Исследователи представили концепцию «обоснованного масштабирования» (Grounded Scaling), объясняющую, почему современные ИИ-агенты сталкиваются с резким падением эффективности при выполнении длинных цепочек действий. Основная причина кроется в непредсказуемости среды: если каждое действие агента имеет коэффициент детерминизма ниже единицы, вероятность успеха всей цепочки из нескольких шагов падает экспоненциально. В условиях, созданных для людей, где ошибки допустимы, агенты быстро теряют контекст и совершают критические сбои.
Авторы работы утверждают, что текущие дискуссии о развитии ИИ слишком сосредоточены на вычислительных мощностях и «стенах данных», игнорируя фундаментальную проблему взаимодействия с неструктурированной средой. Для перехода к более совершенным системам необходимо переосмыслить архитектуру сред, в которых работают агенты. Вместо адаптации агентов под хаотичные условия предлагается создание строго детерминированных, контролируемых пространств, где каждый шаг системы предсказуем и воспроизводим.
Этот подход требует перехода от попыток научить модель «импровизировать» в человеческих интерфейсах к проектированию специализированных инфраструктурных слоев. Такие среды должны минимизировать энтропию и обеспечивать стабильную обратную связь на каждом этапе выполнения задачи. Только при достижении высокого уровня детерминизма в среде исполнения становится возможным надежное масштабирование агентных систем, способных решать сложные многошаговые задачи без накопления ошибок.