EdgeBench

字节跳动提出基于部署后学习速度的新AI扩展定律

2026年7月5日，字节跳动旗下Seed AI研究团队发布了一项关于AI扩展定律的全新见解，提出部署后学习（post-deployment learning）可能成为新的AI扩展范式。传统的预训练扩展方法通过增加参数、数据和算力推动模型能力提升，但正面临高质量训练数据枯竭和收益递减的困境。Seed AI团队在EdgeBench基准（包含科学、软件工程、优化、知识工作、形式推理和游戏六个领域的134个长时程任务，每个任务至少运行12小时）上测试发现，AI代理在真实世界部署后可以通过持续交互、反馈和环境变化不断自我改进，其改进速度大约每三个月翻一番。这一发现若经独立复现证实，可能重塑AI发展的经济学逻辑，将竞争优势从拥有庞大计算预算的公司转向那些拥有强大分发渠道、最大用户基础和最佳部署基础设施的企业。文章同时指出，该结论需要谨慎对待，EdgBench的任务虽丰富但未覆盖所有真实场景，学习曲线是否会阶段性趋于平缓仍待观察。但倘若这种部署后经验缩放定律成立，AI进步将从一味扩大模型规模转向规模化积累部署后经验。