الإجاباتمنشور13 المصادر
قانون توسع جديد للذكاء الاصطناعي لا يعتمد على بيانات أكثر
اكتشف فريق Seed في بايت دانس أن وكلاء الذكاء الاصطناعي يتحسنون وفق قانون لوغاريتمي سيغمي (R²=0.998) أثناء التفاعل المطول مع العالم الحقيقي، مع مضاعفة سرعة تعلم الوكلاء المتقدمين كل ثلاثة أشهر تقريبًا. هذا الاكتشاف مهم لأن التوسع التقليدي للذكاء الاصطناعي بإضافة المزيد من البيانات والقدرة الحاسوبية يواجه حدودًا أساسي...
موجّه الذكاء الاصطناعي
openai.comCreate a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for What scaling law did ByteDance's Seed AI team discover about how AI agents improve over extended. Article summary: Here are the key findings with cited sources.. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
لسنوات، كانت الرواية السائدة في مجال الذكاء الاصطناعي بسيطة: المزيد من البيانات، المزيد من القوة الحاسوبية، نتائج أفضل. لكن هذا النموذج بدأ يصطدم بحدود صعبة. هنا يأتي دور فريق Seed من بايت دانس، الذي اكتشف قانونًا جديدًا لتوسيع النطاق - لا يعتمد على تخزين مجموعات بيانات ضخمة، بل على مدة تفاعل وكيل الذكاء الاصطناعي مع العالم الحقيقي.
الاكتشاف: قانون لوغاريتمي-سيغمي للتوسع
وجد فريق Seed من بايت دانس أن أداء وكلاء الذكاء الاصطناعي أثناء التعلم في البيئات الواقعية يتبع قانونًا لوغاريتميًا-سيغميًا مع وقت التفاعل. الأداء الكلي عبر مجموعة متنوعة من المهام طويلة الأمد يتناسب مع هذا المنحنى بدقة هائلة تصل R² = 0.998.
إلى جانب منحنى واحد، لاحظ الباحثون أيضًا أن سرعة تعلم الوكلاء المتطورين تتضاعف تقريبًا كل ثلاثة أشهر عبر الأجيال المختلفة من النماذج. يشير هذا إلى تأثير تراكمي: كلما طالت مدة عمل الوكلاء في بيئات واقعية، زادت سرعة تعلمهم، وكل جيل جديد من النماذج يبدأ من مستوى أساسي أعلى.
Studio Global AI
Search, cite, and publish your own answer
Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.
يسأل الناس أيضا
ما هي الإجابة المختصرة على "قانون توسع جديد للذكاء الاصطناعي لا يعتمد على بيانات أكثر"؟
اكتشف فريق Seed في بايت دانس أن وكلاء الذكاء الاصطناعي يتحسنون وفق قانون لوغاريتمي سيغمي (R²=0.998) أثناء التفاعل المطول مع العالم الحقيقي، مع مضاعفة سرعة تعلم الوكلاء المتقدمين كل ثلاثة أشهر تقريبًا.
ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟
اكتشف فريق Seed في بايت دانس أن وكلاء الذكاء الاصطناعي يتحسنون وفق قانون لوغاريتمي سيغمي (R²=0.998) أثناء التفاعل المطول مع العالم الحقيقي، مع مضاعفة سرعة تعلم الوكلاء المتقدمين كل ثلاثة أشهر تقريبًا. هذا الاكتشاف مهم لأن التوسع التقليدي للذكاء الاصطناعي بإضافة المزيد من البيانات والقدرة الحاسوبية يواجه حدودًا أساسية، حيث حذرت Epoch AI من أن النصوص البشرية المتاحة للعامة قد تنضب خلال ست سنوات.
ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟
يتيح قانون اللوغاريتم سيغمي التنبؤ بالأداء المستقبلي من مسارات التفاعل المبكرة، مما يجعل تعلم الوكلاء عملية قابلة للقياس والتنبؤ بدلاً من الصندوق الأسود غير المتوقع.
المصادر
- ai-tldr.devEdgeBench — ByteDance's 134-task long-horizon… | AI/TLDR
- hyper.aiEdgeBench: Unveiling Scaling Laws of Learning from Real-World ...
- scmp.comChina's ByteDance discovers new scaling law that could sustain AI ...
- arxiv.orgDeepPlanning: Benchmarking Long-Horizon Agentic ...
- lf3-static.bytednsdoc.com[PDF] Seed1.8 Model Card: Towards Generalized Real-World Agency
- themoonlight.io[Literature Review] Seed1.8 Model Card: Towards Generalized Real ...