上一次F1赛车测试技术革命是发生在本世纪前十年的CFD技术，也就是计算机流体仿真技术，而人工智能很可能会成为下一次测试技术的革命。

人工智能在其算力方面要明显优于传统算法，对于F1赛车设计与测试而言，这种技术将大幅提高空气动力学分析效率，同时将大幅降低对于传统风洞和仪器的依赖。传统意义上的CFD技术是从描述物理现象的方程式开始，以达到预测空气动力学行为的目的，从而实现用虚拟技术对气流与相关表面相互作用时速度和压力场的演变。然而与现实相比，CFD模型总是会被简化，因为要想仿真完整的物理模型太耗时以及太浪费算力，因此测试工程师无法考虑所有细节，例如是否需要兼顾空气动力学甚至热力学、静态或瞬态以及涡流的规模等等。

即使是离真实场景最接近的风洞也有其局限性，例如底板离地高度与下压力之间的关联性，悬挂上下运动对于流体的影响等等，换句话说调查物理现象的可能性还取决于适合测量其指示参数传感器的可用性，更不用说气流温度和湿度对于测试的影响了。因此，CFD和风洞都是构建模型粗略想法的模拟工具，只有赛道才能提供最真实的数据。

其实人工智能用于F1测试技术最早可以追溯到上世纪九十年代，当时贝纳通车队就开发过一款神经网络技术，以研究如何提高其赛车的驾控性和车辆动力学，但因为当时计算机的算力根本无法支撑如此巨量的运算。与人工智能不同，CFD技术是基于已知的物理定律来研究空气动力学，而人工智能算法恰恰相反，它不会参考任何物理定律，唯一参与运算的是可用的数据，然后通过这些数据确定若干种趋势，以预测的方式来对同一对象在不同条件下的行为做出判断，因此，人工智能的“推理”是从已知的信息开始进行演绎的结果，而人工智能的有效性则由赛道、风洞和CFD数据的客观性决定。

自从人工智能大量应用于F1赛车的开发，目前机器学习的预测能力已经预判前车之后40米开外的湍流。而车队更是逐年的在增加对人工智能技术的投入，甚至还有车队专门利用训练一个计算模型来识别最具代表性的参数，比如某个空力套件的攻角、集合轮廓和表面曲率等等，而车队可以通过模型计算所得出的近300亿个组合中获得该空力套件设计的最优解，并且该算法还可以实现自我优化和迭代，但凡有个参数出现了变化，它也能再次得出一个最优解，这显然是CFD和风洞无法做到的，换言之CFD和风洞只会告诉你这种设计是否奏效，但它们无法像人工智能那样告诉你这是否是最优解。

当然人工智能也不是十全十美，首先它必须从预先存在的案例数据为起点，这时就必须让CFD和风洞为其提供基础数据，数据量越大，人工智能的准确性越高，所以作为F1赛车设计和测试这个应用而言，未来的趋势很可能是人工智能为主，而CFD和风洞为辅的基础构成，三者缺一不可。但为了消除不同车队在人工智能领域的差别，国际汽联很可能会出台类似于风洞及CFD测试时长的限制，否则数据越多、人工智能算法越先进以及算力越强大的车队一定会在竞争中占优。