MIT研究员利用强化学习解决交通优化难题，训练效率提升30倍

发生了什么

据MIT News AI报道，MIT助理教授吴恩达团队利用强化学习（RL）解决交通系统优化难题。针对RL算法对问题敏感且难以直接训练的痛点，团队发现虽然RL在90%的问题上训练效果不佳，但在10%的问题上表现良好。通过设计算法筛选适合训练的问题并集中训练，模型能泛化至相关任务集。该策略将原本需要100个模型的训练量降至仅需3个，使训练效率提升最高30倍。此外，研究还表明智能控制车速的生态驾驶措施可减少11-22%的车辆排放，为交通政策提供证据支持。