10 Agentes Opus 5.5 Descobrem Algoritmo de Caminho Mais Curto que Supera Dijkstra em 15 Horas
Um enxame de 10 agentes autônomos, movidos pelo modelo Opus 5.5, desenvolveu e verificou formalmente o algoritmo C-HD, que supera teoricamente o algoritmo de Dijkstra em grafos esparsos.
O problema do caminho mais curto é um desafio clássico na teoria dos grafos, fundamental para navegação moderna, roteamento de internet, logística e inúmeras outras aplicações reais. Em 1959, o cientista da computação holandês Edsger Dijkstra propôs um algoritmo com complexidade O(m + n log n), que permaneceu como padrão ouro pelos 65 anos seguintes e foi usado ubiquitariamente.
Em 2025, uma equipe da Universidade Tsinghua, Stanford e do Instituto Max Planck finalmente superou esse limite com uma cota de O(m log^{2/3} n). No entanto, a vantagem dessa solução só se manifesta em grafos suficientemente densos (onde o número de arestas m ≥ o número de vértices n). Em grafos esparsos, o algoritmo de Dijkstra continuava sendo superior.
A Vals AI decidiu testar o novo modelo Opus 5.5 especificamente nessa faixa não quebrada (post no blog). Eles lançaram 10 agentes, atribuíram-lhes a tarefa e forneceram um "quadro de avisos" para que trocassem ideias e cooperassem.
Como resultado, dentro de 15 horas e 733 mensagens, os agentes derivaram o algoritmo C-HD e o verificaram formalmente. Esta é a primeira melhoria comprovada especificamente na zona esparsa onde Dijkstra ainda era o melhor: em m ≈ n·log^{3/4}n, o C-HD atinge O(n·log^{11/12}n) comparado ao O(n log n) de Dijkstra. Para n = 2^1000, o ganho é aproximadamente 1,78x e cresce com o tamanho do grafo.
No entanto, apesar da afirmação impressionante e da existência de uma prova em Lean, ainda não há discussão sobre aceleração prática, pois as estimativas acima são assintóticas. O algoritmo ainda não foi benchmarked em grafos do mundo real. Em outras palavras, embora uma curva seja garantida para ultrapassar a outra quando n → ∞, o ponto de cruzamento na prática pode ocorrer apenas em valores enormes de n, e em qualquer grafo realista, Dijkstra provavelmente ainda será mais rápido, apesar de ter assíntoticas piores. Essa parte permanece por verificar.
Por que isso importa
AnáliseEste avanço destaca a crescente capacidade dos agentes de IA para abordar problemas fundamentais da ciência da computação, indo além da geração de código para descobrir e verificar formalmente novos algoritmos que desafiam padrões teóricos de longa data.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
Memória de Curto e Longo Prazo dos Agentes
Arquitetura de memória hierárquica para agentes autônomos. Separação entre memória de curto prazo (Short-Term Memory — janela de contexto ativa da sessão atual) e memória de longo prazo (Long-Term Memory — bancos de dados vetoriais, arquivos de perfil do usuário e diários episódicos).
Projetos do Claude Code: como um único IA coordena uma equipe de agentes autônomos
Análise aprofundada dos Projetos do Claude Code: arquitetura Coordinator e Threads, branches paralelas, memória compartilhada MEMORY.md e gerenciamento de agentes na nuvem.
Parte I. Arquitetura de Agentes de IA: Blocos Fundamentais
Dez blocos fundamentais de um agente moderno: taxonomia de modelos, loop de runtime, técnicas de prompting, destilação, habilidades (skills), memória, function calling e economia por unidade.
Benchmarks para agentes: GAIA e SWE-bench
Nova geração de benchmarks práticos rigorosos para avaliar a autonomia da inteligência artificial. O GAIA testa tarefas multimodais na web aberta, envolvendo arquivos e navegador, enquanto o SWE-bench verifica a capacidade dos agentes de encontrar e corrigir bugs reais em grandes repositórios do GitHub.