不僅僅是競速：F1賽車和科技有關的二三事

在 F1（世界一級方程式錦標賽）頭 30 年的歷史中，賽車絕大多數都是很純粹的機械怪獸，比拼的就是動力、輪胎和車手。到了 1977 年，蓮花車隊（注意它和路特斯 F1 車隊並不一樣）開始將更多的注意力放在空氣動力學身上，尤其是地面效應。最後，人們常說的「下壓力」這個概念就出現了。

蓮花車隊這種探索的結果就是著名的蓮花 79 F1 賽車。這個極具獨創性的藝術品，其底部的弧線就好像倒轉過來的機翼，造成了賽車下方的低壓區，和上方的高壓區形成高低差，就賽車緊緊「壓」在地上。

蓮花 79 無疑是成功的，不用說這樣的賽車自然會迎來對手們的模仿和挑戰，每一個車隊都在極力創新以實現最大化的下壓力。其中最引人矚目的莫過於布拉漢姆 BT46 賽車了，它竟然通過在尾部設置一個大型風扇裝置來達成類似的效果。

賽車被下壓力緊緊吸在地面上，帶來了無與倫比的過彎速度，這不是好事嗎？事實上，隨著過彎速度越來越快，這對車手們造成了越來越大的壓力，危險性也成倍提升。隨著一系列事故的發生，最重要的是 1982 年車手吉爾斯·維爾紐夫的死亡，最終國際汽聯決定禁止利用地面效應。

25 TFLOPS，不能再多了

我們已經知道了空氣動力對 F1 賽車的重要性，幾乎任何技術或工程學上的進步最後都要歸結到空氣動力上。F1 賽車追求極限，所以只要一家車隊發現某個地方是國際汽聯還沒有約束過的，或是已有的規定是可以被新方法「巧妙」解讀的，他們將會將這個發現利用的極限，甚至會稍微過界。這個做法自然會引來爭相模仿，接著國際汽聯就會頒布新規定加以限制。在 F1 的歷史中，這個循環從未停止過。

所以你可以想見，F1 錦標賽發展到今天各種各樣的規定肯定數量龐大 —— 加起來都得有個幾百頁。

舉個例子，國際汽聯規定每一支 F1 車隊只允許使用 25 TFLOPS（萬億次浮點數運算每秒）的雙精度運算能力還模擬賽車的氣動。25 TFLOPS 其實並不多，要做個不太恰當的對比的話，大致相當於 25 塊 Nvidia 初代 Titan 顯卡加一起的性能。

有些奇怪的是，F1 還規定車隊只能使用 CPU，不能使用 GPU。而且，他們必須清楚地證明自己有沒有使用 AVX（高級矢量擴展）指令。如果沒有，國際汽聯將單個 Sandy Bridge 或 Ivy Bridge 核心視為 4 次浮點運算每秒；如果有，那就是 8 次。在賽季開始的時候，每支車隊都必須將他們計算集群的具體規格提交給國際汽聯，之後每 8 個星期提交一次測試日誌。

儘管規定嚴苛，但總有優化的辦法。雷諾車隊此番就部署了新的計算集群，擁有很高的並行存儲器。每一個計算節點和存儲器都有專屬的連接，這樣就不會浪費任何一個浮點數在讀寫數據上了。雷諾車隊的專家承諾說，不突破 25 TFLOPS 的限制，仍實現了更高的性能表現。事實上，每一家車隊都有自己的一套優化方案。

有趣的是，這個規定看似很無理，其實它是符合車隊利益的。10 年前沒有這樣的限制，導致各個車隊開始了無休止的「軍備競賽」。為了勝過對手，不得不將大量的金錢投入在計算力的提升上，帶來了沉重的負擔。國際汽聯限制每支車隊每周只能有 25 小時的時間對新的車體設計進行風洞測試，也是基於同樣的考慮。

有關數據的一切

我們看 F1 賽事的時候，大多數時間只關注飛馳的賽車，還有維修區里那些動作利落快速的工作人員。事實上，還有更多我們看不到的人在為比賽努力著。一個大型車隊通常擁有超過 1000 人，然而國際汽聯規定，只能有 60 名工程師和技術人員在賽道邊上待命。為了繞開這個規定，每支車隊比賽現場都會和總部建立高速的網路連接。

據了解，今年維修區內建立的網路連接速度達到 80Mbps，將現場的計算集群和總部的任務控制中心連接在一起。因此可以做到其中一部分決定是現場的工程師做出，但其餘的都交給總部遠程決定。

不過來自賽車本身的實時遙測技術卻是被國際汽聯嚴格限制的。儘管每一輛 F1 賽車上都有差不多 200 個高頻感測器，但它和維修區的無線連接速度被限制在了 2Mbps，達到 10Mbps 的高解析度數據則被存儲在賽車自身的發動機控制單元里，在比賽結束之前都不允許接觸。

除去車手技術和賽車性能，最重要的恐怕就是對車輛數據的實時解讀了。不說贏得比賽，很多時候這是車手完成比賽不可或缺的東西。實時遙測雖然受到限制，但它仍然非常重要。數年前劉易斯·漢密爾頓在工程師的堅持下來到維修區。後者不斷強調賽車的輪胎出了問題，但漢密爾頓並沒有感覺到，還以為座駕沒事。

然而即使是有 200 個感測器的幫助，要實時找出問題所在也如大海撈針一般困難。在紛繁複雜的數據中找出有用且關鍵的信息，要怎麼去最好地利用同樣是一個讓人頭疼的課題。即使是在比賽結束之後，那也是繁重的工作。

有趣的是國際汽聯並沒有在這方面做嚴格的規定，所以只要付得起，多少個數據專家都能僱用，多大的數據演算法都能用來解決這些問題 —— 這樣下去當然不行，所以雷諾車隊開始嘗試 Azure 機器學習演算法，算得上是趕上了「時髦」。其他車隊也在採用各種各樣不同的方案。那麼機器學習演算法究竟能起到多少作用呢？答案仍然沒有出爐。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！