ByteDance Seed พบกฎสเกลใหม่ของ AI Agent ความเร็วเพิ่มขึ้นเท่าตัวทุก 3 เดือน

มาตรวัดใหม่: EdgeBench

เพื่อให้การค้นพบนี้เป็นไปได้ ทีมวิจัยได้พัฒนาเครื่องมือประเมินผลใหม่ชื่อ EdgeBench ซึ่งเผยแพร่เมื่อวันที่ 2 กรกฎาคม 2026 EdgeBench คือชุดภารกิจในโลกจริงจำนวน 134 ภารกิจ ครอบคลุม 6 โดเมน:

• การค้นพบทางวิทยาศาสตร์
• วิศวกรรมซอฟต์แวร์
• การหาค่าที่เหมาะสมที่สุดเชิงคณิตศาสตร์
• งานวิชาชีพที่ใช้ความรู้
• คณิตศาสตร์เชิงรูปนัย
• เกมแบบโต้ตอบ

แต่ละภารกิจต้องใช้เวลา ทำงานต่อเนื่องอย่างน้อย 12 ชั่วโมง ภายใต้การให้ข้อเสนอแนะที่หลากหลาย ทีมงานวิเคราะห์ข้อมูลปฏิสัมพันธ์ของ Agent ประมาณ 38,000 ชั่วโมง จากภารกิจเหล่านี้เพื่อระบุกฎสเกลดังกล่าว

ทำไมเรื่องนี้ถึงสำคัญ: จุดจบของการสเกลด้วยข้อมูลที่มากขึ้น

การสเกล AI แบบดั้งเดิม — การเพิ่มข้อมูลและพลังคำนวณให้โมเดลใหญ่ขึ้น — กำลังชนกำแพง Epoch AI เตือนว่าข้อความที่มนุษย์สร้างขึ้นบนอินเทอร์เน็ตอาจหมดภายในหกปี ส่งผลให้การสเกลด้วยข้อมูลและพลังคำนวณแบบเดิมนั้นไม่ยั่งยืน

ผู้เชี่ยวชาญในวงการ AI ก็ชี้ถึงปัญหานี้เช่นกัน Andrej Karpathy ผู้เชี่ยวชาญด้าน AI ชั้นนำเคยกล่าวว่า กระบวนทัศน์แบบเดิม "ข้อมูลมากขึ้น พลังคำนวณมากขึ้น" ไม่สามารถคงอยู่ตลอดไปได้

การค้นพบของ ByteDance เปิด มิติใหม่ที่วัดผลได้สำหรับการปรับปรุง AI: การเรียนรู้หลังการปรับใช้จากการปฏิสัมพันธ์ในโลกจริง แทนที่จะพึ่งพาการสเกลในขั้นตอน Pre-training เพียงอย่างเดียว AI Agent สามารถพัฒนาตัวเองได้อย่างคาดเดาได้ผ่านประสบการณ์ในโลกจริง ซึ่งเป็นเส้นทางที่มีข้อจำกัดด้านทรัพยากรน้อยกว่าการสะสมชุดข้อมูลขนาดใหญ่ขึ้นเรื่อยๆ

ความแม่นยำของกฎ log-sigmoid (R² = 0.998) มีความสำคัญอย่างมาก มันช่วยให้ สามารถคาดการณ์ประสิทธิภาพในระยะหลังได้ตั้งแต่ช่วงแรกที่ Agent เริ่มทำงาน ทำให้การเรียนรู้ของ Agent กลายเป็นวัตถุที่สามารถสเกลได้อย่างเป็นระบบและคาดเดาได้ แทนที่จะเป็นกล่องดำที่คาดเดาไม่ได้ สำหรับนักพัฒนาและธุรกิจ นั่นหมายถึงผลตอบแทนจากการลงทุนจากการให้ Agent ทำงานในโลกจริงนานขึ้นสามารถคำนวณล่วงหน้าได้

นี่หมายถึงอะไรต่อไป

การค้นพบนี้ไม่ใช่แค่เพียงปรับปรุงระบบ AI ที่มีอยู่ แต่ยังชี้ไปยังกลยุทธ์การพัฒนาที่แตกต่างไปจากเดิมอย่างสิ้นเชิง แทนที่จะสร้างโมเดลที่ใหญ่ขึ้นเทรนด้วยข้อมูลอินเทอร์เน็ตที่มีจำกัด นักวิจัยสามารถสร้าง Agent ที่พัฒนาตัวเองจากการใช้งาน การเพิ่มความเร็วในการเรียนรู้เป็นเท่าตัวทุกสามเดือนชี้ให้เห็นว่าช่องว่างระหว่าง Agent ที่เพิ่งปรับใช้กับ Agent ที่มีประสบการณ์จะกว้างขึ้นอย่างรวดเร็ว ทำให้ระบบ Agent ที่ทำงานต่อเนื่องยาวนานมีมูลค่ามากขึ้น

สำหรับวงการ AI ที่กำลังมองหาเวกเตอร์การเติบโตใหม่หลังจากยุค Boom ของ Pre-training Scaling การค้นพบของ ByteDance Seed ได้ให้คำตอบที่มีข้อมูลสนับสนุน: ปล่อยให้ Agent เรียนรู้จากการทำงานจริง