Косить траву или чистить пылесосом ковёр — задачи, которые многие выполняют сотни раз, почти не задумываясь. Мозг сам вырабатывает маршрут, обычно достаточно хороший, чтобы дело было сделано. Люди на удивление неплохо справляются с этой задачей — куда лучше, чем можно было бы предположить, учитывая, что для компьютеров она весьма сложна. Чтобы проверить это на практике, команда The Pudding построила виртуальный «газон» и предложила людям его «покосить».
Несколько недель назад один и тот же участок газона «покосили» 30 954 человека. Пути получились самые разные, но при этом на удивление похожие по эффективности. Нужно было покрыть всего 49 клеток, но участники нашли 14 589 разных способов сделать это. При такой вариативности медианная эффективность составила 91% (в пределах пяти ходов от оптимума). 52% людей уложились в пять ходов от лучшего возможного пути, а 16% нашли идеальное решение.
Для этого небольшого газона существует 12 разных идеальных решений — и участники нашли их все.
Но что именно они на самом деле решали?
Поиск оптимального пути через набор клеток — классическая задача информатики. Формально она называется задачей планирования покрытия пути (Coverage Path Planning) и связана с одной из самых известных задач планирования маршрутов — задачей коммивояжёра.
Задачи планирования маршрута
Суть задачи коммивояжёра проста: продавец должен посетить набор городов ровно по одному разу и вернуться в исходную точку, выбрав при этом самый короткий возможный маршрут. Курьер, планирующий доставку пиццы, или ребёнок, обходящий дома в Хэллоуин ради максимального улова конфет, решают версию этой же задачи.
Эксперимент с газоном возник после того, как создатели материала прочитали исследование, показавшее: люди впечатляюще близко подходят к вычисленным компьютером оптимальным решениям для небольшого числа точек, и даже при 70+ точках показывают неплохой результат — всего на 11% хуже оптимального. По мере роста числа точек способность людей находить хорошее решение снижается. Возникал вопрос: будет ли похожая картина при «косьбе газона»?
Небольшое отступление. Есть два основных подхода к решению подобных задач. Упрощённо: существуют алгоритмы, гарантирующие оптимальный путь, и эвристики, которые используют упрощения, чтобы быстро найти «достаточно хороший» путь.
Почему нужны эвристики? Если продавцу нужно посетить всего 10 городов и проверить каждый возможный маршрут, придётся протестировать 3,6 миллиона вариантов. Это число растёт экспоненциально с добавлением новых городов.
15 городов — уже 1,3 триллиона возможных маршрутов. 😱
20 городов — 2,4 квинтиллиона возможных маршрутов. 🤯
Когда задача небольшая, подход почти не важен — работает почти всё. Но по мере роста сложности оптимальное решение становится недостижимым, и эвристики становятся необходимостью. Это верно и для людей, и для компьютеров: и те, и другие переходят на стратегии «достаточно хорошо», когда идеал непрактичен.
Пошаговый разбор
Разберём одну сессию «косьбы» подробно, с комментариями по ходу дела. В качестве примера возьмём совершенно среднюю партию игрока по имени Bones. На неё потребовалось 54 хода — пять больше оптимума. Каждый ход был зафиксирован с таймстампом, поэтому любое колебание или смена направления оставили след в данных.
Перед тем как сделать первый ход, Bones сделал паузу в 2,9 секунды — тоже совершенно средний показатель. Увидев открытый газон, участник естественным образом задержался, чтобы осмотреть поле и, возможно, составить план.
Затем Bones двинулся вперёд. Решать было нечего до пятой клетки, где возник выбор: продолжить вправо или свернуть вниз?
Именно здесь пути участников впервые разошлись. Bones почти не колебался (0,7 секунды) и решил пойти вниз — как и 20% остальных игроков. Это критический момент, к которому стоит вернуться.
Bones медленно продвигался вдоль внешнего края, пока не дошёл до низа. Первая заметная пауза (2,4 секунды) случилась, когда участник осознал, что упёрся в тупик и должен вернуться назад.
Осознав ошибку, Bones развернулся и повторно «прошёл» первую клетку, чтобы закончить этот участок. Чтобы попасть в другую открытую зону, пришлось возвращаться через ещё две клетки. После этого дело пошло гладко: сначала обход по краям, затем заполнение оставшихся клеток в середине.
Разница между лучшими «косильщиками» и остальными сводилась к одному ключевому решению. Газон можно разделить на две основные секции: левую и правую. Bones закончил левую секцию первой. Поскольку она заканчивается тупиком, единственный выход — вернуться назад тем же путём, что создаёт неизбежный откат.
Если посмотреть, где закончил каждый участник, эта закономерность видна отчётливо. Игроки, отставшие от оптимума на три и более ходов, заканчивали в самых разных точках газона.
А те, кто уложился в два хода от оптимума, включая 17% идеально прошедших уровень, сначала «косили» правую сторону, чтобы закончить на левой — заранее предвидя ловушку тупика.
Одной из таких участниц оказалась девушка по имени Сара. С ней связались и выяснили, что она закончила на левой стороне намеренно.
«Я увидела тупик в конце и подумала: окей, значит именно там мне и нужно закончить, поэтому туда сначала не пойду».
Сара понимала, что тупик означает: левую секцию нужно оставить на конец, чтобы избежать откатов. Данные о паузах это подтверждают: самое долгое колебание случилось за клетку до развилки, после чего она продолжила очищать правую сторону.
Сара также сделала кое-что, что выглядело немного неестественно. Вместо того чтобы просто идти прямо несколько раз подряд, она интуитивно и заранее свернула в змейкообразный узор. Это подчеркнуло ключевое различие между реальной косьбой газона и упрощённой игрой — подход, которым воспользовались сильные игроки. Сара, увлечённый геймер, разглядела эту стратегию сразу же.
Шесть газонов
Это был всего один газон. Всего построено пять уровней, каждый крупнее и загромождённее предыдущего, вплоть до газона 14×14 c почти 200 клетками для покрытия.
30 954 человека прошли два обязательных уровня, а 8 912 человек прошли ещё несколько дополнительных бонусных. Ожидалось снижение результатов: исследования по задаче коммивояжёра показывают, что люди справляются хуже по мере роста задачи. Но оптимальность держалась на уровне около 90%, независимо от того, требовалось 26 ходов или 177.
Одна оговорка: размер газонов и раскладка препятствий менялись одновременно, поэтому нельзя точно сказать, что повлияло больше. Результаты на самом крупном газоне оказались чуть лучше, чем на двух предыдущих, что говорит о том, что раскладка препятствий важнее чистого размера поля.
Наиболее вероятное объяснение — сама структура газона. В отличие от задачи коммивояжёра, где точки разбросаны случайно, газон обладает структурой, позволяющей людям опираться на две стратегии: декомпозицию и сжатие.
Люди разбивали газон на меньшие, более управляемые участки и решали их постепенно. Сара описала это идеально:
«Я разбираю всё по частям... стараюсь оставлять за собой полностью законченные участки».
На самом крупном газоне она объяснила почему: удержать всю картину в голове было просто невозможно.
«Я не смогу спланировать всё это заранее... даже просто попытаться всё это запомнить было бы слишком сложно».
Поэтому она разбивала задачу на куски: очищала один участок и переходила к следующему. Классическая декомпозиция.
Переходя от раунда к раунду, люди, вероятно, сжимали полученный опыт в некую мысленную модель игры, что позволяло распознавать закономерности в более сложных газонах и адаптировать своё поведение.
Когда включается мышление
Казалось очевидным, что те, кто думает дольше, косят лучше. На графике — 7 235 человек, прошедших все уровни, распределённые по темпу (секунды на клетку, что нормализует время относительно размера газона) в сравнении с тем, насколько близко к оптимуму они подошли. Какой процентиль темпа ни возьми на оси X — разброс результатов везде примерно одинаковый.
Хотя на противоположных концах у лучших и худших игроков заметен небольшой тренд, если сказать, сколько времени потратил человек, невозможно угадать, насколько хорошо он справился. Технически время само по себе объясняет менее 5% различий в результатах (R2 = 4,9%).
Если выделить только продолжительные паузы (то есть моменты обдумывания), тенденция сохраняется, но где именно возникают эти паузы — совсем другая история. Рассмотрим четвёртый уровень как пример.
Лучшие игроки (90-й процентиль) тратили время на размышления в начале пути, двигаясь вниз по первому столбцу, а затем — на развилке между двумя скоплениями камней в нижней левой части: идти в загромождённую среднюю секцию или сначала очистить открытое пространство справа. Они интуитивно понимали, что нужно закончить в тупиковом «кармане» наверху, чтобы минимизировать откаты. В итоге на финишной прямой пауз уже не требовалось.
Худшие же игроки (10-й процентиль) быстро проходили начало и почти не задумывались, пока угол или край не заставляли их остановиться — что говорит о реакции, а не планировании. Они понимали, что тот же самый «карман» — тупик, только оказавшись в нём, после чего приходилось останавливаться, отступать и заново решать, куда двигаться.
Лучшие игроки двигались примерно с той же скоростью, что и все остальные, но повторно проходили гораздо меньше клеток. Время тратилось на развилках, а остальной путь проходился «на автомате». Ниже — два человека, закончивших ровно за одинаковое время, но с разным результатом.
Об этом же говорилось и в интервью. Сара, одна из лучших участниц, целенаправленно распределяла внимание неравномерно. У неё была своя теория, почему.
«В больших пространствах гораздо выше когнитивная нагрузка, чтобы понять лучший путь. А в маленьких пространствах... там просто меньше решений, которые нужно принимать».
Тесные, чреватые ловушками участки она планировала тщательно, а на открытых пространствах действовала по наитию.
Дело, значит, не в том, чтобы думать больше или быстрее, а в том, когда происходит это обдумывание. Именно это делает хорошая эвристика: тратит внимание на решения, которые действительно важны, и не тратит его на те, что не важны.
Удачи не думать об этом в следующий раз, когда придётся косить газон!
Данные и методология
Данные представляют собой снимок текущего эксперимента на 31 июля 2026 года. После второго уровня эксперимент был приостановлен для сбора демографической информации. Последующие уровни были опциональными и представлены как бонусные раунды, поэтому число прошедших их людей меньше.
Диаграмма рассеяния из исследования по задаче коммивояжёра приближённо реконструирована на основе изображения в исследовании, поскольку исходные данные не были предоставлены.
Темп рассчитывается как секунды на требуемую клетку, а не на клетку, которую участник фактически прошёл. Если бы делили на реальное число ходов, более длинный путь одновременно ухудшал бы показатель оптимальности и увеличивал бы счётчик ходов, что сделало бы сравнение замкнутым само на себя.
Для определения оптимальной эффективности запускались алгоритмы, исчерпывающе решающие каждый газон. Оптимальное решение на некоторых уровнях включало откаты.
Значение R2 в 4,8% получено из линейной регрессии процентиля темпа против процентиля оптимальности среди людей, прошедших все газоны.
Одна из участниц, Сара, дала видеоинтервью и разрешила использовать своё настоящее имя. Все остальные упоминаются под никнеймами, которые они использовали в игре.
Исходные данные пользователей доступны на GitHub проекта.