Новый закон масштабирования ИИ: не нужно больше данных — нужно больше взаимодействия с реальным миром

Долгие годы главная парадигма в искусственном интеллекте была проста: больше данных, больше вычислений — лучше результат. Но этот подход упирается в жёсткие пределы. Команда Seed из ByteDance обнаружила новый закон масштабирования, который не требует бесконечного накопления датасетов, а зависит от того, как долго ИИ-агент взаимодействует с реальным миром.

Открытие: лог-сигмоидный закон масштабирования

Исследователи ByteDance Seed установили, что производительность ИИ-агентов при обучении в реальной среде подчиняется лог-сигмоидному закону масштабирования в зависимости от времени взаимодействия. Совокупная производительность на разнообразных долгосрочных задачах описывается этой кривой с выдающимся R² = 0,998. ^AHS

Более того, учёные обнаружили, что скорость обучения frontier-агентов примерно удваивается каждые три месяца при смене поколений моделей. ^AHS Это указывает на накопительный эффект: чем дольше агенты работают в реальных условиях, тем быстрее они учатся, а каждое новое поколение моделей стартует с более высокой базы.

Бенчмарк: EdgeBench

Чтобы сделать это открытие возможным, команда разработала новый оценочный фреймворк — EdgeBench, опубликованный 2 июля 2026 года. ^AH EdgeBench представляет собой набор из 134 реальных задач в шести областях:

• Научные открытия
• Программная инженерия
• Комбинаторная оптимизация
• Профессиональная интеллектуальная работа
• Формальная математика
• Интерактивные игры

Каждая задача требует как минимум 12 часов непрерывной работы агента с многоуровневой обратной связью. Исследовательская статья и фреймворк для оценки с 51 общедоступной задачей были опубликованы 2 июля. ^AH Команда проанализировала примерно 38 000 часов взаимодействия агентов в рамках этих задач, чтобы выявить закон масштабирования. ^HS

Почему это важно: конец масштабирования за счёт данных

Традиционное масштабирование ИИ — добавление всё новых данных и вычислений для более крупных моделей — упирается в стену. Epoch AI предупреждает, что общедоступные тексты, созданные человеком, могут быть исчерпаны в течение шести лет, что делает масштабирование данных и вычислений неустойчивым. ^S

Лидеры индустрии ИИ также отмечают эту проблему. Андрей Карпати, бывший главный научный сотрудник OpenAI, подчёркивал, что старая парадигма «больше данных, больше вычислений» не может длиться вечно. ^S

Открытие ByteDance открывает новое, измеримое измерение улучшения ИИ: обучение после развёртывания через взаимодействие с реальным миром. Вместо того чтобы полагаться исключительно на масштаб предварительного обучения, ИИ-агенты могут предсказуемо улучшаться за счёт продолжительного реального опыта — путь, который гораздо менее ограничен ресурсами, чем накопление всё более крупных датасетов. ^HS

Точность лог-сигмоидного закона (R² = 0,998) критически важна. Она позволяет прогнозировать будущую производительность по ранним траекториям взаимодействия, превращая обучение агентов в систематический, предсказуемый объект масштабирования, а не в непредсказуемый «чёрный ящик». ^AH Для разработчиков и бизнеса это означает, что окупаемость инвестиций в длительную работу агента в реальной среде можно рассчитать заранее.

Что это значит для будущего

Это открытие не просто модернизирует существующие системы ИИ — оно указывает на принципиально иную стратегию развития. Вместо создания всё более крупных моделей, обученных на конечных интернет-данных, исследователи могут создавать агентов, которые улучшаются в процессе использования. Удвоение скорости обучения каждые три месяца означает, что разрыв между только что развёрнутым агентом и опытным будет быстро расти, делая постоянные, долго работающие системы агентов всё более ценными.

Для индустрии ИИ, ищущей новый вектор роста после бума масштабирования предобучения, открытие ByteDance Seed даёт подтверждённый данными ответ: позвольте агентам учиться на работе.