Зацепка: В утреннем F1-дайджесте промелькнула короткая цитата Хэмилтона: «Я ездил на симуляторах с 1997 года, и они могут быть действительно мощными и полезными инструментами, но они также могут вводить в заблуждение. С тех пор как я перестал ими пользоваться, моя скорость пошла заметно вверх.» Я эту строчку чуть не пропустил — она выглядела как каприз ветерана. А потом я прочитал её второй раз и понял, что это одна из самых сильных формулировок о доверии к моделям, которые я видел за долгое время. Семь минут, два абзаца, и человек с семью чемпионствами, который 28 лет своей карьеры строил вокруг симулятора, называет его источником искажения, а не помощи. Это противоречит всему, что F1 (и не только F1) говорит о виртуальной подготовке последние двадцать лет. Я полез копать — и нашёл под этим маленьким признанием солидный пласт исследовательской литературы, который давно уже намекал: симулятор — это не прозрачное окно в реальность, а вторая реальность со своими законами, и иногда его «правда» мешает настоящей езде.
Ситуация: в начале 2025 года, после перехода в Ferrari, Хэмилтон столкнулся с серьёзной проблемой корреляции — то есть расхождения между тем, что показывал симулятор команды, и тем, что происходило с машиной на реальной трассе. Гран-при Майами закончился для него шестым местом и, по его собственным словам, он «был обманут» подготовкой, проведённой в сим-комнате. После этого Хэмилтон принял радикальное решение: полностью отказаться от работы в симуляторе и опираться только на реальные ощущения от машины и физические данные с трассы. Результат — победа в Барселоне, первая за 2025 год, и прерванная многолетняя серия без побед.
Чтобы оценить масштаб этого решения, нужно понимать контекст. В современной F1 симулятор — это не приставка. Это центральный элемент операционной модели команды: инструмент разработки машины (отработка аэродинамических обновлений и баланса шасси), стратегический симулятор (моделирование гонок, планирование пит-стопов, реакция на Safety Car) и тренажёр для пилотов. Каждая команда тратит десятки миллионов долларов в год на собственный DIL-симулятор (Driver-In-the-Loop) с динамической платформой, лицензионными моделями от FIA и партнёрскими соглашениями с производителями софта. Пилоты уровня Хэмилтона проводят в симуляторе от 8 до 20 часов в неделю в течение всего сезона. И вот человек, который стоит на вершине этого технологического стека, говорит: «он меня обманывает, я больше в нём не работаю». Это не заявление про слабую корреляцию. Это заявление про то, что сам инструмент стал источником системной ошибки, а не её коррекции.
Sim-to-real gap — это расхождение между поведением машины в симуляторе и на реальной трассе. Оно проявляется на нескольких уровнях одновременно:
Физический уровень. Модель шин в симуляторе — это компромисс между точностью и вычислительной скоростью. Pirelli поставляет командам свои термомеханические модели, но они всё равно упрощены: реальная шина имеет нелинейное поведение в зоне перехода между сцеплением и скольжением, гистерезис при нагреве и охлаждении, эффекты старения, которых нет в свежем комплекте. Дорожное полотно в симуляторе обычно представлено как идеально ровная плоскость, тогда как реальный асфальт Спа или Сингапура имеет микро-неровности, которые меняют поведение подвески на десятые доли секунды на круге. Динамическая платформа симулятора воспроизводит перегрузки, но с конечной полосой пропускания и собственным резонансом — то есть симулятор физически врёт про то, что чувствует тело пилота.
Когнитивный уровень. Вот тут начинается самое интересное. Исследования в области авиации (где проблема стоит ещё острее, потому что ставки выше) фиксируют, что пилоты, натренированные на симуляторе, могут выработать «симуляторную моторику» — последовательность действий, оптимизированную под конкретный отклик симулятора, а не реального самолёта. Когда они пересаживаются в реальную кабину, эта моторика мешает: руки знают, куда идти, но с другими усилиями и таймингами. В авиации это называется negative transfer of training — отрицательный перенос навыков. В F1 это выглядит так: пилот привыкает к тому, как ведёт себя «виртуальная Ferrari», и его траектория, торможение и работа с педалью газа становятся производной от модели модели, а не от самой машины.
Статистический уровень. Polito-диссертация 2024–2025 года по race simulation (Scardino, под руководством Carello и Grano) показывает, что даже лучшие современные модели Lap Time Simulator (LTS) и Race Simulator имеют систематическое расхождение с реальной телеметрией, которое автор описывает буквально так: «traditional lap time simulations assume a perfect driver and neglect real-world disturbances such as sensorimotor noise and cognitive limitations. As a result, vehicle behaviors predicted under these assumptions may be theoretically optimal but practically unmanageable.» То есть симулятор не просто менее точен, чем реальность — он моделирует принципиально другой объект: идеального пилота в идеальной машине, а не живого гонщика в физическом автомобиле, который устаёт, ошибается, адаптируется и импровизирует.
Самая релевантная для нашего случая работа — это отчёт FAA 2023 года «Negative Transfer of Training: Simulator Study Into the Effects of Overruled Pilot Decision Making» (Landman, Mol, Emmerik, Groen, TNO для FAA Aircraft Certification Service, DOT/FAA/TC-23/7). Исследование проводилось на фиксированном сим-установке бизнес-джета с 38 коммерческими пилотами и показало, что 32% пилотов в субъективных отчётах признались: их решения в реальных тестовых сценариях были искажены тем, как с ними обращался симулятор во время тренировки. Объективные метрики разницы не показали — то есть пилоты не могли измерить, насколько их поведение сдвинулось, но сами чувствовали, что сдвиг есть. Это и есть та форма «обмана», про которую говорил Хэмилтон: ты сидишь в симуляторе, видишь цифры, они выглядят правдоподобно, ты выстраиваешь траекторию — а потом на трассе эта траектория не работает, и ты не понимаешь, на каком именно шаге симулятор тебя обманул.
Более ранний мета-анализ (Boehm-Davis et al., в обзоре Neal, Fussell & Hampton, 2020, «Research recommendations from the airplane simulation transfer literature», Journal of Aviation/Aerospace Education & Research) проанализировал 26 эмпирических работ с 2004 года и пришёл к выводу, что литература по flight simulation transfer систематически переоценивает позитивный эффект симулятора и систематически недооценивает отрицательный перенос. Главная проблема: когда симулятор работает хорошо (что бывает чаще), он работает очень хорошо — и это создаёт у обучающихся иллюзию, что он работает хорошо всегда. Когда он начинает сбоить (на новом типе машины, в незнакомой конфигурации, в нестандартных погодных условиях), сбои выглядят как личные ошибки пилота, а не как инструментальная ошибка модели.
Здесь я подхожу к самому интересному парадоксу. Логика «больше симуляции = лучше подготовка» линейна и понятна. Но у неё есть обратная сторона, которая видна только в долгосрочной перспективе:
Парадокс избыточной модели. Когда пилот работает в симуляторе, его мозг выстраивает две параллельные модели: модель реальной машины (через ощущения и телеметрию) и модель симулятора (через визуальные подсказки и мониторы). Чем больше времени в сим-комнате, тем больше вес получает вторая модель. После сотен часов на тренажёре пилот начинает доверять второму сигналу больше, чем первому, потому что второй сигнал ярче, конкретнее и подкреплён немедленной обратной связью (графики, сектора, время на круге). Это и есть та самая «overreliance», про которую пишет FAA-отчёт.
Что произошло с Хэмилтоном после отказа. Он переключился на работу по ощущениям и по коротким выездам на трассу. Первая же гонка после такого решения — Барселона — принесла ему победу. Это не доказывает, что отказ от симулятора всегда улучшает результат (корреляция ≠ каузация, и машина в Барселоне могла просто подходить ему лучше). Но это показывает, что отказ от инструмента может быть рациональным инженерным решением, а не капризом. Когда модель систематически врёт в твоём конкретном случае, и ты не можешь быстро починить модель — единственный способ восстановить точность, это убрать модель из контура принятия решений и вернуться к прямому сенсорному вводу.
Аналогия из другой области. В навигации это называется dead reckoning — способность вести корабль или самолёт только по показаниям приборов (компас, часы, скорость), без визуальных ориентиров. В эпоху, когда GPS стал повсеместным, навыки dead reckoning у профессиональных пилотов деградировали. Исследования FAA 2010-х годов показали, что когда GPS даёт сбой (а он даёт сбой регулярно: помехи, спуфинг, отказ спутников), пилот, привыкший к навигатору, оказывается в худшем положении, чем пилот, который GPS не использовал вовсе. Точно так же, как пилот, не полагающийся на автопилот, лучше справляется в ручном пилотировании, гонщик, не полагающийся на сим-комнату, лучше справляется с реальной машиной в нестандартной ситуации.
За этим частным случаем с Хэмилтоном стоит гораздо более широкий вопрос, и он про доверие к моделям реальности вообще. Вот несколько смежных областей, где та же логика работает:
Робототехника. Термин sim-to-real gap пришёл из reinforcement learning, где агент, натренированный в симуляторе, при переносе в реальный мир часто разваливается. Целая индустрия domain randomization и sim-to-real transfer пытается закрыть этот разрыв, но полностью закрыть не удаётся, потому что uncertainties реального мира по определению нельзя перечислить заранее.
Метеорология и климатические модели. Прогноз погоды — это тоже симуляция, и у него есть свой sim-to-real gap. Чем дольше горизонт прогноза, тем больше модель «дрейфует» относительно реальности. Опытные синоптики учатся не доверять конкретным числам модели, а считывать общий паттерн — то есть, по сути, учатся работать в режиме, похожем на «без симулятора», в смысле отказа от части её предсказаний.
Медицинская диагностика. Модели машинного обучения, натренированные на исторических снимках, показывают отличные метрики в тестовых условиях, но при применении в клинике регулярно проваливаются из-за shift в распределении данных (новые сканеры, новые протоколы, другая демография пациентов). Это тот же sim-to-real gap, только в другой упаковке.
Во всех этих случаях работает одна и та же закономерность: чем дольше оператор работает с моделью, тем больше модель замещает реальность в его принятии решений — и тем сильнее удар, когда реальность перестаёт совпадать с моделью. Хэмилтон это понял за 28 лет, большинство из нас понимает это только когда уже поздно.
Главное наблюдение. Симулятор — это не объективный инструмент измерения реальности. Это вторая реальность со своей физикой, своей когнитивной нагрузкой и своими искажениями. В F1 это стало очевидно благодаря Хэмилтону, но в авиации и в медицине это обсуждается уже лет двадцать, а в машинном обучении — все тридцать. Парадокс: инструмент, который создавался для того, чтобы сделать подготовку точнее, в долгосрочной перспективе её ухудшает — если оператор не выработал отдельный навык отличать «правду модели» от «правды реальности».
Что я бы вынес как практический урок, если бы мне пришлось это сформулировать в одном предложении: Никогда не доверяй инструменту, который не умеешь отключить. Хэмилтон, отказавшись от симулятора, продемонстрировал именно этот навык. Большинство операторов (пилотов, врачей, ML-инженеров) его не имеют — они знают, как включить инструмент, но не знают, как без него обойтись, и поэтому принимают инструментальную ошибку за личную.
Что меня зацепило больше всего, как инженера. Это не вопрос «симулятор хороший или плохой». Это вопрос архитектуры доверия: кто и на каком основании решает, что выход модели заслуживает большего веса, чем прямое наблюдение? В IT мы называем это human-in-the-loop — но Хэмилтон интуитивно провернул human-overrides-model в ситуации, где модель стала вредной. Это редкий и недооценённый навык, и я думаю, что в ближайшие годы, по мере того как LLM и RL-агенты будут всё глубже проникать в принятие решений, он станет критически важным. Не уметь выключить инструмент — это значит быть заложником его ошибок.
И последний штрих, чисто человеческий. Хэмилтон — семикратный чемпион мира, один из лучших пилотов в истории — нашёл в себе силы публично признать, что 28-летняя привычка его обманывала. Это требует большего мужества, чем любая победа. Потому что победы укрепляют твою картину мира, а вот признание, что твоя картина мира неточна — это удар по самой основе самоидентификации гонщика. В каком-то смысле это идеальный пример того, как опытный оператор в какой-то момент должен перестать быть оператором инструмента и снова стать оператором реальности — иначе инструмент его съест.