さらに、単一の曲線だけでなく、異なる世代のモデル全体で、最先端エージェントの学習速度は約3ヶ月ごとに倍増している ことも観測されました。 これは複合的な効果を示唆しています。すなわち、エージェントが実世界で長く稼働すればするほど学習が速くなり、新しい世代のモデルほど高いベースラインからスタートできることを意味します。

研究を支えたベンチマーク「EdgeBench」

この発見を可能にしたのが、研究チームが2026年7月2日に公開した新たな評価フレームワーク 「EdgeBench」 です。 EdgeBenchは、以下の6つのドメインにわたる134の実世界タスクで構成されています。

• 科学的発見
• ソフトウェア工学
• 組み合わせ最適化
• 専門知識を要するホワイトカラーワーク
• 形式数学（定理証明）
• インタラクティブゲーム

各タスクは、豊富で多層的なフィードバックのもと、最低でも12時間の連続的なエージェント動作を必要とします。研究論文と、51のタスクを公開した評価フレームワークは7月2日に発表されました。 研究チームは、これらのタスクにおける約38,000時間分のエージェントインタラクションデータを分析し、このスケーリング則を特定しました。

なぜこの発見が重要なのか：従来のスケーリングの限界

従来のAIスケーリング手法—巨大なモデルにさらに多くのデータと計算資源を投じる—は、壁に突き当たりつつあります。Epoch AIは、公開されている人間生成のテキストデータはあと6年以内に枯渇する可能性があると警告しており、データと計算資源への野蛮な依存は持続不可能です。

AI業界のリーダーたちもこの問題を指摘しています。著名なAI研究者であるアンドレイ・カーパシー氏は、旧来の「より多くのデータ、より多くの計算資源」というパラダイムが永遠に続くわけがないと述べています。

バイトダンスのこの発見は、AI改善の新たな、測定可能な次元を切り開きます：それは、デプロイ後の実世界インタラクションによる学習です。事前学習の規模にのみ頼るのではなく、AIエージェントは実世界での経験を通じて予測可能な形で改善を続けることができます。これは、際限なくデータセットを収集するよりもはるかにリソース制約の少ない道です。

このログシグモイド則の精度（R²＝0.998）は極めて重要です。これにより、初期のインタラクションの軌跡から後のパフォーマンスを予測することが可能になり、エージェントの学習を、予測不可能なブラックボックスではなく、体系的で予測可能なスケーリング対象に変えます。 開発者や企業にとっては、エージェントを実環境で長く動作させることの投資対効果（ROI）を事前に計算できるようになることを意味します。

今後の展望：仕事で学ぶAIへ

この発見は、既存のAIシステムを改良するだけでなく、根本的に異なる開発戦略を示唆しています。有限なインターネットデータで訓練する巨大モデルを構築する代わりに、研究者は使い込むほどに改善するエージェントを構築できるのです。学習速度が3ヶ月ごとに倍増するということは、新しくデプロイされたエージェントと熟練したエージェントの差が急速に拡大し、永続的で長期稼働するエージェントシステムの価値がますます高まることを意味します。

事前学習スケーリングブームの後の成長ベクトルを模索するAI業界にとって、バイトダンスSeedチームの発見は、データに裏打ちされた一つの答えを提示しています：「エージェントに仕事を通じて学ばせよ」 と。

さらに、単一の曲線だけでなく、異なる世代のモデル全体で、最先端エージェントの学習速度は約3ヶ月ごとに倍増している ことも観測されました。 これは複合的な効果を示唆しています。すなわち、エージェントが実世界で長く稼働すればするほど学習が速くなり、新しい世代のモデルほど高いベースラインからスタートできることを意味します。

研究を支えたベンチマーク「EdgeBench」

この発見を可能にしたのが、研究チームが2026年7月2日に公開した新たな評価フレームワーク 「EdgeBench」 です。 EdgeBenchは、以下の6つのドメインにわたる134の実世界タスクで構成されています。

• 科学的発見
• ソフトウェア工学
• 組み合わせ最適化
• 専門知識を要するホワイトカラーワーク
• 形式数学（定理証明）
• インタラクティブゲーム

各タスクは、豊富で多層的なフィードバックのもと、最低でも12時間の連続的なエージェント動作を必要とします。研究論文と、51のタスクを公開した評価フレームワークは7月2日に発表されました。 研究チームは、これらのタスクにおける約38,000時間分のエージェントインタラクションデータを分析し、このスケーリング則を特定しました。

なぜこの発見が重要なのか：従来のスケーリングの限界

従来のAIスケーリング手法—巨大なモデルにさらに多くのデータと計算資源を投じる—は、壁に突き当たりつつあります。Epoch AIは、公開されている人間生成のテキストデータはあと6年以内に枯渇する可能性があると警告しており、データと計算資源への野蛮な依存は持続不可能です。

AI業界のリーダーたちもこの問題を指摘しています。著名なAI研究者であるアンドレイ・カーパシー氏は、旧来の「より多くのデータ、より多くの計算資源」というパラダイムが永遠に続くわけがないと述べています。

バイトダンスのこの発見は、AI改善の新たな、測定可能な次元を切り開きます：それは、デプロイ後の実世界インタラクションによる学習です。事前学習の規模にのみ頼るのではなく、AIエージェントは実世界での経験を通じて予測可能な形で改善を続けることができます。これは、際限なくデータセットを収集するよりもはるかにリソース制約の少ない道です。

このログシグモイド則の精度（R²＝0.998）は極めて重要です。これにより、初期のインタラクションの軌跡から後のパフォーマンスを予測することが可能になり、エージェントの学習を、予測不可能なブラックボックスではなく、体系的で予測可能なスケーリング対象に変えます。 開発者や企業にとっては、エージェントを実環境で長く動作させることの投資対効果（ROI）を事前に計算できるようになることを意味します。

今後の展望：仕事で学ぶAIへ

この発見は、既存のAIシステムを改良するだけでなく、根本的に異なる開発戦略を示唆しています。有限なインターネットデータで訓練する巨大モデルを構築する代わりに、研究者は使い込むほどに改善するエージェントを構築できるのです。学習速度が3ヶ月ごとに倍増するということは、新しくデプロイされたエージェントと熟練したエージェントの差が急速に拡大し、永続的で長期稼働するエージェントシステムの価値がますます高まることを意味します。

事前学習スケーリングブームの後の成長ベクトルを模索するAI業界にとって、バイトダンスSeedチームの発見は、データに裏打ちされた一つの答えを提示しています：「エージェントに仕事を通じて学ばせよ」 と。