美国的红绿灯，要开始自己AI救人了。
德州Bryan有个2，000英亩的试验场，叫RELLIS，是TexasA&M交通研究所的地盘，过去50多年在这儿做过4，000多次实车碰撞试验。接下来几个月，这儿要反复上演一种“假车祸”：一辆车不减速冲向红灯，横向车道绿灯刚亮、车流正要起步，然后，横向的车多等了两秒。冲灯的车擦着过去，谁也没撞上谁。
这件事背后有个容易被忽略的问题：交通信号灯原本只是城市管理的一部分，如今却要承担更复杂的安全任务。让它自行调整通行顺序，听起来只是软件升级，实际上却涉及公共设施的控制权。过去由工程师设定的规则，开始需要根据现场情况动态变化，这一步走得稳不稳，比设备看起来有多先进更重要。
美国在这条路上已经摸索了几十年。此后的研究逐渐进入试点和部署阶段，但早期主要解决的是车流效率问题。今天的新项目把碰撞风险纳入控制目标，意味着交通信号系统要面对比“怎样让车走得更快”更复杂的任务。
为什么这次变化值得关注？因为道路上的危险往往不是孤立事件。一辆车闯灯，可能让原本正常起步的车辆陷入险境，也可能让正在过街的行人来不及躲避。过去，驾驶员、交通监控人员和信号系统各自承担不同任务；新方案试图把分散的信息放到同一套判断流程里。真正的难题，是如何让系统在极短时间内作出正确决定，同时不干扰正常通行。
2026年10月23日，Derq公布了相关测试计划，地点包括德州的RELLIS试验场和弗吉尼亚理工交通研究所的VirginiaSmartRoads。方案将结合视频分析、传感器数据、信号灯状态和车路通信信息，检验系统能否识别潜在碰撞风险并采取干预措施。两个测试环境有助于研究人员观察系统在不同条件下的表现，但试验结果仍不能直接等同于大规模道路应用的实际成效。
另一个值得注意的变化，是美国并没有只验证一种办法。密歇根大学推进的SAFETI系统，计划研究路面灯光、警告信息和信号调整等手段，试图在车辆发生冲突前改变道路参与者的行为。不同方案并行测试，说明这个领域仍在寻找可靠的技术组合。对交通管理部门来说，能够减少多少事故、会不会引发新的风险，才是决定采用哪套系统的硬指标。
美国的探索也不是孤例。欧盟2026—2027年研究计划将道路安全、数字技术和交通系统韧性列入相关研究方向，说明智能交通正在成为国际交通技术发展的重要议题。不同国家的道路条件、法律制度和基础设施并不相同，技术方案未必能够直接照搬，但共同面对的问题很明确：如何利用更多实时信息，在危险演变成事故之前采取行动。
不过，AI一旦开始干预红绿灯，问题就不只是识别准确率了。假如系统把正常车辆误判成闯灯车辆，频繁改变信号配时，拥堵可能迅速增加；假如真正的危险没有被发现，系统又可能错过干预机会。传感器故障、通信中断和恶劣天气，也会影响判断。因此，工程设计必须明确系统何时可以调整信号、何时应该退出自动控制，以及发生事故后由谁负责。没有这些保障，技术越深入交通控制，风险管理的要求就越高。
中国发展智能交通，不能只看某项技术能不能实现，更要看它能否适应不同规模城市的实际需求。大城市路口复杂，车流密集；中小城市和县城的建设资金、设备条件又不一样。如果一套系统采购成本高、维护困难，即使技术表现不错，也未必适合大范围推广。更务实的做法，是按照风险程度分级部署，先在事故多发路口验证效果，再依据真实数据决定是否扩展。
还要考虑数据安全。路口系统可能持续处理车辆运动轨迹、行人活动信息和道路运行数据。怎样限制数据采集范围、保护个人隐私、避免关键设备受到网络攻击，都应当在建设阶段解决。交通安全不能成为无限收集信息的理由，智能化也不能以牺牲基础设施可靠性为代价。只有技术、管理和安全标准一起跟上，系统才有可能长期运行。
所以，美国的红绿灯要开始自己AI救人了，真正值得关注的并不是它能不能像人一样思考，而是它能否在复杂交通环境中承担一项明确、有限、可检验的任务：发现危险，及时干预，并且尽量不制造新的危险。对中国来说，重要的不是追着某个项目比速度，而是用实际事故数据检验技术，用清晰的责任制度约束系统，用合理成本推动普及。红绿灯能不能多救一个人，不能靠宣传来判断，只能看它进入真实道路之后交出的成绩。