ZDNet至顶网软件频道消息(文/蒋湘辉):在风靡全球的一级方程式赛车(F1)运动中,车手的经验和状态,赛车发动机、刹车和轮胎的性能以及赛事规则的调整是影响比赛成绩的最主要因素。而在大数据时代来临之际,数据分析也已经成为迈凯轮车队角逐F1赛场的新武器。
在4月举办的F1上海大奖赛期间,迈凯轮车队工程总监Matt Morris在接受ZDNet采访时表示,“迈凯轮的核心业务是 F1 赛车,作为一项数据密集型运动,它对技术的灵活性和持续性提出了很严格的要求,在每个周末举办的分站赛上,我们都要基于数据收集和评估的结果,为两名车手——巴顿(Jenson Button)和马格努森(Kevin Magnussen)设计并制定比赛策略,包括赛车的空气动力装置、赛车轮胎的合成材料及时间,以及进站时间点的安排。”
图注:迈凯轮车队工程总监Matt Morris(右)和Luke(左)接受采访(蒋湘辉 摄)
Matt Morris表示,在大奖赛的每条环形车道、练习或测试部分,我们的 F1赛车都会生成数量庞大的性能数据。能够处理这类数据、并迅速及时地采取行动,对于生成能够扭转比赛结果的智能指令至关重要。在为期三天的周末比赛中,每辆赛车产生的数据在压缩后也多达10GB,而每一个分站赛事所产生的信息总量则超过3TB。
“每一辆F1赛车上会有200余个传感器,这些传感器监控的主要参数包括:每辆赛车在赛道上的位置、赛车的速度、赛车的档位情况、发动机转速、油门和刹车承受的压力、赛车承受的重力、赛车中各种流体的压力(包括液压、水压、油压、轮胎气压以及燃料压力)、轮胎温度、刹车温度、刹车磨损情况、燃油油位以及动能回收系统(KERS)的电池电量。”
“团队在车库能够对这些传感器进行监控,确保每辆赛车保持最佳性能,并在出现故障或需要做出调整以提升赛车性能时,向赛车手提出预警。此外,所有赛车手都会收到一份包含每圈赛况的打印资料,以便他们了解自己在哪些环节超越或者落后于队友。”
图注:在上海F1大奖赛维修区出发的22号迈凯轮车手巴顿(蒋湘辉 摄)
由于F1赛事产生的数据量非常大,迈凯轮车队对IT系统的要求也有很高。据悉,迈凯轮车队的母公司迈凯轮集团早在10年前就部署了SAP的ERP系统来管理集团的人事、财务等核心业务,而2012年5月,该集团还决定采用SAP的HANA、移动应用方案和云计算服务。据悉,迈凯轮车队使用HANA后,可在更短的时间内获取更全面和准确的信息,并通过比较历史数据发现问题,使车手专注于如何在未来的比赛中获胜。
”SAP的HANA系统非常好用,比如来上海比赛前,我们在英国总部想看前一年上海站在32圈第9个弯道发生了什么事情,那辆赛车的车况,SAP将会帮助我们在9秒钟之内将所有的数据显示出来,而在部署SAP HANA之前差不多需要1个小时才能展示这些数据。“迈凯轮车队工程部人员Luke表示,“我们每年在匈牙利站比赛时都在夏天,地表温度经常会超过50摄氏度,而F1赛车的刹车通常在一千度时就不能使用,车手就需要根据地表温度数据来控制刹车系统。”
Luke还告诉ZDNet记者,“一般来说一辆F1赛车上的各种零件要超过1万种,这些零件需要经常更换以保证每一个零件在用的时候都在它最好的状态。所以我们也用SAP系统来跟踪每个部件的保质期及使用时间。”
图注:在上海F1大奖赛维修区出发的20号迈凯轮车手马格努森(蒋湘辉 摄)
Matt Morris还透露,目前迈凯轮车队在英国总部大约有200位数据工程师,以往去飞往世界各分站赛事的随队工程师数量大约为20人左右,而部署SAP的HANA和云计算方案后,随队工程师的人员已经可以减少到10~12人。
据悉,从比赛开始,迈凯轮的工程师团队的工作人员便开始监控赛车和来自大赛组织者的所有实时遥测数据,并利用预测分析决定团队在各种可能出现的场景中应采取的对策。该预测分析流程会随着比赛进程的推进自行更新,因此,一旦赛道上有事故发生,任务控制中心的团队便能立即告知比赛团队应采取的措施,而无需比赛团队自己花时间去考虑如何应对。
Matt Morris还告诉ZDNet记者,由于数据量巨大,该车队的数据目前还不能在移动终端上全面展示,不过该车队有望2015年能够部署上线移动解决方案。
图注:迈凯轮车手巴顿在比赛中的实时数据会在这些终端上显示。据迈凯轮工作人员介绍,由于同一车队的两名选手也存在竞争关系,所以在随队比赛的十余名数据工程师中,只有两名工程师可以同时看到两名选手的数据。(蒋湘辉 摄)
好文章,需要你的鼓励
Meta宣布为Facebook Dating推出AI聊天机器人助手,帮助用户找到更匹配的对象。该AI可根据用户需求推荐特定类型的匹配者,并协助优化个人资料。同时推出Meet Cute功能,每周提供算法选择的"惊喜匹配"。尽管18-29岁用户匹配数同比增长10%,但相比Tinder的5000万日活用户仍有差距。AI功能已成为约会应用标配,Match Group等竞争对手也在大力投资AI技术。
字节跳动团队提出RewardDance框架,首次系统性解决视觉生成中的奖励模型扩展问题。该框架通过将奖励预测转为生成式任务,并将模型规模扩展至260亿参数,同时集成任务指令、参考样例和推理能力,有效解决了"奖励作弊"问题。实验显示,在文本生成图像任务中质量提升10.7分,视频生成性能改善49%,达到行业领先水平,为AI视觉创作提供了更强大可靠的技术基础。
Neo4j认为已找到让生成式AI访问图数据库记录的方法。图数据库专注于数据点之间的关系建模和查询,在欺诈检测、推荐引擎等场景中表现出色。2024年4月,ISO批准了图查询语言GQL标准,Neo4j的Cypher查询语言完全符合该标准。现代工具提供拖拽式工作流程,GenAI可作为自然语言接口,将用户请求转换为Cypher查询。
ByteDance团队开发的Mini-o3系统通过深度多轮推理突破了传统AI视觉理解的局限。该系统能像人类侦探般进行几十轮的视觉探索,在困难的视觉搜索任务上准确率达48%,相比现有模型提升显著。核心创新包括挑战性的Visual Probe数据集、多样化推理策略训练和突破性的过轮掩码技术,实现了测试时思考轮数的自然扩展。