賽車揭示了與 AI 合作的哪些道理——OpenAI Podcast 第 22 集（第 2/3 段）

🧑‍🏫 這段是 OpenAI Podcast 請到跟賽車隊合作的講者，談 AI 在分秒必爭的賽車場上實際幫了什麼忙：整理資料、補上溝通落差、讓小車隊也能跟大車隊拚。雖然講的是賽車，但「資料散在 Excel 和人腦裡、同事之間講不通」這種問題，很多工作場合都有，所以很值得參考。

• 13:48 車隊工程師經驗豐富，會自己把車調好，外人不必教他們怎麼做，所以要找其他能幫上忙的面向。
  ↳ 車隊工程師本來就很會調車，AI 不需要去教他們調校。真正該找的，是他們還沒被照顧到、AI 能實際補上的地方。
• 13:48 講者認為車手是目前 AI 很能幫忙的地方：打破溝通障礙。不是每個車手都是工程師，也不一定都懂別人傳達的內容。
  ↳ 講者認為 AI 最能幫的是車手。車手不一定有工程背景，工程師講的東西未必聽得懂，AI 可以在中間當翻譯。
• 14:18 有些車手可能只是點頭說懂了；這不代表他們沒在努力理解。
  ↳ 車手點頭說「懂了」，不一定是真的懂。這不是不認真，而是內容太專業。這種落差正是 AI 能補的地方。
• 14:18 過去車手可能要花四到五小時研讀的資料，現在可用 AI 整理成易讀、好消化的內容，讓車手從練習報告知道正賽該怎麼做。
  ↳ practice report 是練習賽後給車手的資料，用來決定正賽怎麼開。以前要讀四五個小時，現在 AI 能整理成好讀的重點。
• 14:50 當車隊那邊都已處理到位，講者會直接轉去協助車手；在 NASCAR 這邊也和車手有很多來回。
  ↳ 車隊技術面都顧好了，講者就轉去幫車手。在 NASCAR（美國很熱門的房車賽系列）那邊，他也常跟車手來回溝通。
• 14:50 把資訊交給工程師、再由工程師傳給車手，就能做出更有依據的判斷；更快做到這件事就是關鍵。
  ↳ 資訊先交給工程師，再由工程師轉給車手，判斷就更有根據。關鍵在「快」：同樣的判斷，越早做出來越有用。
• 15:22 主持人提到：每條賽道形狀不同、各有特性，很多知識卡在車手或維修人員腦中；講者同意把這些轉成 Codex 或 ChatGPT 能讀的格式很有幫助。
  ↳ 每條賽道都有自己的特性，這些經驗多半只存在車手和技師腦中。整理成 Codex（OpenAI 的寫程式 AI 工具）或 ChatGPT 讀得懂的格式，才用得上。
• 15:52 很多領域的資料都在 Excel 裡，賽車界尤其如此；模型能處理 Excel，但那不是它們最擅長的格式。
  ↳ 賽車界的資料大多放在 Excel。AI 讀得了 Excel，但那不是模型最擅長處理的格式，效果會打折扣。
• 15:52 賽車向來講究「人與機器」如何盡量無縫合作，這是賽車和 stick-and-ball sports 不同的獨特之處。
  ↳ man and the machine 指賽車一直在追求人和車配合得天衣無縫。這是賽車和 stick-and-ball sports（棒球、籃球這類球類運動）最不一樣的地方。
• 16:25 AI 屬於機器那一端；重點不只是讓 AI 配合人現在的工作方式，而是兩者一起演進，人也要學會如何和模型溝通。
  ↳ AI 是「機器」那一邊。不只是讓 AI 遷就人現在的習慣，人也要學著怎麼跟模型講話，雙方一起調整。
• 16:55 最有趣的問題在「軟介面」：數字、telemetry 這類資料，早就有腳本、繪圖演算法等傳統軟體工具可處理。
  ↳ 數字和 telemetry（車上感測器傳回的速度、轉速等數據）早就有程式和繪圖工具能處理。難的是 soft interface：軟性資料怎麼接上硬數據。
• 17:27 車手描述的車感、工程師在一節練習中記下的筆記也是資料，但難整理、難檢索，也難和 ECU 等系統的硬數據對照。
  ↳ 車手描述的車感、工程師的練習筆記都算資料，但很難整理、很難搜尋，更難和 ECU（車上控制引擎、會記錄數據的電腦）的數字對起來。
• 17:57 AI 能幫忙補上這個缺口，把軟硬資料整合成單一資料集，供後續各種用途使用。
  ↳ AI 可以把口語描述、筆記和硬數字整合成同一份資料，之後不管要分析、查詢還是做其他應用都方便。
• 18:28 談到與老牌車隊競爭：很難知道各車隊內部在做什麼，但聽過一些風聲，ML 方面可能有很多事正在進行。
  ↳ 老牌車隊內部在做什麼，外人很難知道。但講者聽說不少隊在 ML（機器學習，讓電腦從資料裡找規律）上已經有動作。
• 18:28 他們做的東西等於讓任何車隊都能「組一群工程師」：收集那些伴隨硬資料、卻常被忽略的細節，拼出最清楚的全貌。
  ↳ 他們的工具像幫車隊多請一批工程師：把跟著硬數據出現、卻常被忽略的細節收集起來，拼出完整的狀況。
• 18:59 就像擁有八位工程師；NASCAR 的大車隊有多名工程師各司其職、各看各的資料，開會時再彙整，但不是每隊都負擔得起。
  ↳ NASCAR 的大車隊有好幾位工程師分工，各看各的資料，開會時再彙整。小車隊請不起那麼多人，AI 讓他們也能做到類似的分工。
• 19:29 這些工具不會取代整隊工程師，但能讓中小型車隊更接近賽場上強隊的水準。
  ↳ AI 不會取代整個工程團隊，但能幫中小車隊縮短和強隊之間的差距。
• 19:29 AI 能提升個人能做的事；許多車隊受限於時間。Chip Ganassi 整體來說規模不大，不到 200 人，每個人都身兼多職。
  ↳ 車隊最缺的是時間。Chip Ganassi（講者合作的車隊）不到 200 人，每個人都身兼多職，AI 能讓一個人做得更多。
• 20:02 AI 或 ML 工具讓人把事情做得更快，就能騰出時間和心力，去研究原本想做但被往後排的問題，那可能正是下一場比賽的優勢。
  ↳ 事情做得快，就有餘力去研究一直被往後排的問題，而那些問題可能正是下一場贏過別人的關鍵。
• 20:32 對賽車隊來說，時間是衡量一切的單位；把所需物品送到全國、有時甚至全球各地的賽道，是龐大的物流工作，AI 可以協助。
  ↳ 對車隊來說時間就是一切。要把裝備運到全國、甚至國外的賽道，是很大的物流工程，AI 在這裡也能幫忙。
• 21:02 AI 能協助零件追蹤，例如比賽週末脫落、損壞或需要更換的零件；Chip Ganassi Racing 在每個部門都在找 AI 能應用的地方。
  ↳ 比賽週末常有零件掉落、損壞或需要更換，AI 能幫忙追蹤。Chip Ganassi Racing 每個部門都在找能用 AI 的地方。
• 21:02 常常一個人要負責很多角色和專案，他們希望用 AI 減少工作中最重複、最容易人為出錯的部分。
  ↳ 一個人扛好幾個角色很常見。他們想把最重複、最容易手滑出錯的工作交給 AI，讓人專心做需要判斷的事。
• 21:34 講者和車隊合作時通常要求非試算表格式的資料，因為公司配發的 MacBook 和 Excel 不太合，車隊會先幫忙轉好格式。
  ↳ 講者通常請車隊不要給試算表，因為公司配的 MacBook 用 Excel 不順，所以車隊會先把格式轉好再交給他。
• 22:05 通話時看到的試算表資料多到彷彿能無限往左或往下捲動；有個玩笑說試算表是 Turing-complete，什麼都能在裡面做出來。
  ↳ 試算表大到好像往左、往下永遠捲不完。有個玩笑說試算表是 Turing-complete（理論上什麼計算都做得到），意思是大家真的什麼都往裡面塞。
• 22:35 試算表的複雜不只在資料輸入，還有標色、連結、公式；講者肯定 Chase 和 RaceTek 嘗試直接處理這類資料，讓車隊看見另一種做法。
  ↳ 試算表難懂不只因為資料多，還有標色、連結和公式。講者肯定 Chase 和 RaceTek 直接挑戰這種表格，讓車隊看到另一種做法。
• 23:08 和 Chip Ganassi 也經歷類似過程：說服對方把資料轉成 AI-native 格式值得投資，因為模型能讀懂的格式可以帶來許多後續成果。
  ↳ 和 Chip Ganassi 合作時也一樣，要說服他們把資料轉成 AI-native format（模型能直接讀懂的格式）。前期要花工夫，但之後很多應用都靠它。
• 23:08 模型也在進步，所以每三個月測試一次 state of the art，看模型能否處理更上游的資料，減少轉成 AI 能懂格式的前置工作。
  ↳ 模型一直在變強，所以他們每三個月測一次 state of the art（當下最先進的模型），看能不能直接讀更原始的資料，少做轉檔。
• 23:38 回到人與機器：AI 會越來越貼近人，但靠的是我們嘗試的方式與流程；打造 AI 的人要找出差距，才能把它縮小。
  ↳ AI 會越來越懂人，但要靠實際試用、跑流程慢慢磨出來。做 AI 的人得先看出它和人之間差在哪，才有辦法縮小差距。
• 24:11 每場比賽、每次嘗試都像一場實驗，要量測例如輪胎前後重量等細節，這些都得非常仔細地追蹤。
  ↳ 每場比賽都像在做實驗，連輪胎前後重量這種細節都要量，也都要仔細記錄下來。
• 24:11 這些 Excel 背後有多位工程師，各自專注於單一工程任務，也各自建好了自己的工作流程。
  ↳ 這些 Excel 背後是好幾位工程師，每個人專管一項任務，也各自有自己習慣的做法。
• 24:44 隨著軟體演進，隔閡開始被打破；講者認為 AI 很擅長打破車隊內部的高牆與溝通障礙。
  ↳ 軟體進步後，部門之間的隔閡開始鬆動。講者認為 AI 特別擅長拆掉車隊內部各自為政的牆。
• 24:44 工程師自己做的 Excel 程式，crew chief、技師或其他工程師不一定懂；現在可以做出更簡單的版本，讓大家都能參與、理解。
  ↳ 工程師自己做的 Excel 流程，crew chief（帶領維修團隊、負責調車決策的現場負責人）和技師不一定看得懂。現在能做成簡單版，讓大家都能參與。
• 25:17 講者說 NASCAR 和 IndyCar 都是資料非常密集的環境，現在必須想辦法把東西簡化。
  ↳ NASCAR 和 IndyCar（美國另一個主要賽車系列）都是資料量非常大的環境，現在的課題是把東西變簡單。
• 25:48 大家都有共識時才能往前推進、做出成績；而資料流只會越來越難處理。
  ↳ 團隊要有共識，事情才推得動、做得出成績。資料只會越來越多、越來越難管，所以更需要簡化。
• 25:48 講者認為賽車界現在正處於「data wars」，IndyCar 和 NASCAR 都可能是如此。
  ↳ 講者形容賽車界正在打 data wars（資料戰），意思是每一筆資料都可能影響勝負，大家都在比誰掌握得好。
• 26:18 每筆 telemetry、每張手寫筆記、每個點子、每個策略念頭都很重要，現在都能記錄下來並拿來執行；資料就是賽車的一切。
  ↳ 感測器數據、手寫筆記、臨時想到的點子或策略，現在都能記錄下來，也能拿去執行。講者的結論是：資料就是賽車的全部。
• 26:18 主持人提到：講者長期關注這個領域，在 ChatGPT 出現後看到切入點，其他人若這樣想，可能也有機會。
  ↳ 主持人點出：講者長年關注賽車，ChatGPT 一出現就看到切入點。其他人用同樣的眼光看自己熟悉的領域，也可能找到機會。
• 26:49 講者的建議：先甩掉對 AI 的刻板印象，保持開放與好奇，去了解有哪些工具、可以怎麼用。
  ↳ 講者建議先放下對 AI 的成見，保持好奇，去看看有哪些工具，在自己的工作裡可以怎麼用。
• 27:19 用 AI 時一定會有輸出，但關鍵在輸入：你怎麼和模型溝通、你的意圖是什麼、你怎麼說。
  ↳ AI 一定會給你答案，但答案好不好取決於你給它什麼：你怎麼描述需求、想達成什麼、有沒有說清楚。

影片中提到，因為模型也在進步，他們多久測試一次 state of the art，看模型能否處理更上游的資料？