在公路上，一个司机可以对数千辆汽车造成深远的影响。只要他用力踩下刹车，那么他后面的驾驶员就会效仿，从而产生级联效应，造成不好的后果——这，只是交通问题的冰山一角而已。随着社会的发展，科技的日新月异，交通问题已经变得越来越尖锐。

第一次研究和解决交通问题的尝试始于1935年，到1955年，科学家们利用偏微分方程（PDE）来模拟驾驶员面对交通拥挤时的行为方式。这种技术水平保持了50多年，直到强大的计算机和先进的算法使得仿真技术兴起，更加真实、准确和有用的交通流可视化，才渐渐成为可能。

交通研究所所长、加州大学伯克利分校工程学教授Alexandre Bayen自2004年以来，一直在带头开展这类有关减少交通问题的研究。他研究的根本是“深度强化学习”(Deep Reinforcement Learning，简称RL)，是机器学习的一个子集，它能模仿人类通过反复试验学习的方式，得到长期最大化的结果。最近，因为深度RL算法方面的最新发展，加上Amazon Web Services (AWS)基于云计算的机器学习解决方案的易用性，使得Alexandre Bayen的研究取得了重大进展，得到了AWS机器学习研究奖励计划的赞助。

近日，Alexandre Bayen转移了目光，他把研究的重点倾移到了自动驾驶汽车对交通流量的影响上，他发现：在一个封闭电路的小型模拟实验中，一辆自动驾驶汽车，可以通过微调道路上其它自动驾驶车辆的速度来减少交通流量。Bayen的研究表明，一旦自动驾驶汽车的数量，达到道路上所有汽车的5%到10%，交警先生就可以在复杂的环境中，从容管理局部交通——比如把两个或一个非常繁忙的十字路口的车辆，引入8条车道。

Bayen和他的团队在AWS上使用深度RL来训练自动驾驶汽车，在类似高速公路的环境中，最大限度地提高它们的整体速度来减少交通流量。它的工作原理是这样的:自动驾驶车辆的AI会定下一个最终目标，之后不断尝试，最终达成目标，并把达成目标的最优方法储存在数据库中，以应对未来相同的问题。

实验中，一辆自动驾驶汽车会小心翼翼地增加自己和前面那辆汽车之间的空间，并预测对方何时会突然减速——因为自动驾驶汽车缓冲器的存在，它可以稳妥应对这种突发情况，避免因为自身刹车而对后面车辆产生的级联效应。之后，随着时间的推移，所有的汽车都以相对稳定的速度运动，最终达到一个新的平衡。

“我们从未教AI怎么去达成目标。”Bayen说，“它只是通过尝试和错误，学会了正确的方法。”

经过多次的更新换代，Alexandre Bayen的AI最终找到了实现目标的理想方法，避免了交通堵塞时走走停停的行为。它背后的核心技术之一是一个名为Flow的免费开源项目，那是一个非常适合于流量建模的深层RL框架，在与AI结合后，让车辆本身成为交通未来的设想，从不可能变成了可能，这种化腐朽为神奇的能力，便是AI最大的魔力与魅力所在，真的很令人着迷，不是吗？