あなたは、今後2週間の天気を予測しようとしていると想像してください。あなたは一般的なルールを知っています。今は夏なので、通常は暑いこと、そしておそらく来週の火曜日には嵐が来るかもしれないということ。しかし、もし一時間ごとの正確な気温を当てようとすると、あなたの脳は注意が散漫になり始めるかもしれません。あなたは、7月は暑いはずだということを忘れ、誤って雪の予報を出してしまうかもしれません。あるいは、雲の細かなディテールに集中しすぎて、全体像を見失ってしまうかもしれません。これが**時系列予測（time series forecasting）の課題です。過去のデータを使って、次に何が起こるかを推測することです。何十年もの間、科学者たちは、株価や電力網など、あらゆるもののためにこれを行うためのコンピュータモデルを構築してきました。最近では、エッセイを書いたりチャットをしたりできるような、同じ種類の超スマートなAIである大規模言語モデル（LLLLM）**を使用し始めています。これらのAIモデルはパターンの理解には長けていますが、長い期間の予測を求められると、混乱したり、実行コストが高くなったり、あるいは現実の世界とは異なる形を作り出したりすることがあります。

これから読む論文は、特定の課題に取り組んでいます。それは、これらのAIモデルを、低速にしたり、高価にしたり、あるいは「漂流」してコースから外れたりすることなく、いかに長期予測において改善するかという問題です。著者たちは、SCALERと呼ばれる新しい手法を紹介しています。これは、素早いシンプルなスケッチ描きがまず山脈の大まかな輪郭を描き、次に詳細な画家がやってきて、その元のスケッチの境界線内だけで木々や岩を追加していく、という2段階のプロセスだと考えてください。これにより、最終的な絵がランダムな緑の塊ではなく、しっかりと山に見えることが保証されます。研究者たちはこれを実世界のデータでテストし、彼らの手法が、多くの異なる予測を一度に実行して「より深く考える」ことで賢くなろうとする他の高度なAIのトリックよりも、正確であるだけでなく、はるかに高速で安価であることを発見しました。

問題点：AIが細部に迷い込むとき

未来を予測することは困難です。もし標準的なAIに、次の720時間（30日間）の気温を予想するように頼んだら、多くの場合、一度の巨大な跳躍でそれを成し遂げようとします。時には大きなトレンドを正しく捉えますが、時には木を見て森を見ずの状態になってしまいます。

最近、研究者たちは**テスト時スケーリング（test-time scaling）**と呼ばれる新しいアプローチを試みました。あなたがテストを受けている場面を想像してください。単に最初の答えを書き留めるのではなく、その答えについて考え、3つの異なる答えを書き出し、最も良いものを選び、それをさらに良くするために書き直すことが許されているとしたらどうでしょう。この「遅い思考」は、しばしばAIをより賢くします。しかし、時系列データにおいて、このアプローチには2つの大きな欠陥があります。

1. 高コストである： 最善の答えを選ぶためにAIを何度も実行することは、多大なコンピュータパワーと時間を消費します。
2. 混乱が生じる： もしAIが答えを何度も微調整し続けると、予測全体の形を誤って変えてしまう可能性があります。実際のデータが波形であるのに、AIが平坦な線を予測し始めるといったことです。これは**グローバル・シェイプ・ミスマッチ（global-shape mismatch）**と呼ばれます。

解決策：SCALER（スケッチ・アンド・リファイン戦略）

著者らは、SCALER（Coarse-to-fine Scaling frameworkの略）を提案しています。AIに未来を一度に推測させるのではなく、あるいは多くの異なる推測を実行させるのではなく、SCALERは仕事を2つの明確で効率的なステージに分割します。

ステージ1：素早いスケッチ（粗い形状の予測）
まず、非常に軽量なAIモデル（素早くシンプルなスケッチ描きと考えてください）が過去のデータを見て、未来の非常に粗い低解像度の絵を描きます。それは細かなディテールにはこだわりません。ただ、大きな要素、つまり全体的なトレンド（上がっているのか下がっているのか？）、季節性（パターンが繰り返されているのか？）、そして一般的な形状を捉えるだけです。

• なぜこれが役立つのか： この「大きな絵」を最初に確定させることで、最終的な予測が意味のないものへと漂流しないことを保証します。これは、窓を描こうとする前に家の輪郭を描くようなものです。

ステージ2：詳細な彩色（固定ステップによる精緻化）
次に、強力なLLM（詳細な画家）が引き継ぎます。しかし、ゼロから始めるわけではありません。ステージ1の粗いスケッチと過去のデータを参照し、そこにディテールを加えていきます。決定的なのは、これを固定されたステップ数で行うことです。

• AIにランダムに推測させて最適なものを選ぶ（これは遅くて高価です）代わりに、SCALERは特定の順序で詳細を追加します。まず中規模のディテールを、次に極小のディテールを追加していきます。
• 各ステップにおいて、AIは元の粗いスケッチに「アンカー（固定）」されています。これにより、窓を描いている最中に家の形を誤って変えてしまうことを防ぎます。
• ステップが固定されており、AIは全体を再推測するのではなく小さな隙間（残差）を埋めるだけで済むため、はるかに少ないコンピュータパワーを使用します。

彼らが発見したこと：より速く、より安く、より賢く

研究者たちは、電力使用量、交通量、天候パターン、さらにはインフルエンザの傾向を含む、幅広い実世界のデータを用いてSCALERをテストしました。彼らは、他の強力なAIモデルや、多くの候補を生成しようとする「遅い思考」の手法と比較を行いました。

数値が示す内容は以下の通りです：

• 精度： SCALERは一貫して他のモデルを打ち負かしました。長期予測（720時間先を予測）において、それは競合よりも間違いが少なかったのです。例えば、ETTh1データセットにおいて、MSE（平均二乗誤差）0.376を達成し、次に優れた手法の0.403を上回りました。
• 速度とコスト： ここでSCALERは真価を発揮します。著者らは、彼らの手法が標準的なテスト時スケーリング手法よりも約7倍高速であることを発見しました。他の手法は、最適な推測を生成して選択するために長い時間がかかることがありますが、SCALERはただ決められた計画に従うだけです。
• 安定性： 予測ホライゾン（予測期間）が非常に長くなった場合（最大2160時間）、他のモデルは失敗し始め、その予測は実際のデータとは似ても似つかないものになりました。しかし、SCALERは安定していました。「粗いスケッチ」というアンカーが、たとえ遠い未来を見通しているときでも、AIが迷子になるのを防いだのです。

ななぜこれが重要なのか

この論文は、より良い結果を得るために、AIを1000回実行させて「より深く考えさせる」必要はないと主張しています。代わりに、明確な構造を与えることで、より「賢く」考えさせることができるのです。「大きな絵」と「細かいディテール」を分離することで、SCALERは小さな重要な変動を捉えつつ、予測のグローバルな形状を正しく保つことができます。

著者らはまた、異なるサイズのAIの脳（モデルサイズ）でこれがどの程度機能するかについてもテストしました。彼らは、より小さなモデルでもこの手法がうまく機能することを発見しましたが、より大きなモデル（LLaMA-7Bなど）を使用することで最高の成果が得られることも明らかにしました。また、見たことがないデータに対する性能（ゼロショット予測）も確認しましたが、データごとに再学習が必要な他の手法よりも優れた性能を示しました。

要するに、SCALERは、未来を予測する秘訣は、単に問題に対してより多くの計算能力を投入することではないと示唆しています。それは、計画を持つことです。まず輪郭を描き、次に細部を埋め、そして描いている間も大きな絵を見ることを忘れないことです。このアプローチは、予算を使い果たすことなく、あるいはコンピュータを酷使することなく、非常に正確で長期的な予測を実現する方法を提供します。