字節跳動 Seed 團隊發現 AI 學習新定律：唔靠大數據，靠「做嘢」學得快

AI 學習新定律：Log-Sigmoid 曲線，唔靠大數據靠「做嘢」

好多年嚟，AI 界都信奉一條金科玉律：數據越多、算力越勁，個模型就越叻。但呢條路似乎就快行到盡頭。字節跳動（ByteDance）旗下嘅 Seed AI 團隊就發現咗一條全新嘅法則——AI 智能體嘅進步，唔再單純取決於你塞畀佢幾多數據，而係睇佢喺真實世界「做嘢」做咗幾耐。

核心發現：Log-Sigmoid 學習曲線

字節跳動 Seed AI 團隊發現，AI 智能體喺真實環境中學習嘅表現，原來跟從一條 Log-Sigmoid（對數-S 形）曲線，隨住互動時間增加而提升。團隊分析咗超過 38,000 小時嘅智能體互動數據，發現呢條曲線嘅擬合度（R²）高達 0.998，即係幾乎完美吻合。

仲有一個更驚喜嘅發現：頂尖 AI 模型嘅學習速度大約每 3 個月就會翻一倍。 換句話講，你愈早放佢出嚟「見工」，佢學得愈快，而且新一代嘅模型起點會更高，形成一個正向循環。

衡量標準：EdgeBench 基準測試

為咗證實呢個發現，團隊特地開發咗一個名為 EdgeBench 嘅全新評測框架，喺 2026 年 7 月 2 日正式發布。 EdgeBench 包含咗 134 項真實世界任務，橫跨六大範疇：

• 科學發現
• 軟件工程
• 組合優化
• 專業知識工作
• 形式數學
• 互動遊戲

每一項任務都需要 AI 智能體連續操作至少 12 個鐘，喺豐富嘅多層次反饋當中學習。團隊就係透過分析呢啲長時間任務嘅數據，先發現到呢條隱藏嘅學習定律。

點解咁重要：傳統「堆數據」方法就快玩完

傳統 AI 訓練嘅方法——不斷加大模型、塞更多數據——已經遇到瓶頸。研究機構 Epoch AI 警告，人類可以公開攞到嘅文本數據，可能喺 6 年內就會用晒，到時「堆數據」呢招就行唔通。

AI 界大佬 Andrej Karpathy 都講過，舊有嘅「越大越好」模式唔可能永遠持續落去。

字節跳動呢個發現，開闢咗一條全新、可量化嘅 AI 進步路徑：透過部署後嘅真實世界互動嚟學習。相比依賴有限嘅預訓練數據，AI 智能體可以喺真實應用中不斷自我提升，呢條路嘅資源限制細好多。

更重要嘅係，呢條 Log-Sigmoid 曲線（R²=0.998）嘅精準度，令到我哋可以喺早期就預測到 AI 將來嘅表現。對開發者同企業嚟講，即係可以預先計算到「放個 AI 出去做耐啲」到底值唔值，令到智能體學習變成一個有系統、可預測嘅過程，唔再係難以捉摸嘅黑盒。

未來啟示：AI 要靠「實戰」成長

呢個發現唔單止解釋咗現有系統嘅行為，仲指向一個根本唔同嘅發展策略。與其不斷訓練更大嘅模型，塞滿有限嘅網絡數據，倒不如專注開發可以喺應用中不斷進步嘅智能體。學習速度每 3 個月翻一倍嘅現象，意味住新出廠嘅 AI 同有經驗嘅 AI 之間嘅差距會急速拉大，令持久運作、長期學習嘅智能體系統變得更有價值。

喺 AI 業界搵緊下一個增長點嘅時候，字節跳動 Seed 團隊呢個發現，提供咗一個有數據支撐嘅答案：放 AI 出嚟打工，佢會自己變得更叻。