Usare il traffico urbano come motore per l'IA: una nuova idea per una maggiore sostenibilità

Un gruppo di ricercatori della Tohoku University ha proposto un'idea tanto audace quanto rivoluzionaria: utilizzare il traffico stradale come risorsa computazionale per l'intelligenza artificiale. Il nuovo approccio, chiamato Harvested Reservoir Computing (HRC), promette di ridurre drasticamente il consumo energetico dei sistemi di AI, sfruttando le dinamiche già presenti nel mondo reale invece di affidarsi esclusivamente a hardware dedicato e ad alto consumo.

La ricerca è stata condotta presso il World Premier International Research Center - Advanced Institute for Materials Research (WPI-AIMR) e guidata dal professor Hiroyasu Ando. L'idea nasce dall'evoluzione del concetto di reservoir computing, una tecnica di machine learning che utilizza sistemi dinamici complessi come "serbatoi" di calcolo. In questo caso, il serbatoio non è un circuito elettronico o un sistema fisico artificiale, ma il flusso del traffico urbano.

Come dimostrazione pratica, il team ha sviluppato il modello di Road Traffic Reservoir Computing (RTRC), sfruttando il comportamento dei veicoli su una rete stradale. Gli esperimenti hanno combinato simulazioni numeriche di reti urbane a griglia con test controllati effettuati tramite auto autonome in miniatura in scala 1:27. I risultati hanno rivelato un aspetto sorprendente: le migliori prestazioni di previsione non si ottengono né in condizioni di traffico fluido né in presenza di congestione totale.

Ulteriori dettagli sul progetto: il traffico come motore dell'IA

Al contrario, la massima accuratezza emerge subito prima dell'inizio della congestione, in uno stato critico di densità media. In questa fase, il traffico presenta dinamiche ricche, variabili e altamente informative, ideali per elaborare informazioni e prevedere l'evoluzione futura del sistema con un carico computazionale minimo.

Uno dei punti di forza di questo approccio è che non richiede nuovo hardware specializzato. Il sistema può sfruttare sensori e dati di traffico già esistenti, rendendolo immediatamente applicabile per la previsione del traffico, la gestione adattiva dei semafori e l'ottimizzazione delle infrastrutture urbane, con un consumo energetico nettamente inferiore rispetto alle soluzioni di AI tradizionali.

Secondo i ricercatori, strade e infrastrutture sociali possono essere reinterpretate come computer su larga scala, sempre operativi. Le potenziali applicazioni vanno oltre la mobilità, includendo smart city, pianificazione urbana ed energy management. Come sottolinea Ando, questo studio dimostra che il futuro dell'AI potrebbe non risiedere solo nella potenza dei chip, ma nella capacità di integrare intelligenza e dinamiche fisiche del mondo reale.