Hukum Skala AI Baharu Ditemui — dan Ia Tidak Bergantung pada Lebih Banyak Data

Selama bertahun-tahun, naratif dominan dalam AI adalah mudah: lebih banyak data, lebih banyak komputasi, hasil yang lebih baik. Namun, paradigma itu kini menemui had yang sukar. Di sinilah pasukan Seed AI ByteDance muncul, menemui hukum skala baharu — satu yang tidak bergantung pada mengumpul set data yang lebih besar, tetapi pada tempoh masa ejen AI berinteraksi dengan dunia sebenar.

Penemuan: Hukum Skala Log-Sigmoid

Pasukan Seed AI ByteDance mendapati bahawa prestasi ejen AI semasa pembelajaran persekitaran dunia sebenar mengikut hukum skala log-sigmoid dengan masa interaksi. Prestasi agregat merentasi pelbagai tugas jangka panjang yang pelbagai sesuai dengan lengkung ini dengan R² yang luar biasa iaitu 0.998.

Di luar satu lengkung, para penyelidik juga memerhatikan bahawa kelajuan pembelajaran ejen frontier kira-kira berganda setiap tiga bulan merentasi generasi model yang berbeza. Ini menunjukkan kesan penggabungan: semakin lama ejen beroperasi dalam persekitaran dunia sebenar, semakin cepat mereka belajar, dan setiap generasi model baharu bermula dari asas yang lebih tinggi.

Penanda Aras: EdgeBench

Untuk membolehkan penemuan ini, pasukan membangunkan rangka kerja penilaian baharu yang dipanggil EdgeBench, yang dikeluarkan pada 2 Julai 2026. EdgeBench ialah suite 134 tugas dunia sebenar merentasi enam domain:

• Penemuan saintifik
• Kejuruteraan perisian
• Pengoptimuman kombinatorial
• Kerja pengetahuan profesional
• Matematik formal
• Permainan interaktif

Setiap tugas memerlukan sekurang-kurangnya 12 jam operasi ejen berterusan di bawah maklum balas pelbagai peringkat yang kaya. Kertas penyelidikan dan rangka kerja penilaian dengan 51 tugas yang dikeluarkan secara umum telah diterbitkan pada 2 Julai. Pasukan menganalisis kira-kira 38,000 jam data interaksi ejen merentasi tugas-tugas ini untuk mengenal pasti hukum skala tersebut.

Mengapa Ini Penting: Tamatnya Penskalaan Lebih Banyak Data

Penskalaan AI tradisional — membuang lebih banyak data dan komputasi ke dalam model yang lebih besar — sedang menemui tembok. Epoch AI telah memberi amaran bahawa data teks yang dihasilkan manusia yang tersedia secara umum boleh habis dalam tempoh enam tahun, menjadikan penskalaan paksa data dan komputasi tidak mampan.

Pemimpin industri AI juga telah menandakan masalah ini. Andrej Karpathy telah menyatakan bahawa paradigma lama "lebih banyak data, lebih banyak komputasi" tidak boleh bertahan selama-lamanya.

Penemuan ByteDance membuka dimensi baharu yang boleh diukur untuk peningkatan AI: pembelajaran selepas penggunaan daripada interaksi dunia sebenar. Daripada hanya bergantung pada skala pra-latihan, ejen AI boleh terus bertambah baik secara boleh diramal melalui pengalaman dunia sebenar yang berpanjangan — laluan yang jauh kurang terhad sumber berbanding mengumpul set data yang semakin besar.

Ketepatan hukum log-sigmoid (R² = 0.998) adalah kritikal. Ia membolehkan ramalan prestasi kemudian daripada trajektori interaksi awal, menjadikan pembelajaran ejen sebagai objek penskalaan yang sistematik dan boleh diramal dan bukannya kotak hitam yang tidak dapat diramal. Untuk pemaju dan perniagaan, ini bermakna pulangan pelaburan (ROI) untuk membiarkan ejen berjalan lebih lama dalam persekitaran dunia sebenar boleh dikira terlebih dahulu.

Apa Maksudnya untuk Masa Depan

Penemuan ini bukan sahaja menyesuaikan sistem AI sedia ada — ia menunjuk ke arah strategi pembangunan yang berbeza secara fundamental. Daripada membina model yang semakin besar yang dilatih pada data internet yang terhad, penyelidik boleh membina ejen yang bertambah baik melalui penggunaan. Penggandaan kelajuan pembelajaran setiap tiga bulan menunjukkan bahawa jurang antara ejen yang baru digunakan dan yang berpengalaman akan melebar dengan cepat, menjadikan sistem ejen yang berterusan dan berjalan lama semakin bernilai.

Untuk industri AI yang mencari vektor pertumbuhan seterusnya selepas ledakan penskalaan pra-latihan, penemuan Seed ByteDance menawarkan jawapan yang disokong data: biarkan ejen belajar sambil bekerja.