الإجاباتمنشورقبل شهرينLast edited قبل شهرين13 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...

ابحث وتحقق من الحقائق مع Studio Global AI تصفّح المزيد من الصفحات الرائجة

إجابة البحث

الوجبات السريعة الرئيسية

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.
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.

ByteDance Seed AI agent log-sigmoid scaling law EdgeBench benchmark visual — Search & fact-check with cited sources for What scaling law did ByteDance's Seed AI team discover about how AI agents improve over extendedByteDance's Seed AI team discovered that agents improve predictably with real-world interaction time, governed by a log-sigmoid scaling law (R² = 0.998).
موجّه الذكاء الاصطناعي
Create 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.
openai.com

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. ^A^H^S

إلى جانب منحنى واحد، لاحظ الباحثون أيضًا أن سرعة تعلم الوكلاء المتطورين تتضاعف تقريبًا كل ثلاثة أشهر عبر الأجيال المختلفة من النماذج. ^A^H^S 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.

المعيار: EdgeBench

لجعل هذا الاكتشاف ممكنًا، طور الفريق إطار تقييم جديد يسمى EdgeBench، تم إطلاقه في 2 يوليو 2026. ^A^H EdgeBench هو مجموعة من 134 مهمة واقعية تغطي ستة مجالات:

الاكتشاف العلمي
هندسة البرمجيات
التحسين التوافقي
العمل المهني المعرفي
الرياضيات الشكلية
الألعاب التفاعلية

تتطلب كل مهمة 12 ساعة على الأقل من التشغيل المستمر للوكيل تحت تغذية راجعة متعددة المستويات وغنية. نُشرت الورقة البحثية وإطار التقييم مع 51 مهمة متاحة للجمهور في 2 يوليو. ^A^H قام الفريق بتحليل حوالي 38,000 ساعة من بيانات تفاعل الوكلاء عبر هذه المهام لتحديد قانون التوسع. ^H^S

لماذا هذا مهم: نهاية توسع نطاق البيانات الأكبر

التوسع التقليدي للذكاء الاصطناعي - إلقاء المزيد من البيانات والمزيد من القوة الحاسوبية على نماذج أكبر - يصطدم بحائط. حذرت Epoch AI من أن البيانات النصية البشرية المتاحة للعامة قد تُستنفد في غضون ست سنوات، مما يجعل التوسع القسري للبيانات والقدرة الحاسوبية غير مستدام. ^S

كما أشار قادة الصناعة في الذكاء الاصطناعي إلى هذه المشكلة. أشار أندري كارباثي إلى أن النموذج القديم "المزيد من البيانات، المزيد من القوة الحاسوبية" لا يمكن أن يستمر إلى الأبد. ^S

يكتشاف بايت دانس يفتح بعدًا جديدًا وقابلاً للقياس لتحسين الذكاء الاصطناعي: التعلم بعد النشر من التفاعل الواقعي. بدلاً من الاعتماد فقط على حجم التدريب المسبق، يمكن لوكلاء الذكاء الاصطناعي الاستمرار في التحسن بشكل متوقع من خلال الخبرة الواقعية الممتدة - وهو مسار أقل تقييدًا بالموارد من تخزين مجموعات بيانات ضخمة. ^H^S

دقة القانون اللوغاريتمي-السيغمي (R² = 0.998) بالغة الأهمية. إنها تمكن التنبؤ بالأداء اللاحق من مسارات التفاعل المبكرة، مما يجعل تعلم الوكيل كائنًا منهجيًا وقابلاً للتوسع للتنبؤ بدلاً من صندوق أسود لا يمكن التنبؤ به. ^A^H للمطورين والشركات، هذا يعني أن العائد على الاستثمار من السماح لوكيل بالعمل لفترة أطول في بيئة واقعية يمكن حسابه مسبقًا.

ماذا يعني هذا للمستقبل

هذا الاكتشاف لا يُحدث فقط تحديثًا لأنظمة الذكاء الاصطناعي الحالية - بل يشير إلى استراتيجية تطوير مختلفة جذريًا. بدلاً من بناء نماذج أكبر وأكبر تُدرّب على بيانات إنترنت محدودة، يمكن للباحثين بناء وكلاء يتحسنون من خلال الاستخدام. مضاعفة سرعة التعلم كل ثلاثة أشهر تشير إلى أن الفجوة بين وكيل تم نشره حديثًا وآخر متمرس ستتسع بسرعة، مما يجعل أنظمة الوكلاء المستمرة وطويلة المدى ذات قيمة متزايدة.

لصناعة الذكاء الاصطناعي التي تبحث عن ناقل النمو التالي بعد طفرة توسيع نطاق التدريب المسبق، يقدم اكتشاف Seed من بايت دانس إجابة مدعومة بالبيانات: دع الوكلاء يتعلمون أثناء العمل.

Studio Global AI

مواصلة البحث الخاص بك

تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.

ابحث وتحقق من الحقائق مع Studio Global AI

يسأل الناس أيضا

ما هي الإجابة المختصرة على "قانون توسع جديد للذكاء الاصطناعي لا يعتمد على بيانات أكثر"؟

ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟

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