Исследователи ByteDance открыли новый закон масштабирования для ИИ-агентов, работающих в реальных условиях
Исследователи ByteDance открыли новый закон масштабирования для ИИ-агентов, работающих в реальных условиях. Фото: СС0
Это открытие, по заявлению исследователей, может продлить период активного роста индустрии искусственного интеллекта в то время, когда традиционные методы предварительного обучения моделей сталкиваются с фундаментальными ограничениями, связанными с исчерпанием доступных текстовых данных, которое, по прогнозам исследовательского института Epoch AI, может наступить в ближайшие шесть лет.
В ходе экспериментов исследователи зафиксировали, что агенты способны удваивать скорость своего обучения каждые три месяца благодаря длительному взаимодействию с внешними системами.
Для проверки этой гипотезы команда разработала специализированный тестовый комплекс EdgeBench, включающий 134 задачи с крайне длительным горизонтом планирования, охватывающих такие области, как программная инженерия, научные открытия, формальная математика и профессиональная интеллектуальная работа.
Выполнение каждой задачи требует, как минимум, 12 часов непрерывной работы агента. В рамках исследования было зафиксировано 38 тыс. часов взаимодействия с окружающей средой для оценки пяти передовых моделей, включая Anthropic Claude Opus 4.8, OpenAI GPT 5.5 и GPT 5.4, а также модели китайских лидеров Zhipu AI и DeepSeek.
Полученные данные показали, что производительность агентов подчиняется высокопредсказуемой математической кривой — лог-сигмоидальному закону масштабирования с коэффициентом детерминации R² равным 0,998, что свидетельствует о возможности продолжения предсказуемого улучшения ИИ-возможностей через практический опыт даже после того, как выгоды от традиционного предварительного обучения начинают иссякать.
Авторы работы подчёркивают, что обучение после развёртывания в насыщенных средах заслуживает такого же систематического внимания к масштабированию, какое ранее получала фаза предварительного обучения.
Эта адаптивность становится критически важной по мере того, как ИИ-агенты всё активнее внедряются в корпоративное программное обеспечение, научные исследования и инженерные проекты, а способность агента учиться на собственном опыте и улучшать выполнение задач является центральным условием для массового развёртывания ИИ-систем в реальном мире.
Если этот закон масштабирования подтвердится в ходе более широкой проверки, он может изменить экономику всей отрасли, сделав инфраструктуру распространения и развёртывания столь же важной, как и вычислительные мощности для предварительного обучения, резюмируют в ByteDance.
Упомянутые сервисы
Комментариев пока не было