Ny AI-skalningslag upptäckt — och den bygger inte på mer data

I flera år har AI-världen levt efter en enkel regel: mer data och mer beräkningskraft ger bättre resultat. Men den eran börjar nå sina gränser. Nu har ByteDances Seed AI-team gjort en upptäckt som kan förändra allt — en ny skalningslag som inte handlar om att samla in allt större datamängder, utan om hur länge en AI-agent får interagera med verkligheten.

Upptäckten: En log-sigmoid skalningslag

ByteDances Seed-team fann att AI-agenters prestation under inlärning i verkliga miljöer följer en log-sigmoid skalningslag baserat på interaktionstid. Den samlade prestationen över en bred uppsättning långsiktiga uppgifter passar denna kurva med en anmärkningsvärd R² på 0,998.

Utöver en enskild kurva observerade forskarna också att inlärningshastigheten för de främsta agenterna ungefär fördubblas var tredje månad över olika modellgenerationer. Detta tyder på en förstärkningseffekt: ju längre agenterna arbetar i verkliga miljöer, desto snabbare lär de sig, och varje ny modellgeneration startar från en högre baslinje.

Mätverktyget: EdgeBench

För att möjliggöra upptäckten utvecklade teamet ett nytt utvärderingsramverk kallat EdgeBench, som släpptes den 2 juli 2026. EdgeBench är en svit med 134 verkliga uppgifter inom sex områden:

• Vetenskapliga upptäckter
• Programvaruteknik
• Kombinatorisk optimering
• Professionellt kunskapsarbete
• Formell matematik
• Interaktiva spel

Varje uppgift kräver minst 12 timmars kontinuerlig agentdrift under rik, flernivååterkoppling. Forskningsartikeln och ett utvärderingsramverk med 51 offentligt tillgängliga uppgifter publicerades den 2 juli. Teamet analyserade ungefär 38 000 timmars agentinteraktionsdata över dessa uppgifter för att identifiera skalningslagen.

Därför är detta viktigt: Slutet för mer-data-skalning

Traditionell AI-skalning — att kasta mer data och mer beräkningskraft på större modeller — håller på att nå en vägg. Epoch AI har varnat för att allmänt tillgänglig mänskligt genererad textdata kan vara uttömd inom sex år, vilket gör brute-force-skalning av data och beräkningskraft ohållbar.

Ledande röster inom AI-branschen har också flaggat för problemet. Andrej Karpathy har påpekat att det gamla paradigmet med "mer data, mer beräkningskraft" inte kan pågå för evigt.

ByteDances upptäckt öppnar en ny, mätbar dimension av AI-förbättring: inlärning efter driftsättning genom verklig interaktion. Istället för att enbart förlita sig på förträningsskala kan AI-agenter fortsätta att förbättras på ett förutsägbart sätt genom utökad verklig erfarenhet — en väg som är mycket mindre resursbegränsad än att hamstra allt större datamängder.

Precisionen i den log-sigmoida lagen (R² = 0,998) är avgörande. Den möjliggör prognostisering av senare prestation från tidiga interaktionsmönster, vilket gör agentinlärning till ett systematiskt och förutsägbart skalningsobjekt snarare än en oförutsägbar svart låda. För utvecklare och företag innebär detta att avkastningen på investeringen i att låta en agent köra längre i en verklig miljö kan beräknas i förväg.

Vad detta innebär framöver

Denna upptäckt handlar inte bara om att anpassa befintliga AI-system — den pekar mot en fundamentalt annorlunda utvecklingsstrategi. Istället för att bygga allt större modeller tränade på ändlig internetdata kan forskare bygga agenter som förbättras genom användning. Att inlärningshastigheten fördubblas var tredje månad antyder att gapet mellan en nyligen driftsatt agent och en erfaren agent kommer att växa snabbt, vilket gör ihållande, långvariga agentsystem allt mer värdefulla.

För en AI-bransch som letar efter sin nästa tillväxtmotor efter förträningsskalningsboomen erbjuder ByteDance Seeds upptäckt ett databaserat svar: låt agenterna lära sig på jobbet.