生活分享
IBM 推出 Granite 時間序列集成預測：四個模型合一，免挑模型
IBM Research 發表 Granite Timeseries Ensemble，把四個 Granite 預測模型合併成一套預設方案，讓需要預測需求、用量或感測數據的團隊不必先猜哪個模型最適合。IBM 公布的成績顯示優勢很小，主要好處是穩健，也有額外運算成本。
閱讀時間約 5 分鐘
發生了什麼事
IBM Research 於 2026 年 10 月 22 日在 Hugging Face 發表文章，介紹 Granite Timeseries Ensemble。時間序列是指依時間順序記錄的數據，例如每小時的用電量或每天的銷量；「集成」則是把多個模型的預測合併成一個結果。IBM 指出，預訓練時間序列模型可在不用目標資料集訓練的情況下預測，但使用者仍須挑選模型；適合平滑工業訊號的模型，可能不適合雜訊多的零售需求或長季節性預測。
據 IBM Research 表示，這套配方結合四種互補的 Granite 架構，回傳中位數與分位數預測，無需重新訓練，也沒有需要擬合的集成權重。分位數預測可以表達可能的範圍：例如 0.1 與 0.9 分位數之間，就是名目上涵蓋 80% 情況的預測區間。以下成績與說明均為 IBM 的說法。
兩種組合方式與四個成員
IBM 列出的預設成員為：PatchTST-FM-r1（Patched Transformer）、PatchTST-FM-r2（Patched Conformer）、FlowState-r1.1（狀態空間模型）與 TTM-r3（Tiny Time Mixers，MLP mixer）。
IBM 推薦的預設方法是 Probabilistic Ensemble：每個成員影響力相同，在機率空間匯集分位數預測；權重固定，因此沒有擬合步驟，也無需為新序列調整權重超參數。另一種 IQR Ensemble 依預測離散程度加權，區間較窄的成員影響力較大。IBM 提醒，較窄的區間不一定更準確或校準更好（校準是指預測區間的實際涵蓋率是否符合宣稱的比例），且可能偏向過度自信的成員。
| 方法 | IBM 的說明 | MASE | CRPS/MWQL |
|---|---|---|---|
| Probabilistic Ensemble | 影響力相同，無擬合權重，為推薦預設 | 0.683 | 0.471 |
| IQR Ensemble | 依預測離散程度加權 | 0.684 | 0.471 |
| PatchTST-FM-r2（最佳單一成員） | Patched Conformer | 0.685 | 0.467 |
| FlowState-r1.1 | 狀態空間模型 | 0.701 | 0.490 |
| PatchTST-FM-r1 | Patched Transformer | 0.717 | 0.488 |
| TTM-r3 | Tiny Time Mixers | 0.724 | 0.520 |
成績怎麼看
GIFT-Eval 是一個預測模型的公開基準測試與排行榜。它用 MASE 衡量單一數值預測的誤差，用 CRPS/MWQL 衡量範圍（機率）預測的誤差；分數以簡單的季節性基準方法為參照，數字越低越好。IBM 表示，評估在 97 個 GIFT-Eval 資料集配置上進行，模型未經微調，測試目標也未用於選擇或擬合聚合方法。IBM 說兩種集成在整體 MASE 與平均 MASE 排名上都優於四個單一成員，但相對最佳單一成員的 MASE 差距很小，主要好處是穩健性。
在機率預測指標 CRPS/MWQL 上，PatchTST-FM-r2 的 0.467 仍是六者中最低。IBM 指出 IQR Ensemble 的平均 CRPS 排名是六者中最佳，因此總體誤差與平均排名偏向不同選擇。IBM 另表示，集成在合格系統的 MASE 排名與 CRPS 排名均居第 3，部分系統（包括因微調或非寬鬆授權而被排除者）得分更好，所以價值不在於登頂排行榜。
對一般讀者與使用者的意義
對需要預測需求、用量或感測數據的團隊，這代表有一個「先用再比較」的預設起點，不必在不同架構間猜哪個最適合。但 IBM 強調彙總成績不代表每個序列都受益，建議以具代表性的資料回測，把兩種集成與強力單一成員放在相同視窗比較，並檢查分位數損失，以及 0.1 至 0.9 區間相對名目 80% 的實際涵蓋率，同時記錄執行時間與記憶體用量。
授權方面，IBM 表示該集成配方及其預設 Granite 成員採寬鬆授權；儲存庫另有加入 IBM Research 檢查點的擴充配方，包含非商業與僅限研究的限制。IBM 也說共用的 Forecaster 介面可接受相容的外部模型，並維持相同的下游預測格式。
常見問題
Granite Timeseries Ensemble 是新的單一模型嗎？
不是。據 IBM 表示，配方儲存的是集成設定，而非合併後的模型權重，並結合四個既有的 Granite 預測模型。
集成比最好的單一模型準很多嗎？
依 IBM 的數字，MASE 為 0.683 對 0.685，差距很小；IBM 自己說主要好處是穩健性。在 CRPS/MWQL 上，PatchTST-FM-r2 的總分仍較低。
預設推薦哪一種組合方式？
IBM 推薦先使用 Probabilistic Ensemble；若認為預測離散程度有參考價值，再用代表性資料與 IQR Ensemble 比較。
使用它有什麼代價？
IBM 指出會載入四個成員檢查點，推論時間與記憶體高於單一成員，且目前不使用跨通道資訊。
這些結果經過獨立驗證了嗎？
這些成績只來自 IBM Research 的文章，未見獨立第三方驗證，請視為廠商自述。
同主題延伸閱讀
生活分享
協助檢查 AI 程式碼的 Blacksmith 獲 Sequoia 領投 6,600 萬美元 C 輪，估值達 10 億美元
據 TechCrunch 報導，協助企業建置與測試軟體（包括 AI 撰寫的程式碼）的 Blacksmith 宣布完成 6,600 萬美元 C 輪融資，由 Sequoia 領投，估值 10 億美元。執行長認為，AI 寫的程式越多，企業越需要確認軟體能否被信任。
生活分享
德州資料中心熱潮恐抵銷數十年空氣品質進步
The Verge 報導，休士頓先進研究中心（HARC）的新報告指出，若德州規劃中的資料中心全部接上電網（併網），電力業排放的煙塵與形成煙霧的污染物可能大幅上升。本文整理不同情境、關鍵數字，以及這對一般民眾的意義。
生活分享
黑石高層：AI 基建債務疑慮被誇大了？neocloud 融資壓力一次看
據 TechCrunch 報導，黑石的 Jas Khaira 在 Disrupt 上表示，AI 基礎設施債務不像 2008 年銀行危機。本文整理黑石的融資模式、市場壓力，以及這對一般讀者的意義。
生活分享
Meta 宣布新增無投票權股份類別，為 AI 投資籌資
據 The Verge 報導，Meta 在第三季財報中表示，將發行一類沒有投票權的新股份，用於 AI 計畫、潛在收購與員工酬勞，並於 2027 年開始交易。這顯示 AI 競爭所需的資金規模龐大，Meta 正在擴大籌資管道。