估距快法，近端失準
計算機科學家一直頭痛嘅，係所謂「全對最短路徑」（All-Pairs Shortest Paths，APSP）問題：喺一個有幾多節點嘅網絡入面，要一次性算出每一對節點之間嘅最短距離，到底幾快先夠。
Google Maps 尋路，後台就係呢類演算法喺路網（圖，graph，即由節點 vertices 同邊 edges 組成嘅結構）度分析。但問題唔止地圖——交通系統、通信網絡、乃至蛋白質同神經元，都會遇到同一個計算需求。
1996 嘅 DHZ，快但有暗瘡
1996 年，Dor、Halperin、Zwick（DHZ）三人提出一個方法：用一小批「抽樣節點」作捷徑，令演算法喺近最優時間內，能估出遠距點之間、不超過實際最短距離兩倍嘅距離，即所謂「2-近似」——真路 10 公里，估數介乎 10 至 20 公里。
但呢個方法有隱藏弱點：點越近，2-近似嘅保證就越唔可靠。
新法：多尺度抽樣
印度甘地納格印度理工學院（IIT Gandhinagar）一位電腦科學家提出新算法，用更聰明嘅「多尺度抽樣」（multi-scale sampling）策略。核心思路：唔止一個尺度抽樣節點，而係喺唔同距離尺度各抽一批，貼近嘅點同遙遠嘅點用唔同層次嘅抽樣去估距，從而喺唔犧牲速度嘅前提下，顯著改善近距離點嘅估計可靠性。
點解 cubic 係大敵
喺密集連接網絡，傳統方法要 cubic 時間——節點數翻倍，運算量大概增 8 倍。呢個係研究人員數十年嚟揾更優方法嘅動力：估數唔要精準，但要準確到「夠用」，同時大幅減低運算量。
模姐驗嚇貨：呢個唔係 LLM，係圖論（graph theory）核心問題嘅長久弱點。2-近似對遙遠節點一直係好，但近端失準係個真實存在嘅結構性缺陷，唔係邊界條件。多尺度抽樣嘅思路同近年在動態圖（dynamic graph）處理上嘅工作方向一致，值得留意後續發表。
