Nowe prawo skalowania AI odkryte przez ByteDance — klucz nie leży w danych, ale w czasie interakcji

Przez lata dominująca narracja w AI była prosta: więcej danych, więcej mocy obliczeniowej, lepsze wyniki. Ale ten paradygmat napotyka twarde granice. Wkracza zespół Seed AI z ByteDance, który odkrył nowe prawo skalowania — takie, które nie polega na gromadzeniu coraz większych zbiorów danych, ale na tym, jak długo agent AI wchodzi w interakcję ze światem rzeczywistym.

Odkrycie: Prawo skalowania log-sigmoidalnego

Zespół Seed AI z ByteDance odkrył, że wydajność agentów AI podczas uczenia się w rzeczywistym środowisku podlega prawu skalowania log-sigmoidalnego wraz z czasem interakcji. Zagregowana wydajność w zróżnicowanym zestawie długoterminowych zadań pasuje do tej krzywej z niezwykłym R² na poziomie 0,998.

Poza pojedynczą krzywą, naukowcy zaobserwowali również, że szybkość uczenia się czołowych agentów mniej więcej podwaja się co trzy miesiące w różnych generacjach modeli. Sugeruje to efekt kumulacyjny: im dłużej agenci działają w rzeczywistych warunkach, tym szybciej się uczą, a każda nowa generacja modeli zaczyna od wyższego poziomu wyjściowego.

Benchmark: EdgeBench

Aby umożliwić to odkrycie, zespół opracował nową strukturę ewaluacyjną o nazwie EdgeBench, opublikowaną 2 lipca 2026 roku. EdgeBench to zestaw 134 rzeczywistych zadań obejmujących sześć dziedzin:

• Odkrycia naukowe
• Inżynieria oprogramowania
• Optymalizacja kombinatoryczna
• Profesjonalna praca wiedzowa
• Matematyka formalna
• Gry interaktywne

Każde zadanie wymaga co najmniej 12 godzin ciągłej pracy agenta w warunkach bogatego, wielopoziomowego sprzężenia zwrotnego. Artykuł naukowy oraz struktura ewaluacyjna z 51 publicznie udostępnionymi zadaniami zostały opublikowane 2 lipca. Zespół przeanalizował około 38 000 godzin danych interakcji agentów w ramach tych zadań, aby zidentyfikować prawo skalowania.

Dlaczego to ma znaczenie: Koniec skalowania przez więcej danych

Tradycyjne skalowanie AI — rzucanie większej ilości danych i mocy obliczeniowej na większe modele — napotyka ścianę. Epoch AI ostrzegło, że publicznie dostępne teksty generowane przez ludzi mogą wyczerpać się w ciągu sześciu lat, przez co skalowanie danych i mocy obliczeniowej na siłę staje się nie do utrzymania.

Liderzy branży AI również zwrócili uwagę na ten problem. Andrej Karpathy zauważył, że stary paradygmat „więcej danych, więcej mocy obliczeniowej" nie może trwać wiecznie.

Odkrycie ByteDance otwiera nowy, mierzalny wymiar doskonalenia AI: uczenie się po wdrożeniu poprzez interakcję z rzeczywistym światem. Zamiast polegać wyłącznie na skali wstępnego trenowania, agenci AI mogą w przewidywalny sposób poprawiać się dzięki długotrwałemu doświadczeniu w świecie rzeczywistym — to ścieżka znacznie mniej ograniczona zasobowo niż gromadzenie coraz większych zbiorów danych.

Precyzja prawa log-sigmoidalnego (R² = 0,998) ma kluczowe znaczenie. Umożliwia przewidywanie przyszłej wydajności na podstawie wczesnych trajektorii interakcji, co czyni uczenie się agentów systematycznym i przewidywalnym obiektem skalowania, a nie nieprzewidywalną czarną skrzynką. Dla programistów i firm oznacza to, że zwrot z inwestycji (ROI) w pozostawienie agenta na dłużej w rzeczywistym środowisku można obliczyć z góry.

Co to oznacza w przyszłości

To odkrycie nie tylko modernizuje istniejące systemy AI — wskazuje na fundamentalnie inną strategię rozwoju. Zamiast budować coraz większe modele szkolone na skończonych danych internetowych, naukowcy mogą tworzyć agentów, którzy doskonalą się poprzez użytkowanie. Podwajanie szybkości uczenia się co trzy miesiące sugeruje, że luka między świeżo wdrożonym agentem a doświadczonym będzie się szybko powiększać, czyniąc trwałe, długo działające systemy agentów coraz bardziej wartościowymi.

Dla branży AI poszukującej kolejnego wektora wzrostu po boomie skalowania wstępnego trenowania, odkrycie zespołu Seed ByteDance oferuje wspartą danymi odpowiedź: pozwól agentom uczyć się w pracy.