ByteDance'ın Seed Ekibi Yeni Bir AI Ölçekleme Yasası Keşfetti

Yıllardır yapay zekadaki hakim anlatı çok basitti: Daha fazla veri, daha fazla hesaplama gücü, daha iyi sonuçlar. Ancak bu paradigma ciddi sınırlarla karşı karşıya. İşte tam bu noktada ByteDance'ın Seed AI ekibi sahneye çıkıyor ve devasa veri kümeleri biriktirmeye dayanmayan, bunun yerine bir AI ajanının gerçek dünyayla ne kadar süre etkileşimde kaldığına odaklanan yeni bir ölçekleme yasası keşfediyor.

Keşif: Log-Sigmoid Ölçekleme Yasası

ByteDance'ın Seed AI ekibi, AI ajanlarının gerçek dünya ortamında öğrenme sırasındaki performansının, etkileşim süresiyle birlikte log-sigmoid ölçekleme yasasını takip ettiğini buldu. Uzun vadeli görevlerdeki toplam performans, bu eğriye R² değeri 0,998 gibi dikkat çekici bir hassasiyetle uyuyor.

Tek bir eğrinin ötesinde, araştırmacılar öncü ajanların öğrenme hızının, farklı model nesilleri arasında kabaca her üç ayda bir ikiye katlandığını da gözlemledi. Bu, birleşik bir etkiye işaret ediyor: Ajanlar gerçek dünya ortamlarında ne kadar uzun süre çalışırsa o kadar hızlı öğreniyor ve her yeni model nesli daha yüksek bir başlangıç seviyesinden başlıyor.

Benchmark: EdgeBench

Bu keşfi mümkün kılmak için ekip, EdgeBench adlı yeni bir değerlendirme çerçevesi geliştirdi ve 2 Temmuz 2026'da yayınladı. EdgeBench, altı alana yayılmış 134 gerçek dünya görevinden oluşan bir settir:

• Bilimsel keşif
• Yazılım mühendisliği
• Kombinatoryal optimizasyon
• Profesyonel bilgi çalışmaları
• Resmi matematik
• İnteraktif oyunlar

Her görev, zengin, çok seviyeli geri bildirim altında en az 12 saat sürekli ajan operasyonu gerektiriyor. Araştırma makalesi ve 51 görevi kamuya açık olan değerlendirme çerçevesi 2 Temmuz'da yayınlandı. Ekip, ölçekleme yasasını belirlemek için bu görevlerde yaklaşık 38.000 saatlik ajan etkileşim verisini analiz etti.

Bu Neden Önemli: Daha Fazla Veri Ölçeklemesinin Sonu

Geleneksel AI ölçeklemesi (daha büyük modellere daha fazla veri ve hesaplama gücü eklemek) bir duvara tosluyor. Epoch AI, kamuya açık insan yapımı metin verilerinin altı yıl içinde tükenebileceği konusunda uyararak, veri ve hesaplama gücünün kör bir şekilde ölçeklenmesinin sürdürülemez olduğunu belirtiyor.

AI endüstrisinin liderleri de bu soruna dikkat çekti. Andrej Karpathy, eski "daha fazla veri, daha fazla hesaplama gücü" paradigmasının sonsuza kadar süremeyeceğini kaydetti.

ByteDance'ın bulgusu, AI iyileştirmesi için yeni, ölçülebilir bir boyut açıyor: dağıtım sonrası gerçek dünya etkileşiminden öğrenme. AI ajanları, yalnızca ön eğitim ölçeğine güvenmek yerine, genişletilmiş gerçek dünya deneyimi yoluyla öngörülebilir bir şekilde gelişmeye devam edebilir. Bu, devasa veri kümeleri biriktirmekten çok daha az kaynak kısıtlaması olan bir yoldur.

Log-sigmoid yasasının hassasiyeti (R² = 0,998) kritik öneme sahiptir. Erken etkileşim verilerinden sonraki performansı tahmin etmeyi mümkün kılar ve ajan öğrenmesini öngörülemez bir kara kutu yerine sistematik ve öngörülebilir bir ölçekleme nesnesi haline getirir. Geliştiriciler ve işletmeler için bu, bir ajanı gerçek dünya ortamında daha uzun süre çalıştırmanın getirisinin önceden hesaplanabileceği anlamına geliyor.

Bundan Sonrası İçin Ne Anlama Geliyor?

Bu keşif, yalnızca mevcut AI sistemlerini iyileştirmekle kalmıyor; temelde farklı bir geliştirme stratejisine işaret ediyor. Araştırmacılar, sınırlı internet verileriyle eğitilmiş giderek daha büyük modeller inşa etmek yerine, kullanım yoluyla gelişen ajanlar inşa edebilirler. Öğrenme hızının her üç ayda bir ikiye katlanması, yeni dağıtılmış bir ajan ile deneyimli bir ajan arasındaki farkın hızla açılacağını ve kalıcı, uzun süreli çalışan ajan sistemlerini giderek daha değerli hale getireceğini gösteriyor.

Ön eğitim ölçekleme patlamasından sonraki büyüme vektörünü arayan AI endüstrisi için ByteDance Seed'in keşfi, veriye dayalı bir cevap sunuyor: Ajanların iş başında öğrenmesine izin verin.