AI會改變Dirt Trial的車輛調校嗎?——資料分析與路面適應的最前線
每趟約兩分鐘,計時只有兩趟。資料這麼少,AI能學到什麼?——DirtMan從車手的視角發問
AI已開始真正滲透進賽車運動的工程領域。遙測資料分析、單圈時間預測、輪胎衰退建模——在WRC和一級方程式中,這些早已是現實。那麼,日本獨有的賽事Dirt Trial又如何?路面時刻在變,只有一次性的計時衝刺,預算又十分有限——在這樣特殊的環境裡,AI究竟能發揮到什麼程度?DirtMan結合自身的競賽經驗,提出他的思考。
如今,數據是頂級賽車運動的核心。一輛F1賽車搭載著數百個感測器,車隊在每個比賽週末都會仔細研讀記錄下來的資料。那麼,在Dirt Trial這樣的運動中,人工智慧會不會有一天也能幫上車輛調校的忙?身為一名Dirt Trial車手,我對這個問題充滿好奇,同時也保持謹慎——因為這項運動格外難以只憑數字來解讀。
首先,資料少得驚人。在Dirt Trial中,賽車一輛接一輛跑賽道,一趟大約兩分鐘,每位車手只有兩趟計時機會,取較快的一趟。全日本錦標賽的基本形式通常是週六進行公開練習,週日跑兩趟正式比賽。整個週末下來,每輛車也只跑寥寥幾趟。機器學習要有大量資料才能發揮威力,而Dirt Trial能提供的資料少之又少。
其次是情況變化之快。全部賽車跑完一輪可能要花兩到三個小時,這段期間非鋪裝路面隨著一輛輛車駛過而不斷改變。今年6月在福島縣惠比壽舉行的第5站,10個組別的冠軍全都在第二趟跑出最佳成績,PN2的冠軍第二趟快了將近九秒,從1:36.720進步到1:27.951。用第一趟資料訓練出來的模型,到了第二趟很可能指錯方向。何況車手所依賴的許多資訊根本難以記錄:走賽道時腳底感受到的地面,座椅和方向盤傳來的賽車的「聲音」。
但這不代表AI在這裡毫無用處。如果用更樸實的方式,我能想到它可以幫忙的地方。把多年的調校紀錄、胎壓、天氣和成績集中在一起,原本只存在於記憶中的規律,也許就能跨越賽季浮現出來。還可以比對第一趟和第二趟的車載影像。公開的成績表上列有兩趟的時間,有的甚至列出每輛車的輪胎品牌;從中可以更犀利地追問:對手究竟是在哪裡找到了時間。這些都無法取代判斷,卻可以讓判斷更敏銳。
最終,做決定的仍然是站在起跑線上的人。走賽道時的感覺、先出發賽車的表現、留在手心的觸感——憑著任何模型都沒有的資訊,由人來決定。真正的問題不是機器能否替我們跑完賽道,而是它能否讓我們記得更牢、比得更準、察覺得更多一點。在一條從不保持原樣的路面上,光是這一點,或許就能帶來不同。
This column space is a paid placement for sponsor companies. Exposure across all World Stage Journal articles, distributed in 23 languages worldwide.
Inquire About Placement →Share this article
Comments
0Related Articles

我為何選擇砂石計時賽 — DirtMan
引領我走進砂石計時賽的,是全日本冠軍的叔父。我本來就熱愛WRC和拉力賽,一直夢想著有朝一日能在礫石路上奔馳,叔父的邀請讓我第一次踏上了砂石賽道。那一天的感覺——恐懼與興奮同時湧來的那個瞬間,成了我今天…
從轉播畫面到社群動態——社群媒體如何進入賽車贊助
長期以來,賽車上一塊標誌的價值主要看它在電視上出現了多少次。如今,社群媒體也被納入了這筆帳。公開的測量數據顯示了社群媒體在頂級賽事中能帶來多少附加價值;至於這能在多大程度上延伸到基層賽事,則是另一個問…
從越野計時賽到越野拉力賽——轉型指南與現實的每一步
「如果打越野計時賽,應該也能在拉力賽中派上用場吧」——這個問題,相信不少車手都曾想過。越野計時賽練就的技術,確實與越野拉力賽的基礎有重疊之處。但越野拉力賽絕不是越野計時賽的延長線。認真考慮轉型的人,應…
FOUNDING READER
This journal exists because 100 people believed in it before the world did.
Seat #001 could be yours.