SAP将收购主数据管理和数据集成专业公司Reltio,承诺帮助将其广泛应用组合之外的数据整合到AI平台中。
此举可能旨在提升SAP商业数据云(BDC)的采用率。BDC是SAP于2025年2月与数据湖和AI平台供应商Databricks合作推出的服务,旨在构建"洞察应用",利用分析工具和AI模型连接应用程序的实时数据,为各种业务活动提供洞察和规划能力。
SAP认为此举将帮助BDC与其他企业数据存储实现"完全互操作",通过清洗和协调数据来支持AI智能体的开发。
SAP产品与工程执行委员会成员Muhammad Alam表示:"收购Reltio将进一步巩固我们作为领先商业AI提供商的地位,结合SAP和非SAP数据,提供商业AI所需的数据上下文。当数据在业务单元、平台和领域间碎片化且缺乏连接或上下文时,AI无法发挥其全部潜力。"
Reltio成立于2011年,旨在为数据集成和MDM创建"云原生"方法。2024年,该公司将其底层数据库从自管理的宽列数据库Cassandra迁移到谷歌云上的分布式SQL系统Spanner。Reltio的客户包括制药巨头辉瑞、酒店集团丽笙和娱乐公司华纳兄弟。
Reltio使用其所谓的基于AI的实体解析系统,从不同格式和应用程序中查找并合并相关记录,形成关于客户、产品、供应商、位置和员工等的"黄金记录"数据。SAP预计将使用此系统整合SAP和非SAP应用程序的数据——该供应商拥有ERP、HR、CRM、供应链和采购系统——并利用这些数据开发AI智能体。
SAP在吸引用户对BDC关注方面一直面临困难。12月,德语用户组DSAG的研究发现,83%的成员对BDC只是略有了解或完全不了解。
dbInsight首席分析师Tony Baer表示,收购Reltio使数据集成比单独的BDC走得更远。
Baer在线上发布的文章中说:"几年前SAP宣布BDC时,这对SAP来说是一个重大战略转变,承认虽然SAP是企业业务数据的焦点,但也有其他焦点。SAP的BDC使命首先是通过为所有SAP数据建立通用的'一域模型'来清理自己的房子。然后从这个一域模型中,公开可以与Databricks、谷歌BigQuery、Snowflake数据云和微软Fabric等合作伙伴共享的商业产品。"
他说,虽然BDC主要是关于对外共享SAP数据,但收购Reltio是关于协调非SAP系统的数据并与SAP共享。
SAP咨询公司Protera应用高级副总裁Binoy James指出,DSAG发现BDC客户在迁移中途受阻,最终为无法使用的系统支付全额云费用。他说:"这个问题将在一段时间内困扰SAP的销售演示。"
Q&A
Q1:SAP收购Reltio的主要目的是什么?
A:SAP收购Reltio主要是为了增强其AI平台整合外部数据的能力,帮助将SAP应用组合之外的数据整合到AI平台中,提升商业数据云BDC的采用率,并支持AI智能体的开发。
Q2:Reltio公司主要做什么业务?
A:Reltio是一家成立于2011年的主数据管理和数据集成专业公司,专注于"云原生"数据集成和MDM方法。该公司使用基于AI的实体解析系统,将不同格式和应用程序的相关记录合并成"黄金记录"数据。
Q3:SAP的商业数据云BDC目前面临什么问题?
A:BDC在用户采用方面遇到困难。根据德语用户组DSAG的研究,83%的成员对BDC只是略有了解或完全不了解。此外,一些BDC客户在迁移中途受阻,最终为无法使用的系统支付全额云费用。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。