一个自主型AI系统已自主重新发现三条成熟的交通规律，并识别出城市驾驶行为中一种此前未被报告的模式，证明AI驱动的科学发现可以超越受控的实验室环境，扩展到复杂的现实世界系统中。
该系统名为TrafficSci，由戴星原和王飞跃等研究人员开发。它将交通规律发现构建为一个迭代、可审计的工作流程，整合了证据范围界定、评论者-评判者假设归纳以及观察-干预验证，这一结构化流程产生的结果既可重复又可解释。
TrafficSci在四个案例研究中进行了评估，涵盖人口、网络、控制和轨迹尺度。它成功重新发现了三条已知的交通规律，即拥堵、流动性和驾驶行为中的重复模式，这些模式构成了交通规划的科学基础。更重要的是，它识别出城市驾驶行为中一种新颖的内在时间记忆尺度，该模式在八个城市和两个轨迹数据集中被证明具有统计一致性。
时间记忆尺度的发现表明，驾驶行为在特定可测量的时间窗口内保留了过去交通状况的影响，这一发现在交通管理、自动驾驶车辆控制和基础设施规划方面具有潜在应用价值。与简单的平均值或衰减函数不同，这种内在尺度代表了城市交通动力学的一个基本属性，此前尚未在文献中被正式描述。
这项工作拓展了AI驱动科学发现的前沿。之前的系统已在数学和分子生物学等领域取得成功，这些领域的变量可以被严格控制。而交通在一个混乱、随机的环境中运行，有无数的交互主体、天气条件和基础设施限制。一个自主AI能够从这种噪声中提取出稳健的、跨城市的规律，这表明自主发现系统在城市科学、经济学和流行病学中具有更广泛的应用前景。
来源：Autonomous discovery of traffic laws with AI traffic scientists（arXiv，2026年7月2日）
婷 翻译