国际商业机器公司与达拉拉利用AI模型将赛车气流模拟从数万小时缩短至数秒，助力车队在资源受限下实现性能飞跃。
概念性的勒芒原型车2(LMP2)
自20世纪60年代中期翼子板被引入赛车以来，气流便成了赛场上的绝对主宰。在那之前，设计师的目标是让车身像肥皂一样光滑以减少阻力，追求直线上的最高时速。直到吉姆·霍尔和科林·查普曼等先驱发现，空气不仅可以被避开，还可以被利用，通过产生下压力将赛车紧紧压在地面上，从而在弯道中获得惊人的抓地力。从此，赛车运动的逻辑被彻底改变了。
早期寻找空气下压力更像是一门“黑艺术”。当时风洞模拟尚处于起步阶段，车队大多依赖昂贵且危险的赛道测试。随着一级方程式赛车 (F1) 等赛事开始严格限制实地测试以削减预算，风洞成了研发的重心。设计师们会在投入昂贵的真车测试前，先用比例模型进行没日没夜的模拟。
随后，计算流体力学 (CFD) 模拟应运而生。这种在虚拟世界中模拟气流的方法比风洞更便宜，迭代速度也更快。如今，从一级方程式赛车 (F1) 到纳斯卡赛车 (NASCAR)，几乎所有顶级赛事的早期设计工作都在计算机内完成。 但问题随之而来，随着模拟精度要求的提高，计算成本也呈爆炸式增长。模拟一辆赛车需要成千上万个处理器小时，如果要考虑车身俯仰和偏航等动态变化，时间甚至会激增到数万小时。算力，成了赛车进化的新瓶颈。
为了打破僵局，赛车界开始求助于人工智能。与普通办公室环境不同，赛车设计领域没有遮羞布，车快不快，赛场上一看便知。国际商业机器公司 (IBM) 与顶级赛车制造商达拉拉 (Dallara) 在2026年4月30日发布的一项研究证明，利用物理AI模型，可以在几秒钟内完成传统方法需要数小时甚至数天才能完成的模拟，且误差极小。
你可能没听过达拉拉 (Dallara)，但你一定见过他们的作品。这家公司几乎承包了印地赛车 (IndyCar) 和超级方程式 (Super Formula) 等赛事的底盘制造，还为奥迪、法拉利和宝马等品牌制造勒芒赛车的碳纤维骨架。 在这项研究中，国际商业机器公司 (IBM) 将大量关于勒芒原型车2组 (LMP2) 的模拟数据喂给了一个名为“规范不变谱变换器” (GIST) 的神经网络。这套模型不仅能处理平滑的车身，还能精准模拟旋转车轮产生的尾迹与复杂的车底气流之间的互动。
在早期压力场建模中,将类似LMP2的赛车后扩散器角度从-2至+4度调整,典型的差价差(左)和新的基于物理的人工智能(右)的结果非常接近。
测试结果令人震惊。在模拟赛车尾部扩散器角度调整的影响时，AI模型的准确率与传统计算流体力学模拟几乎不相上下。但关键在于效率，传统模拟需要消耗数万个核心小时，而AI模型在单个处理器上几秒钟就跑完了。
在顶级的赛车圈层，这种技术的应用其实已经悄然开始。一级方程式赛车 (F1) 官方为了平衡性能，会根据车队的年终排名来限制其使用风洞和计算模拟的时间。冠军车队能用的算力最少，这逼着像红牛 (Red Bull) 这样的车队必须在有限的资源里榨取最大的价值。 他们正与一些初创公司合作，利用机器学习将原本1000次的模拟运行扩展为100万个有效数据点。
当然，这种“魔法”也有局限性。物理AI模型的准确性目前仅限于与其训练数据不远的一定范围内。这意味着设计师们需要极度关注数据的质量和模型的重新训练频率。 但毫无疑问，随着AI从幕后走向前台，空气动力学的“黑暗艺术”正在变成一场光速般的算法竞赛。
本文译自 Ars Technica，由 BALI 编辑发布。
