Ny AI-skaleringslov opdaget – og den kræver ikke mere data

I årevis har den dominerende fortælling inden for AI været enkel: mere data, mere regnekraft, bedre resultater. Men det paradoks støder nu på hårde begrænsninger. Her kommer ByteDances Seed AI-team ind i billedet, som har opdaget en ny skaleringslov – en, der ikke afhænger af at hamstre stadig større datasæt, men af, hvor længe en AI-agent interagerer med den virkelige verden.

Opdagelsen: En log-sigmoid skaleringslov

ByteDances Seed AI-team fandt, at AI-agenters præstation under læring i virkelige miljøer følger en log-sigmoid skaleringslov med interaktionstid. Den samlede præstation på tværs af en bred vifte af langtidshorisont-opgaver passer til denne kurve med en bemærkelsesværdig R²-værdi på 0,998.

Ud over en enkelt kurve observerede forskerne også, at læringshastigheden for frontløberagenter cirka fordobles hver tredje måned på tværs af forskellige modelgenerationer. Dette tyder på en kombineret effekt: Jo længere tid agenter opererer i virkelige omgivelser, jo hurtigere lærer de, og hver ny generation af modeller starter fra et højere udgangspunkt.

Benchmarken: EdgeBench

For at gøre denne opdagelse mulig udviklede teamet en ny evalueringsramme kaldet EdgeBench, som blev offentliggjort den 2. juli 2026. EdgeBench er en suite af 134 opgaver fra den virkelige verden fordelt på seks domæner:

• Videnskabelig opdagelse
• Softwareudvikling
• Kombinatorisk optimering
• Professionelt vidensarbejde
• Formel matematik
• Interaktive spil

Hver opgave kræver mindst 12 timers kontinuerlig agentdrift under rig, flerniveaumæssig feedback. Forskningsartiklen og en evalueringsramme med 51 offentligt tilgængelige opgaver blev offentliggjort den 2. juli. Teamet analyserede cirka 38.000 timers agentinteraktionsdata på tværs af disse opgaver for at identificere skaleringsloven.

Hvorfor det betyder noget: Slutningen for skalering med flere data

Traditionel AI-skalering – at smide flere data og mere regnekraft efter større modeller – støder på en mur. Epoch AI har advaret om, at offentligt tilgængelige menneskeskabte tekster kan være opbrugt inden for seks år, hvilket gør brute-force-skalering af data og regnekraft uholdbar.

AI-branchens ledere har også påpeget problemet. Andrej Karpathy har bemærket, at det gamle "mere data, mere regnekraft"-paradoks ikke kan vare evigt.

ByteDances opdagelse åbner en ny, målbar dimension af AI-forbedring: læring efter udrulning fra interaktion med den virkelige verden. I stedet for udelukkende at stole på prætræningsskala kan AI-agenter fortsætte med at forbedre sig forudsigeligt gennem udvidet virkelig erfaring – en vej, der er langt mindre ressourcebegrænset end at hamstre stadig større datasæt.

Præcisionen af den log-sigmoide lov (R² = 0,998) er afgørende. Den muliggør forudsigelse af senere præstationer ud fra tidlige interaktionsforløb, hvilket gør agentlæring til et systematisk og forudsigeligt skaleringsobjekt snarere end en uforudsigelig black box. For udviklere og virksomheder betyder det, at afkastet af at lade en agent køre længere i et virkeligt miljø kan beregnes på forhånd.

Hvad det betyder fremadrettet

Denne opdagelse handler ikke kun om at eftermontere eksisterende AI-systemer – den peger på en fundamentalt anderledes udviklingsstrategi. I stedet for at bygge stadig større modeller trænet på endelige internetdata kan forskere bygge agenter, der forbedrer sig gennem brug. Fordoblingen af læringshastigheden hver tredje måned tyder på, at kløften mellem en nyudrullet agent og en erfaren agent vil vokse hurtigt, hvilket gør vedholdende, langvarige agentsystemer stadig mere værdifulde.

For en AI-branche, der leder efter sin næste vækstvektor efter prætræningsskaleringsboomet, tilbyder ByteDance Seeds opdagelse et databaseret svar: lad agenter lære på jobbet.