【AI早读 0522】OpenAI 攻克 Erdős 猜想，AWS、SageMaker、Microsoft 智能体齐发

今天的 AI 圈有两股并行但同样重要的浪潮：一边是 OpenAI 的推理模型做出了一桩实打实的数学突破 - 用不到 $1000 的计算成本推翻了一个存在了 80 年的数学猜想；另一边，AWS 一口气发布了至少 6 篇关于 Bedrock AgentCore 的技术博客，覆盖从上下文窗口突破到 MCP 集成的方方面面。这两件事放在一起看，恰好勾勒出当前阶段的 AI 图景 - 推理能力在快速进化，同时智能体的基础设施也在加速定型。

OpenAI 推理模型推翻 Erdős 猜想

OpenAI 宣布其内部推理模型成功推翻了 Erdős 平面单位距离问题中的一个长期假设。这个由数学家 Paul Erdős 在 1946 年提出的问题，困扰了学界整整 80 年。更值得关注的是，这是一个通用推理模型，不是 AlphaProof 那种领域专用系统。模型输出了一份约 125 页的推理链条，其中甚至出现了一个被社区称为“第 39 页时刻”的关键转折点。

链接：OpenAI GPT-next disproves 80 year old Erdős planar unit distance problem for under $1000

菲尔兹奖得主 Timothy Gowers 称这是“AI 解决著名开放数学问题的第一个真正清晰的例子”。OpenAI 强调该模型尚未达到极限，且最终将面向公众使用。多位观察者将这一成果视为 inference-time scaling 范式的最新证据 - 推理阶段的计算投入正在推动前沿进展，而不是单纯靠增加参数量。

AWS Bedrock AgentCore 批量化发布

AWS ML Blog 在同一天密集发布了至少 6 篇与 Bedrock AgentCore 相关的技术文章，覆盖场景之广令人印象深刻。

链接：Break the context window barrier with Amazon Bedrock AgentCore

其中最具技术深度的一篇介绍了**递归语言模型（RLM）**方法：利用 AgentCore 的 Code Interpreter 作为持久工作内存，通过子模型调用逐段分析超长文档，从而突破任何单一模型的上下文窗口限制。这在金融分析、法律审查等需要处理数百万字符的场景下尤为实用。

另一篇展示了如何将 AWS API MCP Server 与 Amazon Quick 集成，让 SRE 和 DevOps 工程师通过自然语言直接编排 AWS 服务，不再需要在控制台、CLI 和多个仪表盘之间频繁切换。

链接：Integrating AWS API MCP Server with Amazon Quick using Amazon Bedrock AgentCore Runtime

此外还有多租户 Agent 架构、基于 NLP 的仪表盘自动化 Agent、AI 招聘助手、以及放射科工作流优化等方向。MCP 协议在 AWS 生态中的深入集成，说明工具调用接口标准化正在成为云厂商的共识方向。

Amazon SageMaker 推出 OpenAI 兼容 API

SageMaker AI 正式支持 OpenAI 兼容的 API 端点。如果你使用 OpenAI SDK、LangChain 或 Strands Agents，现在只需修改 endpoint URL 就能将模型调用切换到 SageMaker 上的自有端点。Bearer token 认证代替了 SigV4 签名流程，流式推理也一并支持。

链接：Announcing OpenAI-compatible API support for Amazon SageMaker AI endpoints

这意味着企业可以在自己的 GPU 实例上运行 Llama、Mistral 等模型，同时使用标准 OpenAI 客户端调用，不需要维护多套 API 客户端或自定义路由逻辑。对注重数据合规的团队来说，这是一个值得关注的变化。

Datasette Agent 发布

Simon Willison 宣布了 Datasette Agent 的第一个版本，这是他多年耕耘的 LLM 工具库与 Datasette 数据库平台的最终融合。Agent 能够理解自然语言问题、生成 SQL 查询并返回结果，还可以通过插件系统扩展图表生成（基于 Observable Plot）、图片生成（基于 ChatGPT Images 2.0）和沙箱代码执行（基于 Fly Sprites）。

链接：Datasette Agent

值得留意的是，Willison 提到 Claude Code 和 OpenAI Codex 在编写这些插件时表现优异 - 只需指向 datasette-agent 仓库作为参考，就能自动生成功能完整的插件。这本身就是用 AI Agent 构建 AI Agent的一个实例。

Cloudflare CASB 集成 Claude Compliance API

Cloudflare 将其 CASB（云访问安全代理）扩展到支持 Anthropic 的 Claude Compliance API。安全团队现在可以直接在 Cloudflare 仪表盘中监控 Claude Enterprise 的使用情况，无需安装任何端点代理。

链接：Announcing Claude Compliance API support with Cloudflare CASB

这是企业 AI 治理拼图中的一块重要拼图。AI 工具与传统 SaaS 的区别在于它们既读取数据又生成数据，而且通过 API 和 Agent 框架深度嵌入工作流。Cloudflare 的策略是在同一个平台上覆盖 AI Gateway、DLP、Access 和 CASB 四个层面，让流量无需在多个厂商之间来回跳转。

Microsoft 推出 MagenticLite 与 Fara1.5

Microsoft Research AI Frontiers 发布了 MagenticLite，一个为小模型优化的 Agent 应用。它与两个专用模型协同工作：MagenticBrain 负责规划、编码和任务委派，Fara1.5 负责浏览器操作。Fara1.5 在 9B 参数规模下取得了小模型计算机使用领域的 SOTA，在网页导航任务上相比 Fara-7B 近乎翻倍。

链接：MagenticLite, MagenticBrain, Fara1.5: An agentic experience optimized for small models

核心思路是 Agent 的能力取决于工具编排和行动质量，而非模型的知识储备。三个组件代码设计、互相配合，让小模型也能完成复杂的 Agent 任务。这暗示了一条不同于“越大越好”的演进路径。

Railway: The Agent-Native Cloud

Latent Space 发布了对 Railway 创始人 Jake Cooper 的深度访谈。Railway 从 2020 年起步，最初与 AI 毫无关系，如今已成为一个 35 人团队服务 300 万用户的 Agent 原生云平台。Jake 的核心观点：Agent 需要的基础设施与人类开发者截然不同 - 版本控制、可观测性、计算、存储和编排需要在 1000 倍的规模上重新设计。

链接：Railway: The Agent-Native Cloud - Jake Cooper

Railway 自建裸金属数据中心，服务器本身因 RAM 价格上涨反而增值，硬件投资在 3 个月内回本。他们还在探索**生产环境分支（Production Fork）**的概念 - 让 Agent 可以在真实环境的快照中安全地测试和调试。

其他值得关注的消息

Cohere Command A+ Apache 2.0 开源：218B MoE / 25B active 参数，多语言多模态，可在 2×H100 W4A4 上运行。vLLM 首日即支持。Artificial Analysis 将其智能水平定位在 Claude 4.5 Haiku 附近。

Modular LLM 推理路由 Part 2：深入介绍了路由层数据结构的实现 - 用 HostBitmap（位图）在微秒级别查询每个 Pod 缓存了哪些 block，支撑数百 Pod、每秒数千次请求的实时路由。

链接：Why LLM Inference Needs a New Kind of Router - Part 2

SpaceX S-1 披露与 Anthropic 的协议：Anthropic 将向 SpaceX 支付每月 $12.5 亿美元，租用 COLOSSUS 和 COLOSSUS II 的计算容量，合同期至 2029 年 5 月。这是一个相当惊人的数字 - 仅这一份合约就暗示了前沿 AI 模型的训练和推理对算力的需求远超出公开讨论的规模。

链接：Quoting SpaceX S-1

---

来源：VerySmallWoods Research Feed - 2026-05-22 UTC