阅读研究雷达投资体系
登录 / 注册
← 返回阅读
资讯实质变化1 分钟阅读DisconfirmAI 编辑部

CoreWeave称与阿斯顿马丁合作部署机器学习模型,将F1风洞至赛道气动预测误差降低50%

CoreWeave与阿斯顿马丁车队合作开发AI模型,利用小样本数据预测风洞与赛道性能差异,据称将预测误差减半。

2026-11-17 06:53

云计算公司CoreWeave宣布,其与英国一级方程式赛车(F1)车队阿斯顿马丁·阿拉姆科(Aston Martin Aramco)合作开发的机器学习模型,已将预测车辆赛道空气动力学性能的误差降低了50%。该模型旨在解决风洞测试数据与实际赛道表现之间的“delta”(差异),使工程师能在周五练习赛之前更准确地校准赛车设置。

在F1中,风洞是理想的受控环境,但赛道上的速度、刹车、过弯负载、路肩高度及脏空气等因素会导致下压力和阻力发生动态变化。传统上,车队需要在周五练习赛中花费宝贵时间来发现并修正这种预测偏差。CoreWeave的Physical AI Field Engineering团队与阿斯顿马丁的车辆科学团队合作六周,通过共同进行特征工程,从每站比赛有限的、噪声较大的遥测数据中提取有效模式。

据CoreWeave官方博客介绍,该项目面临的主要挑战是小而嘈杂的数据集:尽管遥测数据以100Hz频率流式传输,但经过降采样和去噪后,每个周末可用的有效数据量非常有限。团队尝试了统计方法和经典建模技术,最终一种新颖的现代建模方法表现优于现有解决方案。该模型已在2025赛季阿布扎比决赛前交付,并在2026赛季的每周赛前用于指导组件选择和设置优化。

阿斯顿马丁首席技术官Enrico Cardile表示,风洞仍是参考基准,但赛道才是决定性能的地方;新模型让车队带着更清晰的预期抵达赛场,从而将练习时间用于微调而非探索。这一案例展示了AI在物理工程领域的应用潜力,即如何通过领域专家与算法工程师的协作,在数据稀缺场景下提升对物理现实的预测能力。

来源

  • wf.coreweave.com↗
带入研究 →
登录 / 注册
阅读研究雷达投资体系