交通也能“算账”？
如果让城市交通来“做计算”，听上去似乎有些离奇。但东北大学先进材料研究所（WPI-AIMR）的研究团队提出了这样一个大胆设想：把道路上的交通流本身当作一台正在运行的计算机。
他们构建了一种新型人工智能（AI）框架，将现实世界中已经存在的动态过程直接用作计算资源。这一方法被称为“收获式水库计算”（Harvested Reservoir Computing，HRC），核心思想是：不再完全依赖高能耗的专用硬件，而是“收获”环境中天然存在的复杂物理变化来完成计算任务。
相关成果已发表在《Scientific Reports》期刊上。
从水库计算到“收获式”水库计算
近年来，机器学习和深度学习在交通预测、出行需求预测以及各类社会基础设施管理中应用广泛，但其背后往往需要庞大的算力和电力支撑。
水库计算（Reservoir Computing，RC）以及将其拓展到现实物理系统的物理水库计算（Physical Reservoir Computing，PRC），被视为降低能耗的一条重要技术路径。它们利用复杂动态系统本身的演化过程来处理信息，从而减少对传统数字计算的依赖。
在此基础上，安藤裕康教授团队提出了“收获式水库计算”（HRC）框架：
- 直接“收集”和利用自然与社会环境中已经存在的复杂物理动态；
- 将这些动态视作计算水库，用于执行预测等智能任务；
- 尽量避免额外构建高能耗的专用计算硬件。
作为概念验证，研究团队重点研究了“道路交通水库计算”（Road Traffic Reservoir Computing，RTRC），即把道路网络上的交通流当作一个可用于计算的水库系统。
用真实交通流来做计算
为了评估这一思路的可行性，研究人员结合了两类手段：
- 受控交通实验：使用比例为 1/27 的自主微型汽车，在实验环境中构建可控的交通流场景；
- 数值模拟：在网格状城市道路网络上进行交通流的数值仿真。
通过系统分析，他们发现了一个关键现象：
- 在完全畅通或严重拥堵的状态下，基于交通流的预测精度并不最高；
- 真正的性能峰值出现在即将拥堵之前的中等密度临界状态。
在这一临界区间内，交通流的动态最为丰富、变化最为多样，包含的信息量也最大。此时，交通系统本身就像一个天然的“信息处理器”，能够对输入信息进行复杂的动态响应，从而在极低的额外计算开销下，实现对未来交通状态的高精度预测。
换言之，当交通刚刚接近拥堵但尚未完全堵死时，整个道路系统的动态行为最适合作为“计算水库”来使用。
不用新硬件，直接复用现有基础设施
这一方法的另一大优势在于：
- 不需要新建专用硬件；
- 可以直接复用现有的交通传感器和观测数据（如路侧检测器、摄像头、信号控制系统等）。
在此基础上，HRC 和 RTRC 有望实现：
- 高精度的交通状态预测；
- 自适应的信号灯控制和交通管理；
- 与传统深度学习等方法相比，显著降低整体能耗。
研究表明，道路等社会基础设施可以被重新理解为一种“规模巨大、持续运行的计算机”。在这种视角下，城市不只是被管理的对象，同时也是参与计算的“硬件平台”。
超越交通：环境即计算平台
这一概念的潜在影响并不限于交通管理。研究团队指出，类似的思路还可能拓展到：
- 智能出行系统设计；
- 城市规划与动态调度；
- 能源管理与负载调控等领域。
在这些场景中，环境本身的动态过程被纳入计算框架，成为人工智能系统的一部分，而不再只是被动的“数据来源”。
安藤教授表示：“这些结果说明，计算并不一定要局限在硅芯片上。只要能够识别并利用环境中已经存在的丰富动态，我们就有机会构建既强大又更加可持续的人工智能系统。”
对人工智能基础技术的新视角
这项研究为人工智能底层技术的发展提供了一个不同于“堆硬件”的方向：
- 与其一味扩大算力规模、增加硬件投入；
- 不如通过创新方式，将物理系统与数据深度融合，挖掘现实世界本身的计算潜力。
在这一框架下，智能的提升不再完全依赖更大的芯片和更多的服务器，而是依靠对环境动态更巧妙的利用和整合。
