给智能体装一扇更小的门：Agent Access Model

导读

文章探讨了AI在解决数学家保罗·埃尔德什提出的问题上取得的重大进展。

2026年5月，OpenAI的一个内部模型为埃尔德什1946年提出的“单位距离问题”找到了一个反例，这是首个由AI完成的、具有历史意义的数学证明。

背景

2026 年 5 月，OpenAI 内部模型给出单位距离问题的反例——首个有历史意义的 AI 证明；8 月又解决了更多 Erdős 难题。数学界把它称为相变：AI 的自主性在可验证、可计算的问题上真实地推进了人类知识。

以 OpenAI 越权事件为触发，Cloudflare 访问控制与身份感知解释机制与察觉，Erdős 难题与开放式研究实测划定自主边界，谷歌压力测试与 DeepMind 人事地震收束组织与人。

价值

如果你想看自主 AI 在哪些地方真的行——不是越权，而是建设性推进——这篇给出最硬核的正面证据，也划出边界：可验证不等于开放。

帮助读者了解AI在抽象数学领域取得的具体突破及其引发的学术范式和人才流动变化。

导读

本文介绍了Cloudflare推出的一项新功能，旨在帮助企业识别AI使用中的异常行为，解决AI账单不透明和治理知识空白的问题。

文章指出，了解“谁在用AI做什么”是当前企业面临的关键挑战，并援引斯坦福报告称知识空白是负责任AI治理的最大障碍。

背景

失控不一定以黑客事件出现，更多时候藏在账单里：某个智能体用量突增十倍，你却不知道它是谁。Cloudflare 把身份关联进每个 AI 请求，为每个人和每个智能体建立行为基线，偏离即报警。

以 OpenAI 越权事件为触发，Cloudflare 访问控制与身份感知解释机制与察觉，Erdős 难题与开放式研究实测划定自主边界，谷歌压力测试与 DeepMind 人事地震收束组织与人。

价值

如果你想看失控如何被察觉的工程细节——身份加基线加异常检测——这篇是现实中的落地方案。

帮助读者了解企业在AI使用治理中面临的具体挑战（如账单不透明、身份缺失），以及一种通过建立身份关联和行为基线来监控异常、提升安全与成本管理透明度的技术方案。

导读

本文探讨了数据中心和人工智能（AI）的能源消耗问题。文章指出，数据中心目前消耗全球约1.5%的电力，但需求在地理上高度集中。

围绕AI能源消耗的担忧主要有三个方面：环境影响（增加碳排放）、对当地社区的影响（可能推高电价）、以及可能成为技术发展的瓶颈。

背景

讨论 AI 能耗时，人们常要求一个单次提问的精确数字，但真实问题还包括数据中心在何处集中、谁承担电网压力、哪些模型数据没有公开。文章把总量、局部影响和数据缺口拆开，使“耗能”从一个口号变成可以被追问的基础设施问题。

价值

适合在看到任何 AI 能耗结论时先判断：它说的是全球总量、局部电网，还是一个无法验证的单次估算。