一級方程式賽車（F1）一直以來都是一項以技術為核心的運動。每輛賽車以每小時250英里的速度馳騁在賽道上，背後則是一個由工程師和科學家組成的團隊，他們利用數據、分析和高性能計算等最新創新技術，為爭奪每一個優勢而奮力拼搏。
人工智慧（AI）目前正在掀起一股改變各行各業的顛覆浪潮。同樣，人工智慧也在改變賽車的設計、比賽表現和車迷體驗。
甲骨文紅牛車隊首席執行Christian Horner說了這麼一段話，「數據是車隊的命脈。每一個性能要素都由數據驅動，例如我們如何進行比賽、如何開發賽車、如何選擇和分析車手等等。」
筆者是F1車迷，我很高興能有機會參觀了幾支世界級車隊並與之共事，包括最近的紅牛和麥拿輪車隊。
因此我有機會深入了解一些尖端技術（尤其是人工智慧和數據分析方面的技術）如何用於賽車，例如發揮競爭優勢進而使賽車以前所未有的速度衝過終點線。我在本文中將分享一些見解並探討F1這項技術驅動程度最高的全球運動的未來發展方向。
計算流體力學
一輛車的空氣動力學是影響賽道性能的最重要因素之一。模擬車輛在高速行駛時空氣流動與車輛的相互作用是計算流體力學（CFD）領域的一部分。深入研究賽車性能的計算流體力學要素則是當今F1技術的一個關鍵用例。
賽車在實際比賽和練習時生成的數據會被收集。平均每輛賽車安裝的傳感器達300多個，平均每輛賽車每場比賽傳輸的遙測數據約3GB。
筆者最近採訪了Rob Smedley。他在F1的職業生涯里曾為威廉絲、法拉利效力，現在擔任F1技術顧問。
在過去的一年中，計算流體力學領域取得了一項重要進展，應用CFD得以重新定位F1這項運動與車迷期望之間的關係。F1根據車迷的反饋知道觀眾希望看到更加「車輪貼車輪」的比賽。但基於目前廣泛使用的空氣動力學「尾流模型」是不太容易進行這種類型的比賽，因為車輛尾部會產生強烈的湍流，使其他賽車難以貼近。
因此，F1、管理機構FIA及技術合作夥伴AWS開展了一個合作項目，項目的目的是研究車輛空氣動力學設計改動，希望在2022-2023賽季的比賽里賽車能貼得更近一些。
Smedley 告訴筆者，這樣做的結果是「一個賽車貼得更近的賽事」。
CFD在F1中有三大用法。三大用法亦是新車設計過程的一部分：用於測試新部件的性能、用於研究其對空氣動力學的影響以及用於在賽車運作不盡如人意時排除故障。
要達到目的並非沒有挑戰。進行這項CFD研究需要大量的高性能計算能力和高技能的專家，這是運行複雜的模擬必須具備的條件。
儘管如此，三家團隊表示好處仍遠遠超過成本，CFD技術因此為團隊節省了大量的時間和金錢。
模擬、數字孿生和虛擬賽車
F1團隊利用人工智慧驅動的模擬對幾十億個潛在的比賽參數進行了模擬，目的是找出那些最有可能導致有利結果的變量。
AWS、戴爾和甲骨文等合作夥伴提供了尖端數據和分析專業技術，因此可以準確地預測所有因素的影響，包括天氣、競爭對手行為、維修站策略、賽道條件、碰撞和機械故障等等。
測試賽車的耐久性也用到模擬，這種模擬可以評估新的設計在高速賽車中的表現。這使得工程團隊能夠在模擬階段發現薄弱點和潛在故障點。這比在賽道上發現它們要便宜得多。車隊對每個賽季用於開發和設計賽車的資金有嚴格限制，這時候節省開支就是一個重要的因素。
威廉絲車隊的老闆James Vowels曾表示，現代F1比賽期間可以產生和傳輸大量的數據，人工智慧是唯一可以實現其隱藏價值的技術。他最近告訴英國廣播公司（BBC），「我們使用的原型車幾乎每場比賽都換成不一樣的……不同的賽道，不同的輪胎……利用建模工具運行幾百萬個比賽場景，堪稱正道。」
訓練車手也可以利用人工智慧驅動的模型和模擬，車手可以在模擬中學習賽道和提高賽車技能，無須冒受傷或車輛受損的風險。各車隊在比賽期間生成和捕獲的大部分數據車隊可以選擇保密，但車隊有義務向F1以及對手車隊提供某些資訊，其中包括比賽日賽車在賽道上行駛路徑的GPS數據。其他車手利用這些真實世界的數據可以針對對手的模擬模型比賽進行訓練。
一級方程式賽車最近被納入了AWS Deep Racer項目。AWS Deep Racer項目是個由機器學習驅動的、基於雲的3D賽車模擬器，賽車手利用模擬的自動駕駛車輛相互對決，也是比誰能以最快的時間完成預定的圈數。Smedley是該項目的參與者之一，他和車手Daniel Ricardo一起生成數據，協助賽車導航。他告訴筆者，「這個項目的格局大……目的是更接近一級方程式賽車……甚至是一輛完整規模的一級方程式賽車在賽道上自主行駛。」
合作夥伴的力量
F1車隊和F1賽車聯盟本身的一項重要戰略是與技術提供商建立合作夥伴關係。
麥拿輪車隊總經理Zack Brown在談到車隊與數據專家Alteryx的合作關係時告訴筆者，「我認為Alteryx對我們的幫助在於……獲取數據是一回事，但如何將數據合併、快速獲取數據並獲得最相關的數據則是另一回事。否則，就只是一堆噪音。」
他表示，「你握有的數據越準確，數據的類型越多……你的決策就可以越好。」
車隊選擇了正確的戰略合作夥伴就可以從專業技術以及對技術應用方式和領域的新見解中獲益，進而可以集中精力去贏得比賽。
麥拿輪車隊的另一個合作夥伴是戴爾公司。戴爾公司提供高性能計算解決方案，可以推動車隊的許多模擬和CFD項目，其中一個系統從運動中的賽車收集數據，收集的數據可以輸送給仿真並創建更精確的數字孿生，該系統每秒能夠傳輸10萬個數據點。
梅賽德斯AMG Petronas車隊與數據專家TIBCO的合作長達六年，合作成功將數據轉化為洞察力，可以為比賽策略和賽車設計提供依據。
去年的車手及車隊冠軍紅牛車隊與甲骨文公司的合作亦取得巨大成功。紅牛車隊利用美國軟體和資料庫巨頭甲骨文公司的專業技術為自己完成賽車模擬、工程開發和車迷參與運營提供支持。
甲骨文公司首席執行官Christian Horner表示，「甲骨文雲在我們今年每場大獎賽的勝利或取得重大成就都發揮了關鍵作用。」
雲洞察和參與
我們討論F1數據的最後一個用例涉及到提供洞察力，鼓勵車迷更深入參與和互動。
F1是一項複雜的運動。一場F1比賽中發生的事情往往遠比在家中觀看電視的觀眾所看到的要多得多。畢竟攝像機一次只能覆蓋一段賽道。而如果是在看台上觀看現場直播，那麼視野就更加有限了。
F1在與AWS長達五年的合作中得益良多。F1能夠利用包括實時賽車定位數據和計時數據在內的資訊，因此可以在比賽期間向觀眾提供見解，同時進行攝像機轉播和解說。
Zak Brown表示，「F1賽道長5公里，涉及20輛賽車。而鏡頭每次只能集中在一輛、兩輛或三輛賽車上……剩下的4.5公里長的賽道上會出現各種動作，這些可以形成比賽策略進一步展開的關鍵。」
識別和突出這些洞察力涉及到機器學習算法的使用，機器學習算法可以利用所有可用的數據源圍繞比賽創建一個敘事方式。
Brown表示，「我們在螢幕上顯示這些數據洞察，幫助車迷的理解。我們發現，車迷們非常喜歡這一類的洞察。」
F1技術的未來
ChatGPT和Stable Diffusion等應用程序擁有巨大的創新潛力，也普遍受到歡迎，生成式人工智慧成了當前技術領域的熱門話題。F1賽事組織者對這項技術同樣充滿期待，期待生成式人工智慧對F1未來賽事尤其是對車迷體驗的意義。
Smedley 告訴筆者，「事關利用人工智慧技術、利用生成式人工智慧對全球5億車迷群進行建模……試圖更好地理解他們，並為他們提供他們真正想要的產品。」
Smedley 表示，「要知道，一級方程式賽車永遠不應該失去其DNA：20名角鬥士出場……進入這些『地面戰鬥機』……在周日下午進行兩個小時的比賽。」
他表示，「F1不應該失去這種DNA。但我們應該可以圍繞它進行調整，為粉絲尤其是為新粉絲群體提供更多他們想要的東西。」
正如我們所看到的，人工智慧和機器學習肯定有可能做得到。可以肯定的是，我們可以靠技術繼續創造更激烈的賽車比賽，為我們帶來更快、更強勁、更符合空氣動力學的賽車，為車迷創造激動人心、身臨其境的體驗。
