交通出行几乎困扰着每一个生活在大城市中的居民，这一点在全球范围内几乎没有例外。墨西哥国立自治大学的计算机科学家Carlos Gershenson通过他的研究经验告诉我们，不要试图通过一两个简单的变量来模拟真实的交通出行场景。与其去精准地预测未来的交通变化，不如让系统能够自己适应变化。
Carlos Gershenson在Quanta Magazine的采访中指出：如果想治理城市交通，让交通系统能够做到自适应和自组织比试图控制交通要好很多。墨西哥的首府墨西哥城因其独特的博物馆、美食与文化资源而闻名于世。不过，墨西哥城拥堵的交通也同样出名。这座城市拥有2200万人口和600万辆汽车。很多人的上下班通勤时间是2小时，迟到也是家常便饭，上学、开会迟到个十分钟、一刻钟也没什么大不了的。
在墨西哥城，人们的出行方式是一个复杂的问题。这个问题也是墨西哥国立自治大学的计算机科学家Carlos Gershenson在过去的二十年间最喜欢研究的问题。他供职于墨西哥国立自治大学应用数学与系统研究所和复杂性科学中心。他给出的最基本的一条建议就是：我们无法简单地用一两个变量就对交通问题加以概括，生活在墨西哥城的居民代表了全世界半数人口所面临的交通出行问题。
Gershenson认为，如果想解决一个复杂的问题，科学家就需要放弃传统的研究方法，转而去寻找新的研究方法来应对不断变化的挑战。2016年，他在美国麻省理工学院（MIT）和东北大学担任客座教授时曾写道：“科学和工程都假定世界是可预测的，我们只要能找到适当的自然法则就可以预见未来……但从对复杂系统的研究来看，这种假设是错误的。”如果想解决交通问题，就要学会用新的观点来看待复杂系统。
研究城市交通是一个实现、实验理论的完美方式。对于有工程学和哲学背景的Gershenson来说，他也乐于开发新的概念，也乐于利用这些概念来解决问题或者构建系统。在20世纪90年代末期，Gershenson在Arturo Rosenblueth基金会读计算机工程专业时，对人工智能产生了兴趣，从那时开始，他就着迷于复杂性问题。
后来，他在萨塞克斯大学攻读进化和适应系统的硕士学位，但他在布鲁塞尔自由大学读博士时，他的兴趣点又重新回到了自组织系统。
Gershenson读博士时期的第一个项目就是关于自组织系统的，他当时的设想是“试图让汽车车队像鸟群一样”。鸟群是自组织系统的一个典型例子。在模拟系统中实施了不同的策略，其中一个策略就是自组织：比如说，一个车队，每一辆车都试图和他们的邻车保持速度一致。最有效的策略是自私，每一个人都试图尽可能的快。
Gershenson的第一个博士生Luis Enrique Cortés Berrueco做了更加深入的研究。他通过博弈论和交通模拟来研究“自私”与“合作”这两种驾驶员之间的影响。事实证明，如果道路上的车辆密度很低，自私的司机会提高交通的效率，但这只是在低密度的情况下如此，而且也只评估了效率。毕竟，这种司机更危险。
城市交通是一个复杂系统。
模拟一辆汽车的运动轨迹很容易，因为它具有均匀的速度和加速度，这基本上就是高中数学。问题在于，在现实世界中，一辆车在未来的某一时刻会落在什么位置上，不仅取决于它的速度、加速度，还取决于路上是否有其他汽车、行人与自行车。如果其他车辆开得更慢或者更快，并以此判断其危险性与跟车距离。这些问题之间都有很强的依赖性。
人们无法预测一辆汽车两分钟后会到达哪里，因为这取决于前方的车辆有没有及时对信号灯做出反应；有没有分心走神；路的前方有没有公交车；有没有违章停车；甚至是有没有人在擦挡风玻璃。
如果试图去简化一个问题，而不考虑相互作用，那得到的解决方案将是非常有限的。在城市流动性领域中，技术历史学家Lewis Mumford提出了这样一个说法：“增加高速公路来解决交通拥堵问题，就像用放开裤腰带治疗肥胖一样。”这个方案并没有解决运输需求，也没有解决如何满足运输需求。
开发一个复杂系统，需要考虑哪些因素取决于你想要做什么样的模型。如果希望模型可以预测未来，那么确实需要包括很多细节。假设，如果为墨西哥城的交通建模，那么就需要知道一天里每个小时有多少辆车；沿哪条路线行驶；平均加速度是多少；是否在下雨等等。很多因素都会影响交通流量，就要尽可能多的添加细节。但如果希望模型能用于理解一个系统就足够了，而不是要做预测，那么在很多情况下，一个高度抽象的模型是管用的。
Gershenson曾把模拟程序做得很复杂，因为他希望能尽可能地真实。但后来Gershenson开始做更简单、更加抽象的模拟程序，比如，汽车可以无限加速，车辆之间的空间是对称的，这些情况在现实中是不存在的。但即使做了这样的简化，通过模拟实验，人们仍然在城市交通中发现了6-10个相变。当车辆密度增加时，速度、车流是如何发生剧烈变化的。如果模型过于复杂，就看不到这一点。
即便做过模拟实验，墨西哥城也有一些独特之处。根据不同的评价指标，墨西哥城的流动性都是最差的。研究团队和政府当局的联系更加密切。因此，Gershenson等人可以试图左右正在制定的决定和改进方案。
Gershenson在墨西哥城用交通信号灯做了一个可以加速通勤效率和减少尾气排放的项目。交通信号灯系统通常按照被认为高效的方式定时、编程的。为了保持车辆行驶去协调所有的信号灯是一个问题。
因为要协调的影响因素越多，需要的计算量也就越大。这一问题是在持续变化的，因为车辆的增减是无法预测的。每个交通信号灯能拦下的汽车准确数字在不断地变化。即便你测得的是平均每分钟能拦截下13辆车，但实际可能是，一分钟20辆车，另一分钟6辆车。
交通信号灯告诉我们该做什么。现在有了传感器，汽车也可以告诉交通信号灯做什么。Gershenson等人认为，如果一排排的车辆能不停地穿过一个又一个十字路口，就会出现绿色波浪（green waves）。这样的系统就可以促进绿色波浪的出现。研究者并不是在编程时，在系统中写下“将会出现一个绿色波浪，速度会这样慢下来”，而是交通系统本身就发生了绿色波浪，这都是自组织系统，因为在十字路口，信号灯之间不会交流。
这是一个隐式的控制系统的方法。因为在控制论中，人们想要能确定地知道未来会发生什么，但是在这种情况下，人不需要告诉系统解决方案是什么。但是由人设计的交互系统会不断地寻找合适的解决方案。
在模拟实验中，通过让信号灯组成自组织系统，通行时间减少了25%。汽车等候红灯时的空转现象也减少了，因此尾气排放也大幅减少。通过自组织系统，Gershenson把自组织系统当作了提高城市流动性的工具。
尽管他提出的交通出行解决方案在大多数城市中都受到了层层阻力，但他的理念还是在2016年的墨西哥城的地铁系统中得以实施。在这项工作中，乘客会被明确地告知候车区域，以便于让其他乘客顺利出站。在这个试点项目中，上车过程中的推搡冲撞几乎得以完全消除，上车时间减少了15%。
Gershenson认为，最大的挑战不是来自科学，而是来自政治和社会。如果说要“改善城市交通”，每个人都会同意的。没有人愿意继续我们现在的生活方式——环境污染、经济损失、时间浪费、压力加大等等。但是具体到做什么的时候，每个人又都不同意了。
因此，Gershenson认为最大的挑战是如何发展出协调机制，来协调政府、公司、学术界与社会其他部门提出的解决方案。
有识之士正在努力让不同的部门参与进来，政府部门的人也正在尽可能快地给出方案。但是这些事情仍然需要几年的时间，而社会情况恶化得更快。Gershenson认识的大多数研究交通的人都是骑自行车的，因为这是在城市里最好的出行方式。对于中等出行距离，骑车可能是一个不错的解决方案，但并不适合每个人。不过，你会发现在那些已经投资修建自行车道路的城市，骑车出行是一种非常不同的生活方式，我认为每个人都能从中受益。
因为汽车的减少，那些不骑车的人也能受益。
面对人工智能带来的挑战，Gershenson认为机器正变得逐渐与我们融为一体，但他不认为机器会取代人类。机器能帮助我们扩展认知和协调能力。有可能在未来，决策将更加分散。但最终，我们还会遇到责任问题，这又回到了保险难题上：如果一辆自动驾驶汽车出了交通事故，那是谁的责任，店主？制造商？还是，程序开发者？
这样的系统能使人们做那些做不到的事情，这就是为什么人们会相信机器。但是，机器也会失灵，所以不应该完全信任机器。这也是我们需要适应性的原因，自组织系统给了我们这样的机会：在维护现有功能的同时，也提供适应能力，这样我们就可以为意料之外的事情做好准备，我们对未来应当抱有期待。