa en una calle demasiado transitada para jugar al aire libre. Wu y sus hermanos terminaron jugando muchos juegos de computadora.
Wu dice que su deseo de hacer del mundo un lugar mejor, la batalla diaria de su padre contra el tráfico y los juegos que jugaba, como “SimCity”, fueron las semillas de su motivación para diseñar sistemas de transporte seguros y eficientes.
Wu es profesor asociado en el Departamento de Ingeniería Civil y Ambiental (CEE) del MIT y en el Instituto de Datos, Sistemas y Sociedad (IDSS), e investigador principal en el Laboratorio de Sistemas de Información y Decisión. Su investigación se centra en el uso del aprendizaje automático y el aprendizaje por refuerzo (RL) para promover estrategias confiables para mejorar una variedad de sistemas complejos, incluido el transporte.
“El diseño de sistemas de transporte consiste en modelar y analizar docenas, si no cientos o miles, de variantes, lo que significa que un enfoque basado en evidencia para diseñar esos sistemas simplemente no está al alcance de las herramientas actuales”, dice Wu. “Este es el papel que desempeña RL. Si tiene éxito, liberaría a los investigadores del transporte y permitiría a sus socios profesionales diseñar los sistemas que deseen”.
Wu le da crédito a su hermana mayor por haberle inculcado el deseo de mejorar la vida de las personas, y el interés de Wu por el transporte encaja perfectamente en ese ideal.
“Me gusta el transporte porque conecta a todos. Todos lo usamos, todos lo experimentamos, todos tenemos problemas con él. Así que, en algún nivel, todos estamos interesados en que el sistema sea mejor”, dice.
Wu se interesó en aplicar la inteligencia artificial al transporte mientras obtenía su título universitario en el MIT, después de asistir a una conferencia sobre vehículos autónomos impartida por el fallecido profesor Seth Teller. La conferencia, que Teller dio durante una competencia de robótica del Período de Actividades Independientes (que de hecho ganó Wu), fue el evento que perfeccionó su enfoque particular en la investigación del transporte, dice Wu. Comenzó a trabajar con Teller, y cuando él dejó de concentrarse en vehículos autónomos, animó a Wu a transferirse a la profesora Daniela Rus, que había investigado sobre robotaxis.
“Estoy muy agradecida con las personas que me ayudaron a explorar esos intereses y me ayudaron a convertirme en la persona que soy ahora”, dice, nombrando específicamente a Teller, Rus y “mis amigos de Dropbox”, quienes la invitaron a realizar una segunda pasantía enfocada en temas de transporte.
Después de su maestría en el MIT, Wu obtuvo su doctorado en la Universidad de California en Berkeley. Durante ese tiempo, observó que los investigadores del transporte pasaban años desarrollando métodos de optimización para modelar y analizar una única variante nueva de un sistema. Su enfoque como científica informática que trabaja para desarrollar metodologías de optimización y RL para abordar los desafíos del transporte prometía una eficiencia exponencialmente mejorada.
En 2018, el último año de su doctorado de Wu en UC Berkeley, aplicó con éxito la RL a un problema de tráfico: analizar automáticamente el impacto potencial del flujo de tráfico de los vehículos autónomos en una variedad de redes de tráfico diferentes. La investigación se volvió viral.
Si bien este podría haber sido un momento de “el resto es historia” para Wu, RL resultó ser un amigo voluble. Wu trabajó en la teoría de RL en un posdoctorado en Microsoft y regresó al MIT como profesora atraída, dice, por el enfoque de sostenibilidad de CEE y el énfasis del IDSS en infundir la ciencia de datos en otras disciplinas.
Sin embargo, durante los dos años siguientes, los intentos posteriores de Wu de aplicar la RL a los problemas de tráfico fracasaron.
“Eso fue estresante”, dice Wu, “no estaba claro si el problema era yo (el asesor), mis alumnos, el dominio del tráfico o la propia RL”.
Aun así, la investigación anterior fue una demostración de concepto de que la RL podría aplicarse a los sistemas de transporte.
Y en 2022, ella y sus alumnos identificaron que los algoritmos RL son tan sensibles que un algoritmo que funciona en un problema puede no funcionar ni siquiera en uno estrechamente relacionado. Un resultado clave, del que Wu dice estar más orgullosa “porque fue como la luz al final de un largo túnel de resultados negativos”, llegó en 2023. Ella y su equipo de investigadores idearon una forma de solucionar la sensibilidad de RL. El equipo descubrió que, si bien RL puede no entrenar bien en el 90 por ciento de un grupo de problemas, puede entrenar bastante bien en el 10 por ciento. Y al entrenar modelos RL en aquellos problemas que se resuelven y generalizan bien, los modelos resultantes en conjunto funcionan bien en un conjunto de problemas relacionados, incluso aquellos que no se habrían resuelto mediante entrenamiento directo. Los investigadores diseñaron un algoritmo para determinar qué problemas usar RL para entrenar, y ese algoritmo mejoró la eficiencia del entrenamiento hasta 30 veces, lo que significa que lo que normalmente habría requerido 100 modelos de entrenamiento puede que solo requiera tres modelos.
“Este trabajo me devolvió la confianza de que el aprendizaje por refuerzo puede desempeñar un papel importante en la resolución de problemas difíciles de optimización, incluido el transporte”, dice Wu. “Ahora, una buena parte de mi grupo trabaja en el tema de la RL contextual, que es el escenario donde la RL busca resolver un espacio de problemas relacionados”.
La investigación más reciente de Wu aplica la RL para resolver un difícil problema de optimización del transporte con importantes implicaciones políticas: el trabajo muestra que las medidas de conducción ecológica en las que las velocidades de los vehículos se controlan de forma inteligente para reducir las paradas y arranques excesivos podrían reducir las emisiones de los vehículos entre un 11 y un 22 por ciento. El sistema proporciona evidencia de que las políticas que instituyen tales medidas podrían mejorar significativamente la eficiencia del sistema, y es “una demostración de que RL puede usarse para informar la política de transporte sobre problemas de importancia práctica”, dice Wu.
“Soy un gran partidario de las políticas basadas en evidencia y creo que son la base de una sociedad democrática próspera, pero nuestros sistemas sociales son muy complejos”, dice Wu. “La gente puede discutir eternamente sobre qué es mejor o peor, pero creo que hay preguntas sobre las que discutimos que pueden analizarse sistemáticamente utilizando datos y tener respuestas objetivas. Una gran parte de la razón por la que estoy en el mundo académico es para comprender mejor cómo la tecnología puede apoyar la toma de decisiones democrática en la sociedad”.
Wu dice que gran parte del trabajo que ella y su equipo han realizado en los últimos años ha producido algoritmos “para agilizar el desarrollo de solucionadores de problemas difíciles de optimización, ya sea que estén relacionados con el transporte o con otros sistemas, como la logística, las cadenas de suministro, la fabricación y la asignación de recursos.
“Esto alude a mi estilo de trabajo preferido”, dice Wu, “que se llama investigación básica inspirada en el uso”, y explica que dicha investigación aborda un problema práctico y desarrolla conocimientos fundamentales que a menudo se traducen en otros problemas prácticos. Sus estudiantes comienzan investigando problemas consecuentes que van desde la seguridad hasta la congestión y la accesibilidad, identificando dónde los métodos existentes fallan y permitiendo que los problemas mismos den forma a la dirección de la investigación.
Al mismo tiempo, el deseo de Wu de ayudar a otros en un nivel más personal se manifiesta en su enseñanza.
“Me encanta trabajar con estudiantes, tanto en el aula como en la tutoría de investigación”, dice. “Me alegra el día cuando puedo enseñarle algo a alguien, cuando veo que se enciende esa bombilla en un estudiante”.
Además de obtener honores académicos, incluido el Premio al Desarrollo Profesional Temprano de la Facultad de la Fundación Nacional de Ciencias de 2023, Wu también ha sido reconocida formalmente por su enseñanza y tutoría, incluido el Premio de Mentoría Ole Madsen en 2025.
¿Qué les dice a los estudiantes que enfrentan problemas extremadamente complicados?
“Sea paciente. Empiece poco a poco. El impacto social es una tarea que dura toda la vida, no algo que deba lograrse en unos pocos años”, dice Wu. “Se necesitarán años para comprender realmente lo que está pasando y dónde están los verdaderos problemas. Mientras tanto, trate de ser útil. Sea curioso y haga muchas preguntas”.