Формула-1 всегда была местом пересечения инженерии и инноваций. В последние годы эта область инноваций расширилась за счёт внедрения искусственного интеллекта и машинного обучения.

От стратегии по выбору шин до аэродинамического дизайна — эти технологии меняют то, как команды планируют работу, реагируют на вызовы и развиваются. Они не заменяют человеческих специалистов, принимающих решения, но трансформируют набор инструментов, с которыми ведут борьбу за результат.

Моделирование стратегии с помощью reinforcement learning

Традиционно стратегия ведения гонки опиралась на экспертные знания и базовое моделирование. В последние годы ИИ начал играть всё более заметную роль в процессе принятия решений.

Модель под названием Race Strategy Reinforcement Learning (RSRL) была протестирована в симуляции Гран-при Бахрейна 2023 года. В этом тесте RSRL напрямую сравнивалась с классическим методом Монте-Карло — более упрощенным, фиксированным подходом «по шаблону». Результат: в среднем RSRL выбирала более эффективные стратегии по шинам и обеспечивала более стабильные результаты при повторных симуляциях.

Решения модели также были интерпретируемыми: она предоставляла прозрачную логику выбора с использованием counterfactual-анализа и decision-tree-логики, позволяя инженерам понять не только результат, но и обоснования, стоящие за ним.

Прогнозирование пит-стопов и анализ износа шин

Износ шин и тайминг пит-стопов критически важны для успеха в гонке. Для повышения точности в этой области исследователи разработали модель EDNN. Обученная на телеметрии сезонов 2015–2022 годов, эта модель прогнозирует, когда пилоту следует заехать на пит и как будет развиваться износ шин в зависимости от условий гонки.

Кроме того, в отдельном проекте применялись нейросети LSTM и GRU для оценки энергетического состояния шин в реальном времени. Это позволяет командам прогнозировать уровень сцепления, темпы деградации и риск перерастяжения ресурса шин в условиях меняющейся обстановки, включая периоды действия автомобиля безопасности (safety car).

Обе модели дают возможность быстрее принимать стратегические решения, основанные на данных, прямо во время гонки, особенно при появлении непредсказуем��х факторов.

Моделирование взаимодействий гонщиков с использованием теории игр

Формула-1 — это динамичный спорт: действие одного пилота влияет на весь пелотон. Позиционирование, расход энергии и оборонительные маневры взаимосвязаны.

В исследовании 2024 года эта сложность была изучена с применением multi-agent reinforcement learning. Модель включала элементы теории игр, в том числе модели равновесия Нэша и Штакельберга, для симуляции взаимодействий между пилотами.

Вместо анализа только оптимальной траектории или пит-окна одной машины, система оценивала, как каждый соперник может отреагировать на действия другого. Это создавало динамическую модель, более точно отражающую поведение гонки в реальном мире.

В перспективе такие инструменты могут использоваться для оперативного планирования стратегии или проектирования предиктивных симуляций, применяемых прямо в гоночные уикенды.

Более объективная оценка пилотажа

Пилотаж — один из самых спорных аспектов Формулы-1. Разница в качестве болидов, бюджете команд и условиях трассы делает сложным сравнение гонщиков на равных.

Чтобы решить эту задачу, исследователи применили Principal Component Analysis (PCA) к данным гонок 2015–2019 годов. Цель состояла в том, чтобы выделить переменные, наиболее точно отражающие индивидуальное мастерство пилота, такие как стабильность в квалификации, умение беречь шины и результативность в меняющихся условиях.

Такой подход, основанный на данных, развивает идеи, предложенные ранее такими специалистами, как Нил Мартин, который внедрил в спорт симуляционное и вероятностное моделирование в период работы с McLaren и Ferrari.

Машинное обучение в дизайне болидов и аэродинамике

Болиды Формулы-1 генерируют колоссальные объемы данных. По данным Financial Times, каждый автомобиль оснащен более чем 300 датчиками и передает свыше миллиона единиц данных в секунду.

Эти данные напрямую интегрируются в аэродинамическую разработку. Команды используют AI-усиленные симуляции CFD (computational fluid dynamics), чтобы тестировать тысячи конфигураций без создания физических прототипов. Модели машинного обучения позволяют выявлять неэффективности в обтекании и помогать инженерам оптимизировать конструкции в более ко��отких циклах разработки.

Машинное обучение также активно используется в технологиях, ориентированных на зрителей. Прогнозы в реальном времени — включая вероятность обгона, остаточный ресурс шин и сравнение темпа — теперь интегрированы в прямые трансляции с использованием аналитических платформ AWS, работающих на базе AI.

Будущее развитие и генеративный дизайн

Исследования в области ИИ и автоспорта продолжают активно развиваться. В Университете Болоньи команда разрабатывает multi-agent reinforcement learning-модели для симуляции полноценных гоночных сценариев. Они включают всех пилотов, внешние переменные, такие как погода, а также события в гонке — пит-стопы, периоды safety car и прочее.

В области дизайна инженеры начинают применять архитектуры на основе трансформеров, аналогичные тем, что используются в больших языковых моделях, для генерации новых компонентов болида. Один из примеров — использование моделей в стиле Attention Is All You Need для поиска альтернативных геометрий заднего крыла и оптимизации решений по обтеканию.

В операционных процессах команды внедряют гибридные AI-системы. Согласно данному кейсу, такие модели помогают инженерам фильтровать телеметрию, прогнозировать гоночные риски и выдавать actionable-инсайты в реальном времени.

ИИ и потолок расходов: оптимизация производительности в рамках лимитов

С 2021 года Формула-1 работает в условиях бюджетного потолка, введённого для по��ышения финансовой устойчивости и конкурентности спорта. При годовых бюджетах, ограниченных примерно £107 млн (с увеличением до £170 млн к 2026 году), команды вынуждены гораздо тщательнее подходить к выбору направлений затрат и разработки.

Машинное обучение применяется для сокращения издержек в аэродинамической разработке. Вместо того чтобы физически изготавливать и тестировать сотни компонентов, AI-усиленные CFD-модели позволяют цифровым образом симулировать тысячи вариаций и выделять наиболее перспективные для дальнейшей проработки.

Производственные процессы также совершенствуются. В изготовлении композитных материалов автоматизированная укладка волокна теперь поддерживается предиктивными алгоритмами, которые регулируют такие параметры, как давление, температура и скорость укладки, минимизируя отходы и повышая стабильность качества.

В операционном и финансовом управлении команды используют AI-инструменты планирования для тестирования различных сценариев бюджета. Эти симуляции помогают определять, как распределять ресурсы между исследованиями, разработкой, логистикой и персоналом при строгом соблюдении регламентов FIA.

McLaren уже внедрила AI и облачные системы для оптимизации процессов от проектирования до гоночных операций. По данным Reuters, и другие команды начинают заменять физические датчики и тесты виртуальными симуляциями, что позволяет экономить время и снижать затраты.

Заключение

Искусственный интеллект меняет то, как команды Формулы-1 готовятся, соревнуются и развиваются. От симуляции гонок до проектирования деталей и прогнозирования износа шин — машинное обучение становится частью базовой инфраструктуры спорта.

Эти инструменты не заменяют человеческое суждение, а подкрепляют его.

  • Стратегические решения по-прежнему принимают инженеры.

  • Идеи для разработки по-прежнему рождаются у дизайнеров.

Но всё чаще именно AI становится системой, которая поддерживает каждое решение. Формула-1 всегда эволюционировала за счёт технологий. Сегодня эта эволюция ускоряется, и ИИ играет ключевую роль в том, куда она движется дальше.