美国约翰斯・霍普金斯大学科研团队近日取得突破性进展，成功开发出一款名为“交通安全副驾”的生成式人工智能系统。该系统凭借强大的数据分析能力，可精准预判交通事故发生概率，相关研究论文已登上《自然・通讯》最新期刊。
研究团队深入剖析了6.6万余起交通事故的完整数据链，涵盖路况实时信息、驾驶员血液酒精浓度、卫星遥感影像及现场勘查记录等多维度要素。通过大语言模型技术，系统能够同时处理天气变化、车流密度、道路设计缺陷及驾驶行为异常等复杂变量，实现对单一风险因子与多重因素叠加效应的智能识别。
与传统机器学习模型存在本质差异，这款新型工具突破了历史数据依赖的局限。科研人员介绍，系统内置的动态学习机制使其具备“前瞻性预警”能力，即使面对训练数据库中从未出现的新型场景，仍能通过模式识别生成可靠预测。更引人注目的是，系统会同步输出置信度评分，将预测结果的准确概率可视化呈现，有效解决了人工智能决策过程不透明的问题。
以美国马里兰州为例，当地高速公路致命事故数量十年间激增33%，从2013年的466起攀升至2023年的621起。模型分析揭示，酒驾和超速行为引发的事故占比达到其他风险因素的三倍，为交通管理部门提供了精准的治理方向。
该系统的技术优势还体现在持续进化能力上。研究团队证实，通过补充区域特色数据，系统可快速完成模型迭代，灵活适配不同地区的交通管理需求。这种自适应特性使其在应对复杂多变的交通环境时，展现出超越传统预测工具的实用价值。
