重塑 IndyCar 比赛表现：Palantir 与 Andretti 在 AIPCon 8 发布 Race OS

摘要

AIPCon 8 开场环节，Palantir 正式发布与 Andretti Global 的合作成果——Race OS，一个基于 Palantir 本体论（Ontology）与 AIP 构建的赛车决策操作系统。IndyCar 系列共 11 支车队、27 个全职参赛名额，Indy 500 时增至 33 个，在公路赛道、街道赛道、短椭圆与高速赛道等全球多样环境中比赛，每场周末都伴随着海量数据与极短的决策时间。Race OS 的目标，是把分散在时序、遥测、GPS、视频、车手反馈等各个孤岛中的数据统一起来，让工程师与车手在几分钟内做出更明智的决策。

项目从连接到首个应用落地仅用了数周：约 5 天完成所有数据源接入，24 小时内交付可行动的应用。平台内已积累约 2500 亿个数据点，涵盖 2000 多个遥测通道。在赛道上的演示中，AIP 能从历史数据库中自动找出与工程师拟议改动最相似的过往设置，并给出背景故事；轮胎传感器监控应用更让车手自 Toronto 站后从未再遇到 TPMS（胎压监测系统）故障——传感器被提前识别电量耗尽风险并主动更换。

对车手 Carl Kirkwood 与高级仿真工程师 Zack Porter 而言，这项合作的价值在于把「时间」还给他们：赛后两到三分钟内自动生成轮胎抓地力报告，取代过去 30 到 50 分钟后才能手动汇总的分析；赛前 30 分钟即可对比历史最快圈速、设置与赛道条件。两人都强调，这套系统不是取代工程师，而是把正确数据更快地送到专家手中——「赢下比赛才是我们来这里的理由」。

正文

一、赛车的「时间竞赛」：数据割裂下的决策困境

Palantir 的 AIP 负责人 Jack Dobson 与 Andretti Global 的两位同事——IndyCar 高级仿真工程师 Zack Porter、车队 IndyCar 车手 Carl Kirkwood——在 AIPCon 8 开场环节介绍了这项合作。IndyCar 有 11 支车队、27 个全职参赛名额，Indy 500 时增至 33 个名额，在公路赛道、街道赛道、短椭圆与高速赛道等完全不同的场地类型中、在全球各地比赛，变量极多，团队必须在两节练习或排位赛之间极短的时间内协同决策。

从车手视角，Carl 描述了赛周末的真实节奏：媒体活动、驾驶、赞助商会面挤满了日程，真正面对数据的时间非常有限。车手要做的永远是寻找圈速（lap time）：看各计时段、速度曲线、油门曲线、刹车曲线、转向曲线，试图理解在哪里可以更快。因为比赛前的一切准备，归根结底就是让赛车围绕单圈或单计时段尽可能快。更麻烦的是变量太多——你经常需要把一段数据与另一段数据对比，然后不断掉进兔子洞，而时间总是不够用。「我们的运动本质就是时间」，Carl 说：赛道上的时间、看数据的时间、每种形式的时间都很宝贵，必须快速完成所有优化。赛道内的竞争，同样是赛道外的竞争。

而工程侧的问题，Zack 概括为「数据很多、工具很多、我们也很擅长」——同事们常说 Andretti 是「大数据还没流行之前就在做大数据」的车队——但数据困在孤岛里：计时与计分（timing and scoring）来自 IndyCar 官方，数据与遥测来自赛车，两者之间没有任何直接连接；设置数据库、计时计分数据库、时序数据库分属不同系统。过去想要回答「我们在这条赛道上的最快纪录是多少」这样简单的问题，你得凭记忆知道答案，再跳进那个赛段找到对应设置，再切换到别的程序找计时计分数据，再到另一个程序找关联的时序数据。

二、Race OS：以本体论统一数据、逻辑与行动

Race OS 就是针对这一困境的答案：它是两节之间所有工作的中枢。界面集成了计时计分快照、需要处理的传感器异常、天气信息、下一节倒计时，以及左侧一列代表所有工作流的应用。整个系统构建在 Andretti 独特的本体论之上——本体论是构成这支车队的数据、逻辑与行动的总和，也是赛道内外每个决策的汇聚点。

本体论意味着团队不再思考电子表格或数据集，而是思考日常工作接触的概念与实体：赛道、车手、赛段、圈速、表现。数据组件把以往互不相连的各类数据桶以有意义的关系统一呈现；逻辑组件把规则与判断叠加在信息之上，让系统更接近「驱动决策」；行动组件则允许在信息之上采取行动。Zack 强调，这套系统的意义在于让赛车工程师、性能工程师与系统工程师能更快决策：把赛道与计时段、赛段与计时、设置与所有关键拼图连接起来，统一呈现，工程师就能更早获得更充分的信息、做出更好的决定。

Carl 补充了车手的视角：赛段之间，他会先对比队友的数据与遥测，结合 GPS 数据与视频（赛道外机位、车载画面、甚至转播画面）拼出完整图景。工程团队的任务，则是把他的「感觉」——比如转向不足、出弯动力问题——转化为数据，在数据中找到支撑他描述的行动点，从而做出数据驱动的调校决定。「大多数时候数据是对的」，Carl 说，车手的主观感受与数据能对上的时候（大约九成情况），通常就会产生好的结果。

Jack 特别澄清：这一切不是为了取代像 Carl、Zack 这样的人——他们极其擅长处理数据——而是把正确数据更快地送到用户手中。屏幕上的应用只是已构建应用的一个子集，真正的威力在于：一旦基础数据就位、目标明确，应用会自然「掉落」出来，价值立刻显现。

三、从赛前设置到赛后复盘：AI 赋能的完整工作流

演示以长滩站（Long Beach）为场景展开，赛前 30 分钟是第一步：赛车设置。系统展示了一套过去用过的特定设置，本体论中不仅代表了车手本人，还有其赛道表现、圈速、分段成绩，甚至每条车手反馈——每次车手评论、以及工程师根据评论所做的每次调整，都被完整捕获。过去想从一位车手跳到「他在每场比赛的每次计时、每段表现」，需要穿越多个程序与数据库；现在一键直达。

AIP 的加入让这套系统更进一步：当工程师拟议一项设置改动时，AIP 自动在历史数据库中找出三套与此改动最相似的设置及其全部关联数据——列出设置差异、下方是关联的关键指标。Zack 直言「以前完全没有办法做到这一点」：提出一项设置改动，然后理解历史上做过的所有相关事情，这是一个全新的工具。AIP 还会主动提取背景信息：那一节出现过黄旗、某位车手冲出赛道等等，把设置数据与性能信息、赛段信息放在一起，而不是靠工程师回忆「我们当年为什么用这个设置」。每套设置都发生在不同年份、不同赛段、不同条件下，AIP 能讲述「我们如何走到这一步」的故事：每次出场相对场上的表现、与赛道历史最快参考成绩的对比、差异点在哪里——这解释了为什么某个方向值得尝试或应该放弃。

Carl 特别感慨：过去这类信息散落在不同文件夹、不同服务器里，「我记得我们去年这么做过」只能靠记忆；现在所有东西集中在一处，节省大量时间。「每一分钟都很重要——赛道外、赛道上，一切都重要」，这让他们能用有效的信息做出更有依据的决定。

赛后环节同样关键。系统自动捕获所有设置决策与本体的每次编辑，不断累积「面包屑」，成为下次可调用的资产。更激动人心的是遥测驱动的部分：赛后两到三分钟内，轮胎信息自动汇总完毕——轮胎在单圈内、整个赛段内抓地力如何演变。过去这需要轮胎工程师手动计算汇总，30 到 50 分钟后报告才发出，留给团队采取行动的时间所剩无几。现在，车手与赛车工程师在赛后五到六分钟的详细复盘里，可以立刻回答「轮胎压力发生了什么？胎温如何？跑了三四圈后为什么会有转向过度的感觉？」之类的问题，当场解开自己的疑问。Zack 坦言，很多这类分析以前经常被排在优先级后面，甚至要等到夜里工程师加班到午夜才能处理；现在几秒钟内就能点开、理解、然后继续前进。

四、传感器健康与异常检测：让数据本身可信

赛车数据最大的敌人是传感器本身。IndyCar 赛车不是温和的公路车——它们在赛道上被激烈驾驶、偶尔撞车，让每颗传感器保持最佳工作状态是一场永无休止的战斗。平台内已积累约 2500 亿个数据点，2000 多个遥测通道中很多是派生计算通道，还有大量团队并不需要的原始通道。传感器故障、数据缺失意味着关键信息空白，直接影响决策。

这里有一个生动的故事：在 Toronto 站，Carl 的赛车 TPMS 传感器在练习中失效——它不仅报告胎压，还报告胎温等大量代表性能的数据。工程师 Joe 和团队听到这个难题后，因为数据已经在被采集、解析，他们用约 24 小时就推出一款应用：系统工程师可以查看车上每一颗传感器（无论历史还是现行）的状态、上次运行时间、运行次数、电量水平，以及电量何时会低到需要把传感器退役的预测。自从这款应用上线，Carl 的赛车再没有出现过一次 TPMS 问题——传感器总在正确的时间被提前更换。这也是 Palantir 与 Andretti 合作方式的缩影：基础本体论就位后，听到团队反馈，24 小时甚至更短时间就能交付新应用，跟上赛道表现的演进与赛季的节奏。

Zack 还介绍了正在构建的异常检测调查工作流。过去，每份数据文件下车后，系统工程师靠人眼快速翻页检查关键传感器是否正常——人总会漏掉东西。现在用机器学习叠加在数据之上，标记那些「某圈某一瞬间闪断」、平时不会注意到的异常，自动汇总：看到了多少异常、它们反复出现在哪个弯角，是否要把问题标记给其他人跟进，甚至是否需要调整赛车的某个部件布局来预防问题。Zack 认为这正是更深层分析的价值所在：系统工程师非常聪明、把赛车保养得很好，但传感器如此之多，人总会遗漏一些东西；如果能更快地把更好的信息送到他们面前，他们会更轻松——也更高兴。

展望 2026 赛季，Carl 表示赛车运动永远在进化，休赛期的重点是研究哪些赛道是自己的最强项、如何继续改进，以及最弱赛道如何调整提升。Zack 的期待更直白：构建更多工作流，让赛车工程师能早一点下班、少熬夜、第二天不那么疲惫，做出更好的决策——因为赢下比赛才是他们在这里的全部理由。