En el automovilismo de élite las ventanas estratégicas duran pocos segundos: un pit-stop adelantado una vuelta puede valer un podio, uno tardío puede costar el campeonato. Los equipos de Fórmula 1 generan más de 100 GB de datos por cada fin de semana de carrera y, sin embargo, la capacidad de un ingeniero para sintetizar señales en competencia en tiempo real sigue estando intrínsecamente limitada por la cognición humana. Con márgenes de rendimiento medidos en milésimas de segundo, la ventaja competitiva reside ya por completo en la velocidad del insight.
El desafío no era entrenar un modelo con datos históricos. Era construir un sistema capaz de razonar sobre streams en vivo heterogéneos (CAN-bus, sensores IMU, presión de neumáticos, imágenes térmicas, GPS a 1 kHz) con una latencia inferior a la de una sola comunicación por radio. En paralelo, los modelos CFD en tiempo real exigían una simulación del flujo aerodinámico lo bastante fiel como para ser operativamente útil, pero lo bastante rápida como para ejecutarse durante el evento, no horas después.
Zeklar diseñó una arquitectura de tres niveles: una capa de ingest en Rust que normaliza y marca temporalmente cada señal en menos de 200 µs desde su llegada; un motor de inferencia multimodal basado en transformers entrenado sobre un corpus propietario de 14 temporadas de telemetría F1 anotada, acompañado de un LLaMA 3 fine-tuned sobre reglamentos FIA, briefings de los ingenieros y transcripciones de radio; y una capa de visualización que renderiza los campos CFD en NVIDIA Omniverse y los transmite al muro de boxes mediante una consola WebGL/Three.js. Los modelos de degradación de neumáticos combinan redes neuronales físicamente informadas con feedback térmico en vivo, superando el 94% de precisión por vuelta.
Inferencia sub-2 ms
El pipeline de telemetría, desde la recepción de la señal en bruto hasta la recomendación de voz sintetizada, se completa en promedio en 1,2 ms, muy dentro de la ventana de decisión de un ingeniero de carrera.
CFD generativa en tiempo real
Un surrogado neuronal entrenado sobre 40 millones de soluciones CFD offline reproduce campos completos de flujo aerodinámico a 60 fps, eliminando los ciclos de simulación tradicionales durante el fin de semana de carrera.
LLM motorsport-native
Fine-tuned sobre más de 8.000 horas de transcripciones de radio, documentos técnicos FIA y briefings internos, produce un razonamiento contextual que los ingenieros describen como indistinguible del de un experto humano.
Predicción de degradación de neumáticos
Las PINN híbridas predicen la ventana de cliff con un error medio de 0,8 vueltas sobre un horizonte de 15, 3× más precisas que los modelos estadísticos anteriores de la escudería.
Descubrimiento y arquitectura de datos
Mapeo de cada flujo de telemetría, acuerdos sobre los datos con los proveedores de sensores y diseño del esquema de ingest Rust de alta frecuencia.
Entrenamiento y fine-tuning
Entrenamiento del surrogado CFD en un clúster A100 y, luego, fine-tuning del LLM sobre el corpus de motorsport curado junto a los ingenieros de la escudería.
Integración en tiempo real
Conexión del stack a los sistemas del garaje vía Kafka, optimización de la latencia end-to-end y validación del comportamiento determinista en condiciones de carrera simuladas.
Despliegue y go-live
Rollout progresivo en tres Grandes Premios de desarrollo, integración del feedback en vivo de los ingenieros y hardening para la temporada 2027.
En la temporada 2027 la escudería registró la tasa de ejecución estratégica más alta de los últimos diez años, con tres victorias atribuidas a ventanas de pit-stop identificadas por NEXUS con 4–6 vueltas de anticipación sobre los modelos rivales. El sistema está hoy clasificado como infraestructura crítica para el programa por el título de 2028.