ByteDance Seed khám phá quy luật tỷ lệ mới cho AI Agent — Học log-sigmoid với tốc độ tăng gấp đôi mỗi ba tháng

Trong nhiều năm, câu chuyện chủ đạo trong lĩnh vực AI rất đơn giản: càng nhiều dữ liệu, càng nhiều sức mạnh tính toán, kết quả càng tốt. Nhưng mô hình đó đang chạm phải những giới hạn cứng. Sự xuất hiện của nhóm Seed AI thuộc ByteDance đã mang đến một quy luật tỷ lệ mới — một quy luật không phụ thuộc vào việc tích trữ các bộ dữ liệu ngày càng lớn, mà dựa trên thời gian một AI agent tương tác với thế giới thực.

Khám Phá: Quy Luật Tỷ Lệ Log-Sigmoid

Nhóm Seed AI của ByteDance đã phát hiện ra rằng hiệu suất của AI agent trong quá trình học tập trong môi trường thực tế tuân theo quy luật tỷ lệ log-sigmoid với thời gian tương tác. Hiệu suất tổng hợp trên một loạt các nhiệm vụ đa dạng, kéo dài phù hợp với đường cong này với độ chính xác đáng kinh ngạc, đạt R² là 0,998.

Không chỉ dừng lại ở một đường cong đơn lẻ, các nhà nghiên cứu còn quan sát thấy tốc độ học của các agent tiên tiến tăng gấp đôi sau khoảng mỗi ba tháng qua các thế hệ mô hình khác nhau. Điều này cho thấy một hiệu ứng cộng hưởng: các agent hoạt động trong môi trường thực tế càng lâu, chúng học càng nhanh và mỗi thế hệ mô hình mới bắt đầu từ một nền tảng cao hơn.

Điểm Chuẩn: EdgeBench

Để thực hiện khám phá này, nhóm nghiên cứu đã phát triển một khung đánh giá mới có tên EdgeBench, được công bố vào ngày 2 tháng 7 năm 2026. EdgeBench là một bộ 134 nhiệm vụ thực tế bao gồm sáu lĩnh vực:

• Khám phá khoa học
• Kỹ thuật phần mềm
• Tối ưu hóa tổ hợp
• Công việc tri thức chuyên nghiệp
• Toán học hình thức
• Trò chơi tương tác

Mỗi nhiệm vụ yêu cầu ít nhất 12 giờ hoạt động liên tục của agent dưới sự phản hồi đa cấp phong phú. Bài báo nghiên cứu và một khung đánh giá với 51 nhiệm vụ được công bố công khai đã được đăng tải vào ngày 2 tháng 7. Nhóm nghiên cứu đã phân tích khoảng 38.000 giờ dữ liệu tương tác của agent trên các nhiệm vụ này để xác định quy luật tỷ lệ.

Tại Sao Điều Này Quan Trọng: Sự Kết Thúc Của Mở Rộng Quy Mô Dựa Trên Nhiều Dữ Liệu Hơn

Phương pháp mở rộng quy mô AI truyền thống — đưa thêm nhiều dữ liệu và sức mạnh tính toán hơn vào các mô hình lớn hơn — đang chạm phải một bức tường. Epoch AI đã cảnh báo rằng dữ liệu văn bản do con người tạo ra có sẵn công khai có thể bị cạn kiệt trong vòng sáu năm, khiến cho việc mở rộng quy mô dữ liệu và tính toán một cách vũ phu trở nên không bền vững.

Các nhà lãnh đạo ngành AI cũng đã chỉ ra vấn đề này. Andrej Karpathy đã lưu ý rằng mô hình "thêm dữ liệu, thêm sức mạnh tính toán" cũ không thể kéo dài mãi mãi.

Phát hiện của ByteDance mở ra một khía cạnh mới, có thể đo lường được cho sự cải thiện của AI: học tập sau khi triển khai từ tương tác thực tế. Thay vì chỉ dựa vào quy mô tiền huấn luyện, các AI agent có thể tiếp tục cải thiện một cách có thể dự đoán được thông qua trải nghiệm thực tế kéo dài — một con đường ít bị giới hạn bởi tài nguyên hơn nhiều so với việc tích trữ các bộ dữ liệu ngày càng lớn.

Độ chính xác của quy luật log-sigmoid (R² = 0,998) là rất quan trọng. Nó cho phép dự đoán hiệu suất sau này từ các quỹ đạo tương tác ban đầu, biến việc học của agent thành một đối tượng tỷ lệ có hệ thống và có thể dự đoán được, thay vì một hộp đen không thể lường trước. Đối với các nhà phát triển và doanh nghiệp, điều này có nghĩa là lợi tức đầu tư (ROI) của việc để một agent chạy lâu hơn trong một môi trường thực tế có thể được tính toán trước.

Điều Này Có Ý Nghĩa Gì Trong Tương Lai

Khám phá này không chỉ cải tiến các hệ thống AI hiện có — nó chỉ ra một chiến lược phát triển hoàn toàn khác. Thay vì xây dựng các mô hình ngày càng lớn được huấn luyện trên dữ liệu internet hữu hạn, các nhà nghiên cứu có thể xây dựng các agent cải thiện thông qua việc sử dụng. Việc tốc độ học tăng gấp đôi sau mỗi ba tháng cho thấy khoảng cách giữa một agent mới được triển khai và một agent đã có kinh nghiệm sẽ ngày càng rộng, khiến cho các hệ thống agent bền bỉ, hoạt động lâu dài ngày càng có giá trị.

Đối với một ngành công nghiệp AI đang tìm kiếm động lực tăng trưởng tiếp theo sau sự bùng nổ về mở rộng quy mô tiền huấn luyện, khám phá của ByteDance Seed đưa ra một câu trả lời dựa trên dữ liệu: hãy để các agent học hỏi trong công việc.