【要約】F1 in Belgium: The 2026 cars look pathetic on all the best racetracks [Ars_Technica] | Summary by TechDistill
> Source: Ars_Technica
Execute Primary Source
// Problem
F1ドライバーとチームは、2026年仕様の車両におけるエネルギー不足と、制御の予測不能性に直面している。設計上の制約が、レースの競技性と車両の制御性を著しく損なっている。
- ・エネルギー容量の不足: バッテリー容量が4MJと限定的であり、高速走行中に電力が枯渇する。
- ・走行性能の低下: 充電のために「リフト・アンド・コースト」を強いられ、本来の速度が出せない。
- ・制御のブラックボックス化: AIによるエネルギー配分が不透明で、ドライバーが挙動を予測できない。
// Approach
チームは、限られた電気エネルギーをラップ全体で効率的に運用するため、AIを用いたエネルギー管理戦略を採用している。しかし、この自動最適化が新たな課題を生んでいる。
- ・AIによるエネルギーデプロイメント: エンジンとモーターの出力を、走行状況に応じて動的に配分する。
- ・リソースのトレードオフ: 高速走行による出力確保と、バッテリー充電のための減速を最適化しようとしている。
// Result
現在の設計では、スパ・フランコルシャンのような高速コースにおいて、車両の性能が著しく低下している。最適化の試みが、かえって車両の信頼性と競技性を損なう結果となっている。
- ・出力の劇的な低下: セクター2などの区間で、F3並みの出力（450-500 bhp）まで落ち込む。
- ・予測不能な挙動: Mercedesの事例のように、直線での速度低下や制御不能な挙動が発生する。
- ・レースの質の低下: ドライバーが限界走行ではなく、充電のためのコースティングを余儀なくされる。
Senior Engineer Insight
> リソース制約下での最適化アルゴリズムが、システムの「観測可能性」を破壊する典型例だ。AIがエネルギー配分をブラックボックス化することで、物理的な挙動の予測が困難になっている。これは、高負荷なリアルタイム制御システムにおいて、最適化の代償としてデバッグ可能性や信頼性を犠牲にするリスクを示唆している。物理的なリソース（エネルギー）の限界を、不透明なソフトウェア制御で補おうとすることの危うさを物語っている。