渐近改进不等于工程实效
观点：Big O 只描述数据无穷大时的趋势，常数因子才决定真实机器的耗时——一个渐近复杂度更优的算法，可能在人类用得上的规模里永远跑不赢老算法。
Vals AI 把 10 个 Claude Opus 5.5 放进沙盒，配一块虚拟留言板让它们分工、找茬、互相评审，15 小时里刷了 733 条消息，交出 C-HD 算法：289 个 Lean 文件的形式化证明一次通过机器验证、未使用未授权公理，在特定稀疏图区间（验证范围 m ≥ n）把 Dijkstra 的 O(m + n log n) 压到 O(m + n·log^{2/3}n·log^{1/3}m)。理论圈震动。反转很快来了：开发者 danalec 用 C 语言把 C-HD 原封不动写成 1900 行工程代码跑分，结果比最朴素的 Dijkstra 还慢 1.4 至 2.8 倍，比 2025 年的 DMMSY 慢 1.8 至 2.9 倍。诊断结论：59% 的时间耗在处理 16 字节标签，34% 耗在预处理——九成以上开销不在核心计算，理论省下的那点步骤补不回”花式切分任务”付出的内存调度代价。顶点数越大差距越小，但在可用机器内存的极限内，它永远追不上 Dijkstra 的物理耗时。
洞察：人类几十年没死磕这个方向，未必是没想到，而是早看清它”对纯数学太偏工程，对工程又无实用价值”。 AI 一头扎进去，赢了理论输了实践，反而把这个沉默的共识照亮了——论文里的复杂度上界和机房里的物理耗时之间，隔着一整片常数因子的无人区。这才是这次实验最值钱的产出，比”AI 超越 Dijkstra”的标题诚实得多。
启示： 以后评估任何”算法突破""性能提升”的宣称，先问三句：常数项多大、预处理代价谁付、在什么数据规模上才兑现。理论胜利和工程胜利是两场比赛，别混着颁奖。另外这次的多 agent 协作配方本身可以抄走：沙盒加留言板异步沟通、初始分工后高度自治、走不通的死路公开喊话避免重复踩坑、宣布成功前过两轮独立 AI 评审、机器验证通过作为退出条件——用机器证明当交卷标准，比让 AI 自己宣布成功靠谱得多。
提醒： 信息链是二次转载（气象学家转新智元，源头是 Vals AI 官博），原文倾向性强，“莱特兄弟时刻""天才之国”是抒情不是证据。工程实测来自第三方开发者的个人实现，不是原论文基准，实现水平可能替算法背了一部分锅。C-HD 的渐近优势只在有向非负权重图、稀疏度处于特定区间时成立，过稠过稀都不算数。两个反向边界也要记住：“常数吞掉理论”不是铁律，Fibonacci heap 版 Dijkstra 就是常数小、渐近又优的反例；量子计算这类新范式若真兑现，常数项的计算基础都会变，今天算的账未必算得到明天。
📺 气象学家《震撼，Opus 5.5首次颠覆Dijkstra算法最短路径！》，微信公众号，2026-09-27 · 原文 · 库内 2026-09-27-wx_5c645ad0b1c93548 · 速览 速览/2026-09-27-AI首超Dijkstra算法