Informazioni chiave:
- Ricercatori giapponesi hanno usato il traffico stradale come sistema di calcolo per l’intelligenza artificiale.
- Il metodo, chiamato Harvested Reservoir Computing, riduce il consumo energetico rispetto all’AI tradizionale.
- La ricerca è stata sviluppata alla Tohoku University e pubblicata su Scientific Reports di Nature.
Un gruppo di ricercatori giapponesi ha sviluppato un metodo decisamente interessante per eseguire intelligenza artificiale sfruttando direttamente il traffico stradale reale come risorsa di calcolo, con un impatto energetico molto inferiore rispetto ai sistemi convenzionali.
La nuova tecnica, chiamata Harvested Reservoir Computing (HRC), è stata ideata presso il WPI Advanced Institute for Materials Research della Tohoku University, nell’omonima prefettura giapponese. Invece di fare affidamento su processori ad alta intensità energetica, il metodo utilizza le dinamiche naturali già presenti in sistemi complessi come le reti stradali urbane.
Dal traffico alla computazione
Il cuore dell’approccio è l’idea di trattare il traffico veicolare come un deposito di informazione dinamica in grado di svolgere elaborazioni utili per l’AI. Questo si basa sui principi della reservoir computing, un ramo dell’intelligenza artificiale che sfrutta il comportamento dinamico di sistemi complessi per processare i dati, in modo simile a quanto fanno le reti neurali ma senza dipendere esclusivamente da hardware dedicato.
Per testare il concetto, il team guidato dal professor Hiroyasu Ando ha realizzato il modello sperimentale Road Traffic Reservoir Computing (RTRC). Questo sistema utilizza il flusso veicolare su una griglia di strade simulata, come “riserva dinamica” attraverso la quale far passare dati e osservare le interazioni tra veicoli in movimento.
La sperimentazione ha combinato esperimenti di laboratorio con automobili in miniatura autonome in scala 1:27 e simulazioni numeriche di reti stradali urbane. I risultati hanno mostrato che non è nel traffico completamente libero o in piena congestione che si raggiunge la massima efficacia computazionale: il punto ottimale si trova in una condizione di traffico mediamente denso, prima dell’insorgere di un ingorgo, dove le dinamiche del sistema sono più ricche e informative.
Previsioni accurate e basso costo energetico
In questo “regime critico”, la rete stradale è in grado di prevedere con elevata accuratezza l’evoluzione del traffico futuro, sfruttando modelli che richiedono solo un minimo supporto computazionale aggiuntivo. Non sono necessari nuovi hardware specialistici: i sensori del traffico già installati e i dati di osservazione esistenti sono sufficienti per alimentare il sistema.
Secondo i ricercatori, questo approccio potrebbe portare ad importanti riduzioni del consumo energetico rispetto ai metodi di AI tradizionali, che si basano su data center e chip ad alto assorbimento.
Strade e infrastrutture come computer
I ricercatori sostengono che strade e altre infrastrutture sociali possano essere reinterpretate come grandi computer in movimento, sempre attivi e dotati di dinamiche complesse che possono essere sfruttate per calcoli utili. Questo modo di pensare potrebbe influenzare strumenti di gestione del traffico, pianificazione urbana e uso efficiente dell’energia nelle smart city del futuro.
Invece di potenziare continuamente la capacità di calcolo centralizzata, il nuovo paradigma propone di integrare la computazione direttamente nei sistemi fisici e sociali esistenti, riducendo la domanda complessiva di energia.
Hiroyasu Ando nella presentazione del progetto, ha dichiarato:
“I risultati dimostrano che la computazione non deve essere confinata ai chip di silicio. Riconoscendo e sfruttando le dinamiche già presenti nel nostro ambiente, possiamo costruire sistemi di AI potenti e sostenibili.”
Verso nuove tecnologie AI
Oltre al traffico, il concetto di computazione raccolta (harvested computation) potrebbe aprire la strada allo sviluppo di nuove tecnologie fondamentali per l’AI, dove l’intelligenza non deriva solo dall’aumento della potenza hardware ma dall’integrazione creativa di sistemi fisici e dati.
I risultati di questa ricerca sono stati pubblicati sulla rivista peer‑reviewed e open access Nature Scientific Reports, rendendo disponibili i dettagli di un approccio che potrebbe segnare una svolta nei metodi sostenibili di calcolo per l’intelligenza artificiale.
