ByteDance zbulon një ligj të ri të shkallëzimit që mund të mbajë gjallë bum-in e inteligjencës artificiale

Studiuesit në kompaninë prindërore të TikTok, ByteDance, kanë zbuluar një ligj të ri shkallëzimi që rregullon shpejtësinë me të cilën agjentët e inteligjencës artificiale mund të përmirësohen duke kryer detyra në botën reale, një zbulim që mund të ndihmojë në zgjatjen e bumit të inteligjencës artificiale, pikërisht në momentin kur metodat tradicionale të zhvillimit hasin vështirësi.
Në një punim kërkimor të botuar të enjten, ekipi i ByteDance për inteligjencën artificiale (SEED AI) zbuloi se agjentët e IA-së – softuer autonom që ekzekuton detyra në emër të një njeriu – mund të dyfishojnë shpejtësinë e të mësuarit çdo tre muaj duke bashkëvepruar me mjedise të botës reale gjatë periudhave të gjata kohore.

Zbulimi vjen ndërsa industria globale e inteligjencës artificiale po kërkon mënyra të reja për të përmirësuar modelet. Për vite me radhë, zhvilluesit mbështeteshin në furnizimin e sistemeve me më shumë të dhëna dhe fuqi llogaritëse gjatë trajnimit fillestar, por figura të shquara të industrisë – përfshirë bashkëthemeluesin e OpenAI, Andrej Karpathy – kanë paralajmëruar se kjo qasje e forcës brutale nuk mund të zgjasë përgjithmonë.

Çështja lidhet pjesërisht me një thatësirë ​​të të dhënave që po afron . Instituti kërkimor me seli në SHBA, Epoch AI, paralajmëroi së fundmi se të dhënat tekstuale të gjeneruara nga njeriu, të disponueshme publikisht, mund të shterojnë brenda gjashtë viteve të ardhshme. Kjo e bën gjetjen e shtigjeve alternative për të avancuar IA-në një nga prioritetet më të larta të industrisë.
Megjithatë, pavarësisht faktit se firmat e teknologjisë po orientohen drejt inteligjencës artificiale agjentike, studiuesit e ByteDance vunë në dukje në dokument se mënyra se si këto sisteme autonome “mësojnë nga mjediset e botës reale pas vendosjes mbetet shumë më pak e kuptuar”.

Për të adresuar problemin, ekipi zhvilloi EdgeBench, një suitë krahasimi që përmban 134 detyra me horizont ultra të gjatë që përfshijnë një gamë të gjerë fushash, nga inxhinieria e softuerëve dhe zbulimet shkencore deri te matematika formale dhe puna me njohuri profesionale. Çdo detyrë kërkon të paktën 12 orë funksionim të vazhdueshëm të agjentit të IA-së.

Studiuesit regjistruan 38,000 orë ndërveprimi me mjedisin për të vlerësuar pesë modele kufitare.

Këto përfshinin Claude Opus 4.8 të Anthropic, GPT 5.5 dhe GPT 5.4 të OpenAI, si dhe modele nga konkurrentët kryesorë kinezë Zhipu AI dhe DeepSeek.

Të dhënat zbuluan se performanca e një agjenti ndjek një kurbë matematikore shumë të parashikueshme. Kjo sugjeron që aftësitë e inteligjencës artificiale mund të vazhdojnë të përmirësohen në mënyrë të parashikueshme përmes përvojës praktike, edhe pse përfitimet nga trajnimi paraprak konvencional zbehen.

Ekipi i ByteDance argumentoi në punim se “të mësuarit pas vendosjes nga mjedise të pasura mund të meritojë të njëjtën vëmendje sistematike të shkallëzimit që ka marrë trajnimi paraprak”.

Kjo përshtatshmëri është bërë gjithnjë e më e rëndësishme, pasi agjentët e IA-së janë integruar në një gamë skenarësh të botës reale, nga softuerët e ndërmarrjeve deri te projektet kërkimore shkencore dhe inxhinierike.
Në vend që të mbështeten vetëm në njohuritë statike të fituara gjatë trajnimit të tyre fillestar, këta agjentë do të duhet të evoluojnë vazhdimisht në punë.

“Aftësia e një agjenti për të mësuar nga mjedisi i tij dhe për të përmirësuar performancën e detyrave është thelbësore për vendosjen e sistemeve të inteligjencës artificiale në shkallë të gjerë në botën reale”, përfunduan studiuesit në faqen zyrtare të internetit të testit EdgeBench.