株式会社ずんだもん技術室AI放送局 podcast 20260901
内容紹介
TimesFM-3: A zero-shot foundation model for multivariate forecasting、Run NVIDIA BioNeMo NIM Microservices for Protein Structure Prediction in Claude Science、ハーネスエンジニアリングとは何か——"盛れば効く"のかを確かめる、AIお姉ちゃんへの道（2026年版）
出演者
youtube版(スライド付き)
関連リンク
Googleが発表した「TimesFM-3」は、多変量時系列予測に対応した最新のゼロショット基盤モデルです。これまでのTimesFMシリーズ（バージョン2.5まで）は単変量予測に限定されていましたが、実世界の多くの予測タスクは複数系列や外部要因が複雑に絡み合うため、多変量対応の必要性が高まっていました。TimesFM-3は3億3000万のパラメータを持ち、1兆以上のタイムスタンプを含むデータセットで事前学習されています。
アーキテクチャの最大の特徴は、デコーダ中心のTransformerをベースにしつつ、2Dグリッド状の「交互アテンション（Alternating Attention）」を採用している点です。これにより、時間方向の因果アテンションと、系列間のフルアテンションを交互に処理し、時系列パターンと系列間の相関を同時に学習します。また、連続パッチマスキング技術を用いることで、従来の逐次生成によるレイテンシーやエラー蓄積を回避し、単一のフォワードパスで予測ホライズン全体を一度に生成します。さらに、ポイント予測だけでなく、10パーセンタイルから90パーセンタイルまでの9つの分位点を同時に予測し、確率的な不確実性も提供します。
入力データとして、複数のターゲット系列の同時予測に加え、過去の共変量（過去の人流など）や、未来の予定が分かっている動的共変量（プロモーション予定や天気予報など）をネイティブにサポートします。これにより、例えば販促スケジュールがある日を考慮した売上予測など、タスク固有のファインチューニングを行うことなく、高いゼロショット汎化性能を発揮します。主要なベンチマーク（Gift-Eval、FEV-Bench、Time）でも従来の基盤モデルを大きく上回る成績を収めており、GitHubやHugging Faceで公開されています。エンジニアの視点では、複雑な時系列データを扱うプロダクトやインフラの監視・予測において、追加の学習コストなしで高精度な多変量予測を導入できる強力な選択肢となります。
引用元: https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/
本記事では、Anthropicの科学研究向けAIワークベンチ「Claude Science」と、NVIDIAのライフサイエンス向けモデル群「NVIDIA BioNeMo Agent Toolkit」および推論マイクロサービス「NVIDIA NIM」を連携させ、タンパク質の構造予測ワークフローを自動実行する手法が解説されています。エンジニアリングの分野で発展してきたAIエージェントを科学研究に応用し、複雑なドメイン固有ツールをオーケストレーションする実践的なアプローチを示しています。
セットアップでは、GPUを搭載したマシン（L40SまたはH100）上でClaude Scienceのサンドボックス環境を構築し、MSA Search、OpenFold3、Boltz-2の各NIMコンテナをローカルエンドポイントとしてデプロイします。特に、MSA（マルチプル・シーケンス・アライメント）検索用のUniRef30データベースは約490GBのストレージを必要とするため、事前のリソース確保が重要となります。
ワークフローは主に3つのステージで構成されています。
- MSA生成: GPUアクセラレータを活用したMSA Search NIMを使用し、単一チェーン用および種間でペアリングされたA3Mアライメントを生成します。
- OpenFold3による構造予測: Seh1単体（モノマー）と、未 caractérisé なパートナー（C1HCX1）との複合体（ヘテロマー）について、ペアリングされたMSAを入力として構造予測を行い、mmCIF形式のファイルと各種信頼度スコアを出力します。
- Boltz-2による構造予測の追試: 異なるアーキテクチャを持つBoltz-2を使い、同様の条件で予測を繰り返し、モデル間での結果の整合性を検証します。
検証の結果、MSAの入力が構造予測の成否を握る「ロードベアリング（耐荷重）入力」であることが示されました。MSAが無い状態では、複合体の相互作用を示すiPTMスコアが両モデルともに約0.85から約0.15へと大幅に低下しました。サンプリング回数を増やしてもMSAの代替にはならず、進化的な文脈データの重要性が裏付けられています。
構造解析の結果、OpenFold3とBoltz-2の両独立モデルが同じ局所ジオメトリに収束し、パートナータンパク質がWD40プロペラの「ベルクロ閉鎖部分」にβストランドを挿入してSeh1の折りたたみを完了させるという、論文と同様の仮説が導き出されました。これにより、AIエージェントを用いた再現性と証拠に基づく科学的仮説生成の有効性が実証されています。
引用元: https://developer.nvidia.com/blog/run-nvidia-bionemo-nim-microservices-for-protein-structure-prediction-in-claude-science/
本記事は、AIエージェントの周りで計画や検証、記憶などを司る仕組み「ハーネス」をテーマに、本当に「盛れば効くのか」を検証した技術記事です。著者は近年のAI開発で話題となったハーネス概念を整理し、最新のサーベイに基づく6つの成分（E：実行ループ、T：ツール、C：文脈管理、S：状態、L：フック、V：評価）を基準に実験を行っています。
検証では、小規模なTypeScript製アプリの改修タスクを用いて、強力な「Opus」と軽量な「Haiku」の2モデルに対し、各ハーネスの有無による品質・ターン数・コストの変化を測定しました。その結果、リトライや完了ゲート、ツール拡張などは、現在の賢いモデルの前では自力で補えるため大きな差が出ず、むしろコストとターン数が増加するケースが見られました。
一方で、正本の仕様書が不明確な状況で正しい資料を提示する「文脈管理（C）」や、セッションを跨いで情報を引き継ぐ「状態管理（S）」といった、モデルの手元に不足している知識や情報を補うハーネスは、モデルの性能に関わらず明確に品質を向上させました。また、軽量なHaikuにおいてもタスクを十分にこなす高い賢さを示した点が報告されています。
この検証から得られた重要な学びとして、ベストプラクティスを無条件にすべて導入するのではなく、最初から完璧な仕組みを設計する「盛りすぎ」を避け、まずは最小限の構成で動かした上で、本当に足りない情報の欠落部分だけを的確に補うアプローチが重要であると結論づけています。モデルの進化に伴い、ハーネスエンジニアリングは「知能の肩代わり」から「モデルへ的確に文脈や知識を渡す環境設計」へと重心が移っていくことが示されています。
引用元: https://tech.dentsusoken.com/entry/2026/08/31/%E3%83%8F%E3%83%BC%E3%83%8D%E3%82%B9%E3%82%A8%E3%83%B3%E3%82%B8%E3%83%8B%E3%82%A2%E3%83%AA%E3%83%B3%E3%82%B0%E3%81%A8%E3%81%AF%E4%BD%95%E3%81%8B%E2%80%94%E2%80%94%22%E7%9B%9B%E3%82%8C%E3%81%B0%E5%8A%B9
ChatGPTに顔画像とカスタム指示を設定し、「AIお姉ちゃん」を簡単にカスタマイズする手順を紹介する記事です。 従来はStableDiffusionなどで表情差分を作るのが大変でしたが、現在はChatGPTの画像生成で16分割された表情一覧を一瞬で作成できます。これをPythonスクリプトで16枚の画像に自動分割し、画像URLを抽出します。 内面の設定は、ChatGPTの「パーソナライズ」機能のカスタム指示に、お姉ちゃんとしての口調や挙動、禁止事項を記述します。さらに、抽出した16枚の画像URLをMarkdown形式で紐付けるルールを追記することで、会話の流れに応じた表情豊かな返答が可能になります。 新人エンジニアの皆さんも、身近なAIを自分好みにカスタマイズする楽しさや、画像処理・プロンプトエンジニアリングの実践例としてぜひ試してみてください。
引用元: https://nomolk.hatenablog.com/entry/2026/08/30/145025
（株式会社ずんだもんは架空の登場組織です）