Wczesne testy nowego systemu uczenia maszynowego przeprowadzone przez Google wykazały pewne nadzieje w zakresie poprawy wzorców sygnalizacji świetlnej. Projekt Green Light modeluje wzorce ruchu, aby zapewnić optymalne sekwencje sygnalizacji świetlnej, wykorzystując uczenie maszynowe i sztuczną inteligencję. Według Scientific American wczesne eksperymenty doprowadziły do pewnej poprawy przepływ ruchu na niektórych zatłoczonych trasach w Seattle. Władze transportowe w Seattle stwierdziły, że Green Light zweryfikowało znane lokalizacje przepustów, pomogło wykryć wąskie gardła w ruchu i przedstawiło praktyczne zalecenia.
Program próbny Google Green Light, który został wprowadzony jesienią 2023 roku, jest testowany w metropoliach o dużym natężeniu ruchu, takich jak Rio de Janeiro i Kalkuta, a także w Seattle i dwunastu innych miastach, w tym w Hamburgu. Podczas tych eksperymentów sekwencje sygnalizacji świetlnej są modyfikowane przez lokalnych inżynierów ruchu drogowego w oparciu o zalecenia systemu. Celem inicjatywy jest skrócenie czasu oczekiwania na sygnalizację świetlną, usprawnienie przepływu ruchu na kluczowych drogach i skrzyżowaniach, a ostatecznie ograniczenie emisji gazów cieplarnianych. Według Google wstępne badania sugerują, że emisję CO2 można zmniejszyć o 10%, a liczbę przystanków na światłach można by zmniejszyć nawet o 30%.
W swej istocie Green Light to model oparty na sztucznej inteligencji (AI), który jest dostosowywany do każdego skrzyżowania, biorąc pod uwagę takie elementy, jak jego układ, nawyki podczas jazdy i zatrzymywania się, synchronizacja sygnalizacji świetlnej oraz wzajemne oddziaływanie systemów sygnalizacji i ruchu. Na podstawie tych wzorców technologia tworzy rekomendacje, do których urbaniści mogą uzyskać dostęp za pośrednictwem dedykowanego interfejsu. Dużym plusem jest brak konieczności stosowania drogich, stacjonarnych czujników lub ciągłego monitorowania na miejscu. Zamiast tego wykorzystuje już istniejące dane o ruchu drogowym w Mapach Google, które są zbierane od poruszających się samochodów i użytkowników smartfonów, którzy służą jako „mobilne czujniki”.
Sugestie Green Light nie zawsze są jednak niezawodne. Dyrektor Instytutu Badań nad Transportem na Uniwersytecie Michigan, Henry Liu, podchodzi do tej technologii bardziej ostrożnie. Chociaż firmie Green Light udało się skrócić czas oczekiwania na skrzyżowaniach w Birmingham o 20–30 procent, Liu podkreśla, że stopień efektywności różni się w zależności od punktu początkowego. Na przykład w Birmingham sygnalizacja świetlna porusza się według ustalonych rozkładów jazdy opartych na przestarzałych informacjach o ruchu drogowym. Korzyści dla środowiska są również dyskusyjne, ponieważ według danych rządowych samochody na biegu jałowym i korki odpowiadają jedynie za około 2% emisji związanych z ruchem drogowym w Stany Zjednoczone. W rzeczywistości samochody jadące szybciej niż dozwolona prędkość zużywają znacznie więcej paliwa niż samochody zatrzymujące się na czerwonych światłach.
Dodatkowo Green Light nie uwzględnia skomplikowanych elementów, które mogą prowadzić do mniej przydatnych rekomendacji, takich jak przechodzenie przez pasy autobusowe i rowerowe, tramwaje czy ruchliwe przejścia dla pieszych. Korekta sygnalizacji świetlnej w Seattle musiała zostać cofnięta, ponieważ ostatecznie okazała się nieskuteczna. W innym mieście testowym, Manchesterze, pracują inżynierowie ruchu drogowego, którzy rutynowo ignorują porady Google, ponieważ tamtejsze sygnały drogowe są czasami celowo zaprogramowane tak, aby faworyzować autobusy lub sprawiać, że osoby dojeżdżające do pracy w obszarach mieszkalnych będą uwzględniać dodatkowy czas. Strategia sztucznej inteligencji polegająca na ograniczaniu przystanków na przejściach może w niektórych sytuacjach działać przeciwko niej.