В новой научной работе команда Seed AI, подразделения компании ByteDance, представила данные о значительных успехах в области автономных систем. Исследователи утверждают, что ИИ-агенты, способные самостоятельно выполнять задачи вместо человека, демонстрируют способность удваивать скорость своего обучения каждые три месяца в процессе активного взаимодействия с реальными условиями.
Ключевое отличие этого процесса заключается в отказе от классического обучения на заранее подготовленных статичных датасетах. Вместо этого акцент сделан на пост-развёртывании: агент совершенствует алгоритмы своего поведения, опираясь исключительно на опыт, полученный в ходе выполнения реальных сценариев. Такой метод рассматривается разработчиками как перспективная альтернатива традиционной стратегии «грубой силы», когда прогресс модели достигается лишь через бесконечное наращивание вычислительных мощностей и объёмов обучающих данных.
Авторы исследования подчеркивают, что индустрия уже начала упираться в пределы эффективности чистого масштабирования. Ранее эксперты отрасли, включая известного специалиста Андрея Карпаты, неоднократно указывали на то, что бесконечное увеличение ресурсов не может выступать единственным драйвером развития искусственного интеллекта в долгосрочной перспективе.
Несмотря на массовый переход крупных компаний к внедрению агентных систем, способных решать сложные многошаговые задачи, поведение ИИ после интеграции в реальную рабочую среду до сих пор остается малоизученным. Чтобы исправить этот пробел, специалисты ByteDance создали специализированный бенчмарк под названием EdgeBench.
Система тестирования включает 134 длительных задания, на выполнение каждого из которых ИИ-агенту требуется не менее 12 часов непрерывной работы. Спектр задач крайне широк: от написания программного кода и сложных научных исследований до решения профессиональных аналитических кейсов и доказательств в области формальной математики. Подобная методология позволяет оценивать не только итоговую точность выполнения работы, но и способность системы сохранять стабильность при длительном автономном функционировании.
Данное исследование подтверждает важный тренд в развитии индустрии: сегодня ключевым конкурентным преимуществом становится не только качество базовой модели, но и её способность к постоянной адаптации и самообучению непосредственно в процессе реальной эксплуатации.
