「学習なしで、売上もトラフィックも予測できるAIがある」——2026年6月、こうした話題がSNSで広がっています。主役はGoogle Researchの時系列基盤モデルTimesFM（Time Series Foundation Model）です。

この記事では、TimesFMの仕組みと実務での使い道、手元で試す方法までを整理します。

  • TimesFMが「学習不要」で予測できる理由
  • 1000億規模の学習データとzero-shot予測の強み
  • TimesFM 2.5の主な仕様変更
  • Python・BigQuery・スプレッドシートでの利用先

https://github.com/google-research/timesfm

時系列予測の「基盤モデル」が何を変えるか

従来の時系列予測は、売上データなら売上専用、在庫なら在庫専用と、データセットごとにモデルを学習するのが一般的でした。ARIMAやDeepARのような手法も、対象データに合わせたチューニングが前提です。

TimesFMはこの流れを変えます。過去の数値列（コンテキスト）を渡すだけで、未来の値を推定するzero-shot予測に対応します。事前学習済みの重みをそのまま使うため、新しいデータセット向けの再学習が不要です。

Google Researchの論文では、TimesFMは「多様な未学習データセットで、データセット別に学習した教師ありモデルに近いzero-shot精度」を示すと報告されています（参考）。ICML 2024で採択された研究として2023年から公開されており、2026年6月に話題が再燃した背景には、エコシステム統合とパッケージ更新があります。

なぜ今注目されているのか

2026年6月17日、Bethany Hyde氏の投稿が「Googleが静かに公開した」と表現し、売上・市場価格・Webトラフィック・エネルギー需要・暗号資産のボラティリティなど幅広い用途を挙げて拡散しました。

モデル自体は新規リリースではありません。ただし、直近の動きは次のとおりです。

  • 2025年9月: TimesFM 2.5を公開。パラメータ数を500Mから200Mへ削減し、コンテキスト長を2048から最大16,384へ拡大
  • 2025年11月: BigQueryのAI.FORECASTが一般提供（GA）に。TimesFM 2.5をSQLから呼び出し可能に
  • 2026年6月5〜8日: PyPIパッケージtimesfmを2.0.0→2.0.1へ更新

「静かに」という印象は、大規模なプレスイベントより、GitHub・PyPI・クラウド統合で実装者向けに届いている点に由来します。研究発表から実務導線までが揃ったタイミングで、再び注目を集めています。

1000億規模の学習データが支える汎用性

TimesFMの強みは、規模の大きい事前学習コーパスです。論文では、Google Trendsの検索関心データやWikipediaのページビューなどの実データに加え、合成データを混ぜた約1000億（100B）の時系列ポイントで学習したと説明されています。

学習データのドメインが広いため、小売の需要予測、Webアクセス数、エネルギー負荷、金融時系列など、領域をまたいだパターン認識が期待できます。論文は、GPT-3やLLaMA-2のような汎用LLMをそのまま予測器に使うより、時系列専用に学習した小さなモデルの方がzero-shot精度とコストのバランスに優れると報告しています。

TimesFM 2.5の技術的な中身

最新版のTimesFM 2.5は、デコーダのみのTransformerアーキテクチャを採用します。入力系列をパッチ（小さな区間）に分割し、LLMと同様に次の区間を予測する形で事前学習します。

主な仕様は次のとおりです。

項目 TimesFM 2.5
パラメータ数 200M
最大コンテキスト長 16,384ポイント
予測の種類 点予測＋分位点予測（不確実性の見積もり）
実行環境 PyTorch、JAX/Flax、Hugging Face Transformers

2.5ではfrequency（頻度）インジケータを廃止し、連続分位点ヘッドにより最大1000ステップ先までの確率予測に対応します。外生変数（気温やプロモーション有無など）を扱うXRegも復活しており、単変量予測だけでなく説明変数を加えた予測にも使えます。

ベンチマーク面では、Google ResearchはTimesFM 2.5が時系列基盤モデル向けベンチマークGIFT-Evalのzero-shot部門で、点予測指標MASEと確率予測指標CRPSの双方で上位に入ると発表しています（参考）。ただしGIFT-Evalの分析では、デコーダのみ型は長期予測で誤差が蓄積しやすいとも指摘されており、予測ホライズンが長い案件では従来の深層学習モデルとの併用検討が現実的です。

実務で使える導線

TimesFMは研究用リポジトリだけでなく、Googleのデータ基盤にも組み込まれています。

Pythonで手元検証する

https://pypi.org/project/timesfm/

PyPIからtimesfm[torch]をインストールし、Hugging Faceのチェックポイントgoogle/timesfm-2.5-200m-pytorchを読み込めば、数行で推論できます。CPUでも動作しますが、公式ドキュメントでは200Mモデルに4GB以上のRAMを推奨しています。

import timesfm
import numpy as np

model = timesfm.TimesFM_2p5_200M_torch.from_pretrained(
    "google/timesfm-2.5-200m-pytorch"
)
model.compile(timesfm.ForecastConfig(max_context=1024, max_horizon=256))
point, quantile = model.forecast(horizon=12, inputs=[my_series])

forecast()は複数系列をまとめて渡せるため、店舗別売上の一括予測にも向きます。分位点出力は10〜90パーセンタイルなどを含み、在庫安全在庫の設計に使えます。

BigQuery・AlloyDB・スプレッドシート

https://cloud.google.com/blog/products/data-analytics/timesfm-models-in-bigquery-and-alloydb

BigQueryではAI.FORECAST関数がGAとなり、model => 'TimesFM 2.5'を指定してSQLだけで予測できます。context_windowは64〜15,000、AI.EVALUATEで精度検証、AI.DETECT_ANOMALIESで異常検知も可能です。AlloyDBでもプレビュー提供中で、売上予測をデータベース内で完結させられます。

Google SheetsのConnected Sheets経由でもTimesFMを呼び出せるため、分析チームはPython環境を用意せずに試算できます。Vertex AI Model Gardenにはエージェント連携向けのエンドポイントも用意されています。

従来手法との使い分け

TimesFMが置き換えるのは「データが少なく、すぐ予測が欲しい」場面です。新規サービスのトラフィック試算、複数SKUの粗い需要見込み、監視ダッシュボードの先行指標など、学習パイプラインを組む前の素早い当たりをつけに向きます。

一方、長期ホライズンで高精度が必須な案件や、ドメイン固有の外れ値が多いデータでは、データセット専用に学習したPatchTSTや自社モデルの方が有利な場合があります。TimesFM 2.5はLoRAによるファインチューニング例も公開されており、zero-shotで大枠を掴み、必要な系列だけ追加学習するハイブリッド運用も選択肢です。

試すときの注意点

GitHubのREADMEには「このオープン版は公式サポート製品ではない」と明記されています。本番導入ではBigQueryやVertex経由のGoogle提供経路を検討してください。

予測入力は欠損や異常値の前処理が精度に直結します。ForecastConfigのnormalize_inputsやinfer_is_positiveなどのフラグは、売上のように非負値が自然な系列向けに用意されています。コンテキスト長は最大16,384ですが、速度重視なら512〜2048に抑えるのが公式の推奨です。

時系列予測は「モデルを選ぶ」より「どの粒度で意思決定に使うか」が成果を分けます。TimesFMは、その最初の一歩を学習コストなしで踏める選択肢として、2026年に再び実務者の視界に入ってきました。