在 F1（世界一级方程式锦标赛）头 30 年的历史中，赛车绝大多数都是很纯粹的机械怪兽，比拼的就是动力、轮胎和车手。到了 1977 年，莲花车队（注意它和路特斯 F1 车队并不一样）开始将更多的注意力放在空气动力学身上，尤其是地面效应。最后，人们常说的“下压力”这个概念就出现了。
莲花车队这种探索的结果就是著名的莲花 79 F1 赛车。这个极具独创性的艺术品，其底部的弧线就好像倒转过来的机翼，造成了赛车下方的低压区，和上方的高压区形成高低差，就赛车紧紧“压”在地上。
莲花 79 无疑是成功的，不用说这样的赛车自然会迎来对手们的模仿和挑战，每一个车队都在极力创新以实现最大化的下压力。其中最引人瞩目的莫过于布拉汉姆 BT46 赛车了，它竟然通过在尾部设置一个大型风扇装置来达成类似的效果。
赛车被下压力紧紧吸在地面上，带来了无与伦比的过弯速度，这不是好事吗？事实上，随着过弯速度越来越快，这对车手们造成了越来越大的压力，危险性也成倍提升。随着一系列事故的发生，最重要的是 1982 年车手吉尔斯·维尔纽夫的死亡，最终国际汽联决定禁止利用地面效应。
25 TFLOPS，不能再多了
我们已经知道了空气动力对 F1 赛车的重要性，几乎任何技术或工程学上的进步最后都要归结到空气动力上。F1 赛车追求极限，所以只要一家车队发现某个地方是国际汽联还没有约束过的，或是已有的规定是可以被新方法“巧妙”解读的，他们将会将这个发现利用的极限，甚至会稍微过界。这个做法自然会引来争相模仿，接着国际汽联就会颁布新规定加以限制。在 F1 的历史中，这个循环从未停止过。
所以你可以想见，F1 锦标赛发展到今天各种各样的规定肯定数量庞大 —— 加起来都得有个几百页。
举个例子，国际汽联规定每一支 F1 车队只允许使用 25 TFLOPS（万亿次浮点数运算每秒）的双精度运算能力还模拟赛车的气动。25 TFLOPS 其实并不多，要做个不太恰当的对比的话，大致相当于 25 块 Nvidia 初代 Titan 显卡加一起的性能。
有些奇怪的是，F1 还规定车队只能使用 CPU，不能使用 GPU。而且，他们必须清楚地证明自己有没有使用 AVX（高级矢量扩展）指令。如果没有，国际汽联将单个 Sandy Bridge 或 Ivy Bridge 核心视为 4 次浮点运算每秒；如果有，那就是 8 次。在赛季开始的时候，每支车队都必须将他们计算集群的具体规格提交给国际汽联，之后每 8 个星期提交一次测试日志。
尽管规定严苛，但总有优化的办法。雷诺车队此番就部署了新的计算集群，拥有很高的并行存储器。每一个计算节点和存储器都有专属的连接，这样就不会浪费任何一个浮点数在读写数据上了。雷诺车队的专家承诺说，不突破 25 TFLOPS 的限制，仍实现了更高的性能表现。事实上，每一家车队都有自己的一套优化方案。
有趣的是，这个规定看似很无理，其实它是符合车队利益的。10 年前没有这样的限制，导致各个车队开始了无休止的“军备竞赛”。为了胜过对手，不得不将大量的金钱投入在计算力的提升上，带来了沉重的负担。国际汽联限制每支车队每周只能有 25 小时的时间对新的车体设计进行风洞测试，也是基于同样的考虑。
有关数据的一切
我们看 F1 赛事的时候，大多数时间只关注飞驰的赛车，还有维修区里那些动作利落快速的工作人员。事实上，还有更多我们看不到的人在为比赛努力着。一个大型车队通常拥有超过 1000 人，然而国际汽联规定，只能有 60 名工程师和技术人员在赛道边上待命。为了绕开这个规定，每支车队比赛现场都会和总部建立高速的网络连接。
据了解，今年维修区内建立的网络连接速度达到 80Mbps，将现场的计算集群和总部的任务控制中心连接在一起。因此可以做到其中一部分决定是现场的工程师做出，但其余的都交给总部远程决定。
不过来自赛车本身的实时遥测技术却是被国际汽联严格限制的。尽管每一辆 F1 赛车上都有差不多 200 个高频传感器，但它和维修区的无线连接速度被限制在了 2Mbps，达到 10Mbps 的高解析度数据则被存储在赛车自身的发动机控制单元里，在比赛结束之前都不允许接触。
除去车手技术和赛车性能，最重要的恐怕就是对车辆数据的实时解读了。不说赢得比赛，很多时候这是车手完成比赛不可或缺的东西。实时遥测虽然受到限制，但它仍然非常重要。数年前刘易斯·汉密尔顿在工程师的坚持下来到维修区。后者不断强调赛车的轮胎出了问题，但汉密尔顿并没有感觉到，还以为座驾没事。
然而即使是有 200 个传感器的帮助，要实时找出问题所在也如大海捞针一般困难。在纷繁复杂的数据中找出有用且关键的信息，要怎么去最好地利用同样是一个让人头疼的课题。即使是在比赛结束之后，那也是繁重的工作。
有趣的是国际汽联并没有在这方面做严格的规定，所以只要付得起，多少个数据专家都能雇用，多大的数据算法都能用来解决这些问题 —— 这样下去当然不行，所以雷诺车队开始尝试 Azure 机器学习算法，算得上是赶上了“时髦”。其他车队也在采用各种各样不同的方案。那么机器学习算法究竟能起到多少作用呢？答案仍然没有出炉。