10 агентів Opus 5.5 за 15 годин знайшли алгоритм пошуку коротшого шляху, що перевершує Дейкстру

Десять автономних агентів на базі моделі Opus 5.5 за 15 годин розробили та верифікували новий алгоритм пошуку найкоротшого шляху C-HD, який теоретично перевершує класичний алгоритм Дейкстри на розріджених графах.
Пошук найкоротшого шляху — класична проблема теорії графів, на розв’язанні якої базуються навігатори, маршрутизація в інтернеті, логістика та безліч інших задач сучасного світу. У 1959 році нідерландський інформатик Едсгер Дейкстра запропонував алгоритм зі складністю O(m + n log n), який наступні 65 років залишався «золотим стандартом» і використовувався буквально всюди.
У 2025 році команда з Цінхуа, Стенфорда та Інституту Макса Планка вперше обійшла його з оцінкою O(m log^{2/3} n). Однак перевага їхнього рішення проявляється лише на досить щільних графах (кількість ребер m ≥ кількості вершин n). На розріджених графах алгоритм Дейкстри все ще був кращим.
Компанія Vals AI вирішила протестувати нову модель Opus 5.5 саме на цьому непобитому діапазоні (блогпост). Вони запустили 10 агентів, дали їм задачу та «дошку оголошень», щоб ті могли обмінюватися ідеями та координувати дії.
В результаті за 15 годин і 733 повідомлення агенти отримали алгоритм C-HD та формально його верифікували. Це перше доведене покращення саме в цій розрідженій зоні, де кращим досі був Дейкстра: при m ≈ n·log^{3/4}n алгоритм C-HD дає O(n·log^{11/12}n) проти O(n log n) у Дейкстри. При n = 2^1000 виграш становить ~1,78 рази і зростає зі збільшенням розміру графа.
Проте, попри всю вражаючу заяву та наявність доказу в Lean, про практичне прискорення поки що мови немає, оскільки наведені оцінки є асимптотичними. На реальних графах алгоритм ще не бенчмаркали. Тобто при n → ∞ одна крива гарантовано обіжене іншу, але на практиці точка перетину може настати лише при величезних n, і на будь-якому реалістичному графі Дейкстра все ще буде швидшою, навіть маючи гіршу асимптотику. Цю частину ще належить перевірити.
Чому це важливо
АналітикаЦе демонструє новий рівень автономності ШІ-агентів у вирішенні фундаментальних наукових задач, де вони здатні не лише генерувати код, а й створювати та формально верифікувати нові алгоритми, що перевершують багаторічні стандарти.
Обговорити новину у спільноті
Діліться своїм досвідом та думками з ШІ-розробниками
Пов'язані матеріали екосистеми
Практичні гайди, термінологія та агентські скіли
Claude Code Projects: як один ШІ координує команду автономних агентів
Глибокий аналіз Claude Code Projects: архітектура Coordinator та Threads, паралельні гілки, спільна пам'ять MEMORY.md та управління хмарними агентами.
Частина I. Архітектура ШІ-агентів: фундаментальні блоки
Десять фундаментальних блоків сучасного агента: таксономія моделей, рантайм-петля, техніки промптингу, дистиляція, навички (skills), пам'ять, function calling та юніт-економіка.
Бенчмарки для агентів: GAIA та SWE-bench
Нове покоління суворих практичних бенчмарків для оцінки автономності штучного інтелекту. GAIA тестує мультимодальні завдання у відкритому вебі з файлами та браузером, а SWE-bench перевіряє здатність агентів знаходити та виправляти справжні баги у великих репозиторіях GitHub.
Зациклення агентів та захист бюджету (Infinite Loops)
Аварійний стан автономного агента, за якого він потрапляє у нескінченну рекурсивну петлю дій через повторювану помилку або неможливість досягти мети. Розглядаються механізми захисту гаманця: жорсткі ліміти кроків (Max Steps), ліміти витрат (Spend Caps) та детекція циклічності.