一级方程式赛车一直是一项由极限定义的运动,毫秒之差决定胜负,人类技能被推向极限。但在引擎轰鸣声和进站换胎的精彩表演背后,隐藏着一股更安静、看不见却日益决定这项运动成功的力量:技术。在甲骨文红牛车队,数据、人工智能和云计算已经变得与轮胎、空气动力学和马力同样重要。
在阿布扎比赛季收官战之前,Computer Weekly参观了甲骨文红牛车队的车库,观察人类专业知识和技术创新如何共同推动赛道上最具统治力的车队之一。甲骨文红牛车队合作伙伴组负责人杰克·哈灵顿解释了车队如何使用技术做出可能决定赢得世界冠军与功亏一篑之间差异的决策。
哈灵顿表示:"甲骨文为我们提供了赛道内外的性能支持。自2021年以来,每一次进站决策,每一个战略决定,让马克斯·维斯塔潘赢得世界冠军的决策,都是在甲骨文云基础设施上做出的。"
数据驱动的核心战略
甲骨文红牛车队战略的核心是数据。每辆赛车在每个比赛环节产生高达2TB的遥测数据,输入到由实时传感器、摄像头和引擎监控系统组成的网络中。轮胎温度被精确跟踪到每一度,引擎性能通过数百个变量进行测量。这些已知数据与未知因素(如安全车、红旗、缓慢进站或意外超车)相结合,创造出一个庞大且不断变化的比赛条件全景。
为了处理这种复杂性,车队严重依赖从金融界借鉴的蒙特卡洛模拟方法。哈灵顿说:"在比赛周末之前,我们运行接近40亿次蒙特卡洛模拟。然后,在练习赛结束后,我们重新运行数十亿次模拟,整合最新的遥测数据。这让我们能够为可能在赛道上面临的几乎每一种情况做好准备。当意外发生时,我们很可能已经建模过了。"
人工智能与决策制定
人工智能在帮助工程师处理这些数据并实时做出明智决策方面发挥着关键作用。车队开发了AI驱动的模型,扫描体育法规和历史比赛结果,提供指导和支持。
哈灵顿说:"它不是为我们做决定,而是为人类决策提供信息。在一级方程式中,最重要的传感器是车手。技术放大了人类判断力,但不会取代它。"
这种AI和人类专业知识的协同作用在阿布扎比大奖赛期间表现得很明显。在关键的安全车时期,来自赛车的数据和实时模拟被实时传输到甲骨文云基础设施。车队快速评估了多个"假设"情况,并做出了分秒必争的进站决定,最大化了赛道位置同时最小化了时间损失。片刻之后,这个决定得到了回报,展示了AI如何为战略提供信息而不会覆盖仍然是赛车运动核心的人类本能。
驾驶员在回路中的作用
甲骨文红牛车队还利用驾驶员在回路中的模拟器,哈灵顿将其描述为"世界上最酷的电脑游戏"。这些模拟器允许驾驶员虚拟体验赛车,测试操控特性、G力和空气动力学设置,然后再踏上赛道。
从这些训练中收集的数据直接输入到比赛周末的赛车配置中。驾驶员和模拟之间的这种持续反馈循环确保理论性能与人类能够执行的相匹配。
除了赛车性能,甲骨文红牛车队还使用AI识别未来的驾驶人才。历史上,车队依靠少数几个初级方程式系列赛来发现新兴明星。AI允许车队撒更大的网,分析来自卡丁车比赛和小型国际赛车系列的数据,这些数据原本会被忽视。
哈灵顿说:"AI帮助我们在其他人之前找到下一个马克斯·维斯塔潘。我们评估雨天技能或设备限制等性能指标,做出人类无法单独处理的预测。"
赛道外运营
技术也支撑着业务和运营效率。薪资、人力资源和财务规划系统都整合到甲骨文云中,AI简化了流程,使资源能够导向对性能至关重要的领域。AI被应用于成本上限管理,允许车队优化每一项投资以追求速度和可靠性。
也许甲骨文红牛车队技术应用中最雄心勃勃的是其2026年引擎项目。随着新法规的出台,赛道上的每个引擎都将是全新的,采用内燃机和混合动力50/50的分配。甲骨文红牛车队完全在甲骨文云上运行复杂的计算流体动力学模拟,在任何物理组件存在之前,建模15000转每分钟的燃烧、气流和燃料点火。
哈灵顿回忆说:"不到四年前,我们没有设施、没有员工、没有模拟。在12个月内,我们开发了世界上最先进的引擎制造项目之一。甲骨文云让我们能够随着团队扩张而扩展模拟,比传统本地系统多运行约20%的迭代。这让我们能够探索更多设计,优化性能,并自信地投入制造。"
这些模拟如此详细,以至于车队可以在构建单个引擎之前,在数字化环境中建模气缸内的燃料燃烧、通过涡轮增压器的气流和能量回收集成。在毫秒至关重要的运动中,快速安全地迭代设计的能力是一个重大的竞争优势。
人类直觉与技术优势的结合
对于甲骨文红牛车队来说,AI、云计算和人类专业知识的结合是一个获胜公式。蒙特卡洛模拟、AI信息化的进站决策和先进的引擎建模为车队提供了技术优势,但人类直觉仍然是至关重要的。
哈灵顿说:"技术赋能于人。它让我们能够发挥最佳表现,但最终,是人类的决策、车手和工程师决定了胜负之间的差异。"
阿布扎比大奖赛结束后,赛季落下帷幕,赛车驶离赛道,车队的数字心跳在幕后继续跳动。对于甲骨文红牛车队来说,未来是明确的:先进模拟、AI信息化战略和人类直觉构成了冠军级性能的引擎。
Q&A
Q1:甲骨文红牛车队如何利用数据和AI来制定比赛策略?
A:车队每个比赛环节产生高达2TB的遥测数据,通过蒙特卡洛模拟方法在比赛周末前运行接近40亿次模拟。AI驱动的模型扫描体育法规和历史比赛结果提供指导,但AI不会做最终决定,而是为人类决策提供信息支持。
Q2:甲骨文红牛车队的引擎开发项目有什么特别之处?
A:针对2026年新法规,车队在甲骨文云上完全运行计算流体动力学模拟,能够在任何物理组件存在之前建模15000转每分钟的燃烧、气流和燃料点火。这比传统本地系统多运行约20%的迭代,让团队能探索更多设计并优化性能。
Q3:技术在甲骨文红牛车队中扮演什么角色?
A:技术赋能于人但不取代人类判断。甲骨文云基础设施支撑了维斯塔潘自2021年以来的所有世界冠军决策。驾驶员在回路中的模拟器、AI人才识别系统等都服务于人类专业知识,最终仍是人类决策、车手和工程师决定胜负差异。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。