2025年で最も閲覧されたブログ記事トップ10

2025年に最も閲覧されたブログ記事トップ10 量子コンピューティングの飛躍的進歩やロボティクスの基盤モデルから、Amazon Auroraの進化、エージェントAIの進展まで、2025年に読者の注目を集めた記事をご紹介します。 シェア シェア リンクをコピー ![](https://assets.amazon.science/dims4/default/3119a5d/2147483647/strip/true/crop/200x200+0+0/resize/295x295!/quality/90/?url=http%3A%2F%2Famazon-topics-brightspot.s3.amazonaws.com%2Fscience%2F50%2F53%2Feca478f765d0c44393c5e14ff373%2Fthe-10-most-viewed-blog-posts-of-2025qrcode) Chronos-2の紹介：単変量予測から汎用予測へ 時系列予測は、単一時系列から外挿する従来の統計的手法を超え、基盤モデルの登場によって変革を遂げています。Hugging Faceから6億回以上ダウンロードされた初代Chronosモデルの成功を基に、Amazonの研究者はChronos-2を紹介します。これは、インコンテキスト学習（ICL）を通じて任意の予測タスクをゼロショットで処理するように設計されています。 ![](data:image/svg+xml;base64,PHN2ZyB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciIHZlcnNpb249IjEuMSIgaGVpZ2h0PSI0OTZweCIgd2lkdGg9IjEyMDBweCI+PC9zdmc+) Chronos-2の完全なパイプライン。入力時系列（ターゲットと共変量）は、まずロバストなスケーリング方式で正規化され、その後、時間インデックスとマスクメタ特徴が追加されます。得られたシーケンスは重複しないパッチに分割され、残差ネットワークを介して高次元埋め込みにマッピングされます。コアのトランスフォーマースタックはこれらのパッチ埋め込みを処理し、入力でマスクされた将来のパッチに対応するマルチパッチ分位点出力を生成します。各トランスフォーマーブロックは、時間注意層とグループ注意層を交互に実行します。時間注意層は単一時系列内のパッチ間で情報を集約し、グループ注意層は各パッチインデックスにおいてグループ内の全系列間で情報を集約します。図は、それぞれ既知の共変量を1つ持つ2つの多変量時系列を示しており、対応するグループが青と赤で強調されています。この例は説明のみを目的としており、Chronos-2は任意の数のターゲットとオプションの共変量をサポートします。 単変量予測のみをサポートした前身モデルとは異なり、Chronos-2は複数の共進化する時系列を共同で予測（多変量予測）し、プロモーションスケジュールや気象条件などの外部要因を組み込む（共変量を考慮した予測）ことができます。例えば、クラウド運用チームはCPU使用率、メモリ消費量、ストレージI/Oをまとめて予測でき、小売業者は需要予測時に計画されたプロモーションを考慮に入れることができます。このモデルのグループ注意メカニズムにより、変数間の複雑な相互作用を捉えることが可能になり、利用可能な履歴データが限られるコールドスタートシナリオで特に価値があります。 Amazon、Ocelot量子チップを発表 量子コンピューティングは長らく、特定の問題に対して指数関数的に高速な計算を約束してきましたが、量子デバイスの環境ノイズに対する極度の感度が実用的な応用を制限してきました。Amazon Web Servicesの新しいOcelotチップは、この課題に取り組む上での画期的進展を表しています。Ocelotは、シュレーディンガーの有名な思考実験にちなんで名付けられた「猫量子ビット」に基づく、ボソン量子誤り訂正を使用します。 ![](data:image/svg+xml;base64,PHN2ZyB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciIHZlcnNpb249IjEuMSIgaGVpZ2h0PSI2NzVweCIgd2lkdGg9IjEyMDBweCI+PC9zdmc+) Ocelot論理量子ビットメモリチップを構成する一対のシリコンマイクロチップ。 従来の量子誤り訂正手法では、使用可能な誤り率を達成するために論理量子ビットあたり数千の物理量子ビットが必要であり、膨大なリソースオーバーヘッドが生じていました。Ocelotの革新的なアーキテクチャは、ビット反転誤りを物理レベルで指数的に抑制しつつ、単純な反復符号を使用して位相反転誤りを訂正します。このアプローチにより、ビット反転時間は約1秒に近づき（従来の超伝導量子ビットの1000倍以上長い）、誤り訂正に十分な位相反転時間を維持します。その結果、距離5の誤り訂正符号は合計わずか9量子ビットで実現され、同等の表面符号実装に必要な49量子ビットと対照的です。 エージェントAIの科学的フロンティア エージェントAIシステムが概念から現実へと移行するにつれて、これらのシステムがどのように情報を共有し、戦略的に相互作用すべきかについての根本的な科学的疑問が生じています。Amazon Scholarのマイケル・カーンズは、ユーザーに代わって自律的に行動できるAIエージェントの開発を形作るいくつかの研究フロンティアを探求します。 興味深い疑問の一つは、エージェント同士がどのような言語を話すかです。エージェントは人間と自然言語で通信しなければなりませんが、エージェント間通信は、ニューラルネットワークのネイティブな「言語」である埋め込み（意味が表現空間内のベクトルとして表現される）の方がより効率的かもしれません。今日のウェブサイトが複数の人間の言語でコンテンツを提供しているように、コンテンツが標準化された埋め込みに事前翻訳される「エージェント的ウェブ」が見られるかもしれません。 ![](data:image/svg+xml;base64,PHN2ZyB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwOC9zdmciIHZlcnNpb249IjEuMSIgaGVpZ2h0PSI2NzVweCIgd2lkdGg9IjEyMDBweCI+PC9zdmc+) この例では、赤、緑、青の点は、3人（アリス、ボブ、クリス）が食事をしたレストランの3次元埋め込みです。（対照的に、実世界の埋め込みは数百次元を持つかもしれません。）各輝く点はクラスターの1つの中心を表し、その値は対応する人物のレストラン選好を要約しています。AIエージェントは、テキストではなく、このようなベクトル表現を使用してお互いに情報を共有することができます。 コンテキスト共有は別の課題を提示します。エージェントは、ワーキングメモリを共有する利点とプライバシーの懸念のバランスを取らなければなりません。あなたの旅行代理店がホテル予約サービスと交渉するとき、あなたの選好についてどの程度のコンテキストを共有すべきか、また、どの程度の財務情報を保留すべきでしょうか。 Mitra：表形式基盤モデルを強化する混合合成事前分布 大規模言語モデルが多様なテキストコーパスで訓練される方法に着想を得て、Amazonの研究者は、合成データセットのみで事前学習された表形式基盤モデルであるMitraを開発しました。これは直感に反するように思えるかもしれませんが、実世界の表形式データはしばしば限定的で不均一であるため、広範な可能なデータ分布をカバーする多様なパターンをシミュレートする方がより実用的です。 Mitraの背後にある重要な洞察は、合成事前分布の品質がモデルの汎化性能を決定するということです。効果的な事前分布は、実タスクで良好なパフォーマンスをもたらし、過学習を防ぐための多様性を示し、他では見られない独自のパターンを提供します。Mitraの訓練混合には、因果依存関係のグラフと確率的方程式を組み合わせた構造的因果モデル、および勾配ブースティング、ランダムフォレスト、決定木などの人気のある木ベースの手法が含まれています。 ![](data:image/svg+xml;base64,PHN2ZyB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciIHZlcnNpb249IjEuMSIgaGVpZ2h0PSIzOTVweCIgd2lkdGg9IjEyMDBweCI+PC9zdmc+) Mitraフレームワークの概要。構造的因果モデルや木ベースモデルを含む合成データ事前分布の混合で表形式基盤モデル（TFM）を事前学習します。各データセットはサポートセットとクエリセットに分割されます。Mitraは、行と列にわたる2次元注意と、行単位の1次元注意の両方をサポートします。推論時には、モデルは実データセットからのサンプル例を条件とし、勾配更新なしでインコンテキスト学習（ICL）を使用してクエリラベルを予測します。 AutoGluon 1.4の一部としてリリースされたMitraは、インコンテキスト学習を通じて最先端のパフォーマンスを示しています。適度な数の例を条件とすることで、勾配更新やタスク固有の訓練を必要とせずに、新しいデータセットのラベルを予測することができます。 データベース革新の10年：Amazon Auroraの物語 Amazon Auroraが2015年にローンチされたとき、それはM

2025年で最も閲覧されたブログ記事トップ10

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト

背景や根拠まで確認しますか？

関連記事

ニュースの次に確認する

調べる

選ぶ

サイト