3.3億參數 Google發表新一代預測AI「TimesFM-3」

Google發表新一代預測人工智慧（AI）模型「TimesFM-3」，能同時處理營收、顧客數、天氣等彼此互相影響的時間序列資料。這次更新的核心，是從「只看單一紀錄推算下一個數值」的做法，擴大成能同時掌握多項變數之間關係的結構。

Google Research於上月31日（當地時間）在官方部落格表示，TimesFM-3是專為「多變量時間序列預測」預先訓練的新一代基礎模型。團隊強調，這款模型採用零樣本（zero-shot）方式，不需針對新任務額外微調，就能分析多條資料流。

「時間序列預測」是根據具有時間先後順序的資料，推算下一個數值的技術，常見於營收、庫存、流量、天氣、需求等會隨時間變化的指標。過去業界主要採用「單變量」方式，也就是以單一紀錄為核心來預測未來數值。

TimesFM-3的變化，在於從單一時間序列擴展到多變量時間序列。先前的TimesFM-2.5大多仍以單一紀錄為基礎進行預測，而TimesFM-3則能同時輸入多個目標值、過去的輔助變數，以及未來已知的行事曆、天氣、促銷活動等外部變數。

Google舉的例子是冰淇淋銷量預測。與其只看過去的銷售量，模型會同時納入顧客數、相關商品銷售、未來天氣預報與既定促銷計畫。Google Research在範例圖表中說明，凡是有促銷活動的日子，圖表都反映出約20%的營收增幅。

不過這項數字僅是說明模型運作方式的示例，並非特定企業的實際業績或營收展望。AI預測結果難以直接放大解讀為實際獲利或營運成果，這一點也呼應本報先前報導AI交易評比比較的是風險應對能力，而非績效預測本身的觀點。

TimesFM-3擁有3.3億個參數，訓練資料結合真實與合成資料，累計超過1兆個時間序列資料點。隨著模型規模與訓練資料量同步擴大，開發重點也放在讓單一模型能同時處理不同產業的時間變化模式。

在架構上，TimesFM-3會把連續資料切成以32個時間點為單位的「區塊（patch）」進行處理，接著交替套用時間方向的因果注意力機制，以及變數之間的注意力機制，把時間變化與變數間的交互作用整合在同一個預測流程中處理，而非分開計算。

預測方式也有所調整。舊版模型是一段一段生成未來區間的數值，TimesFM-3則是以「單次前向運算」一次算出整個預測區間。Google表示，這種方式能降低處理延遲，也減少重複生成過程中累積的誤差。

效能評估在GIFT-Eval、FEV-Bench、TIME三項公開基準測試上進行。Google Research指出，在受測的預訓練時間序列基礎模型中，TimesFM-3在三項基準測試的「點預測」與「機率預測」平均排名都是最高。在單變量模式下，表現與競品相近或略勝一籌；在多變量模式下，效能提升更為明顯。

不過部署範圍仍有限制。Google Research的GitHub儲存庫註明，TimesFM-3原始碼採用Apache 2.0授權公開，但預訓練權重則適用另一套「非商業授權」，也就是說，基礎權重不能直接用於商業服務或正式營運環境。

Google Research在同一篇官方部落格中表示，TimesFM-3目前已在GitHub與Hugging Face上提供，預計數週內整合進「BigQuery」。Google Cloud官方文件說明，BigQuery ML的TimesFM模型設計上可直接透過AI.FORECAST函數進行預測，不需另外建立與訓練模型。

對企業而言，比起模型本身，「輸入資料的結構」其實才是更直接的關注重點。零售業者可以把營收、來客數、促銷排程一起放進模型；平台業者則能同時輸入流量、活動與季節性因素來觀察需求變化。一般來說，在時間序列預測工作中，決定成敗的往往不只是模型效能，還包括究竟納入哪些變數、以及以哪段期間作為驗證基準。

企業目前能確認的，只有模型效能、部署規畫與授權限制這幾項。若要在實際營運環境中導入商用，還必須進一步確認預訓練權重的授權條件，以及整合進BigQuery之後的實際提供條件。