巨大AIは要らない？――CPUで動く時系列AI「Timestral」とデータセンター計画の現実

Mistral AIは2026年10月15日、時系列予測モデル群Timestralを公開しました。5M、28M、123M、209Mパラメータの4サイズで、CPU推論とオンプレミス運用を掲げます。売上、電力需要、在庫などの数値列を予測する用途で、巨大な汎用チャットAIを毎回呼ばなくてもよい設計です。ただし、性能比較は現時点で開発元が示した結果であり、各社データでの再検証が必要です。

小型モデルの価値は、精度だけではありません。生データを外部APIへ送りにくい企業が、自社環境で繰り返し予測できること。実行費を抑え、担当者が複数の前提を試せることです。一方で、時系列モデルは入力の定義が崩れると簡単に間違えます。「データセンター計画数」を予測するなら、発表、許認可、着工、通電、稼働を同じ一件として数えてはいけません。

そこで、公開一次資料で状態とMWを同時に確認できた案件を小さく並べました。緑は稼働、青は建設中、黄は計画、赤は延期・保留、灰は中止です。これは世界全体の件数推計ではなく、分類方法を試す検証サンプルです。Avistaの500MW案件は電力サービス協議が保留で、建設中止が確定したわけではありません。Mahomet案件は自治体が協議終了を公表しましたが、規模は一次資料で確認できないため棒グラフから外し、表に残しました。

規模は、10MW未満をS、10〜49MWをM、50〜199MWをL、200MW以上をXLとして仮分類しました。GalaxyのHelios Phase Iは133MWのIT負荷を稼働済み、Phase IIは260MWを建設中。NEOMの案件は第1段階360MWのうち100MWが開発中と発表されています。数字を並べるだけでも、発表総量と現在通電している容量の差が見えます。

Timestralへ与えるなら、案件ID、発表日、状態変更日、確定MW、将来MW、電力契約、許認可、顧客契約を別列にします。不明はゼロで埋めず欠損として残す。中止と保留も分ける。予測モデルより先に分類ルールを固定することが、見やすいグラフと誤差の少ない予測につながります。