30 954 человека косили один и тот же виртуальный газон. 52% уложились в пять лишних ходов от оптимального пути, а 16% сделали идеально. Всего нужно было покрыть 49 клеток, но люди нашли 14 589 разных способов. При таком разнообразии медианный результат всё равно 91% эффективности. Для этого газона существует 12 идеальных решений, и люди отыскали каждое.
Формально это задача Coverage Path Planning, родственная знаменитой Traveling Salesman Problem — коммивояжеру нужно обойти все города по разу и вернуться, сократив путь. Люди отлично справляются с малым числом остановок: по одному исследованию, при 70+ остановках они всего на 11% менее эффективны, чем компьютер. Сложность растёт невероятно быстро: для 10 городов нужно проверить 3,6 миллиона маршрутов, для 15 — 1,3 триллиона, а для 20 — 2,4 квинтиллиона. Поэтому нужны эвристики — быстрые приближённые решения, когда точный поиск невозможен.
Авторы разобрали среднее прохождение игрока Bones. Он сделал 54 хода вместо 49. Перед стартом он замер на 2,9 секунды, как и большинство. На пятой клетке он почти не раздумывая (0,7 секунды) пошёл вниз — так выбрали 20% игроков. Это привело к тупику: пришлось возвращаться и перескакивать через уже скошенные клетки. Ключевой момент — левая часть газона тупиковая, поэтому лучшие игроки сначала шли направо и заканчивали слева, чтобы не делать возвратов. Среди них была Sarah, заядлая геймерша: она поняла тупик заранее и сознательно оставила эту зону на конец, а ещё использовала змеевидный паттерн движения.
Всего было пять уровней — от 26 до 177 ходов. Оптимальность держалась около 90%, хотя размер рос. Похоже, структура газона важнее размера: люди разбивали задачу на части (decomposition) и переносили опыт между раундами (compression). Sarah призналась, что не может удержать в голове весь большой газон, поэтому работает кусками, оставляя за собой законченное.
Время обдумывания почти ни на что не влияет — R² всего 4,9%. Важнее, когда именно думать. Лучшие подолгу паузили на развилках и у тупиков, а худшие неслись, пока не упирались в стену, — то есть реагировали, а не планировали. Лучшие двигались с той же скоростью, но куда реже возвращались. Хорошая эвристика тратит внимание только на важные решения и ничего не тратит на остальное.
Данные — снапшот эксперимента на 31 июля 2026 года. После второго уровня собирали демографию, а поздние уровни были бонусными. Темп считали на требуемый квадрат, а не на фактический, чтобы не было циклической зависимости. Оптимальные пути нашли полным перебором, и на некоторых уровнях они включали возвраты. Сырые данные лежат на Github.