科技动态：Dell AI数据平台加入知识图谱与GPU加速、Together AI联合IBM/NVIDIA建B300推理集群、微软与Meta内部弃用Claude转向自研
科技动态：Dell AI数据平台加入知识图谱与GPU加速、Together AI联合IBM/NVIDIA建B300推理集群、微软与Meta内部弃用Claude转向自研
2026年10月6日至7日的企业科技新闻，主线是“AI 进入成本与上下文治理阶段”。供给侧的算力与数据平台在补齐”可负担的推理”与”可信的上下文”两块短板：Dell 为 AI Data Platform 加入统一语义层与企业知识图谱，并让数据处理引擎跑在 NVIDIA GPU 上；Together AI 与 IBM Cloud、NVIDIA 合建专用 B300 推理集群。需求侧则出现一个耐人寻味的转向——微软与 Meta 在对外继续提供 Claude 的同时，内部正推动员工转回自研 AI 工具，把议题从”AI 能力”推向”AI 经济性与平台控制”。
主要新闻 (Main News)
Dell 为 AI Data Platform 加入知识图谱、语义层与 GPU 加速
SiliconANGLE（作者 Duncan Riley）10 月 6 日报道，Dell Technologies 扩展了 Dell AI Data Platform，新增统一语义层（Unified Semantic Layer）与企业知识图谱（Enterprise Knowledge Graph），为 AI 智能体提供来自企业自身数据的可信上下文，并加速在 NVIDIA GPU 上的数据处理。
问题定义很直接：企业大量数据诞生于智能体时代之前，”并非为 AI 读者而组织”，导致智能体在每个查询上浪费 token 去拼凑本应现成的答案。统一语义层为所有应用提供同一套业务定义与规则（含企业已有的本体论），使跨系统的智能体不再猜测”client”与”account”是否是同一客户；企业知识图谱跟踪数据之间的关联，当智能体提问时按权限拉取相关的表与向量索引；Knowledge Agents 构建在图谱之上，每个只覆盖单一主题、只使用被授权的数据切片，由 NVIDIA 的 Nemotron Retriever 模型负责推理与视觉理解，三大组件均在客户自己的数据中心内运行。
处理侧，Dell Data Processing Engine 将借助 NVIDIA cuDF 库运行在 GPU 上。Dell 在配备 NVIDIA RTX PRO 4500 Blackwell Server Edition GPU 的 PowerEdge R770 上的测试显示，Apache Spark 作业平均比纯 CPU 快 3.9 倍，批量数据挖掘作业最高提速 20.4 倍（默认设置、未调优）；Apache Arrow 在 Dell 存储与引擎之间搬运数据以支持原地查询。PowerScale 单集群将支持最多 500 个租户，每租户获得更细粒度 RBAC，并可通过相互 TLS 对 NFS 流量加密与认证。统一语义层、企业知识图谱与 Knowledge Agents 计划于 2027 年上半年推出，PowerScale 多租户与安全更新 11 月，GPU 加速的数据处理引擎 12 月。
Source: Dell’s AI Data Platform gets a knowledge graph for agents and faster Nvidia processing
Together AI 联合 IBM Cloud 与 NVIDIA 部署专用 B300 推理集群
Together AI 于 10 月 6 日宣布，正与 IBM 和 NVIDIA 合作扩展企业级 AI 推理能力，首个大型专用推理集群将部署在 IBM Cloud 上，采用 NVIDIA B300 GPU 并由 NVIDIA Spectrum-X 以太网组网，Together AI 是该集群的首个客户。分工清晰：Together AI 运营推理层，IBM 提供云，NVIDIA 提供芯片与网络。
官方叙事把重点放在开源模型的企业级采用上：企业选择开源模型的两个理由是”主权数据留在本地”与”以远低于闭源的成本获得前沿级性能”。该集群被描述为 IBM Cloud 上首个此类专用大规模推理集群，目标是为生产级 token 提供企业所需的可靠性、安全性与护栏。值得注意的是，中国基础设施企业 L&T 也于近期宣布在印度钦奈部署基于 NVIDIA B300 的 AI 工厂，容量达 10,000 张 B300 GPU，为 Together AI 的 AI 原生云平台供能，显示出这一推理扩张模式正在全球多点复制。
Source: Expanding our enterprise inference capacity with IBM Cloud and NVIDIA
微软与 Meta 推动员工从 Anthropic Claude 转向自研 AI 工具
People Matters（作者 Samriddhi Srivastava）10 月 7 日援引 The Information 的报道称，微软与 Meta 正减少内部对 Anthropic Claude 的依赖，引导员工转向各自的自研 AI 工具，而两家公司仍继续在产品中向客户提供 Claude。
据报道，微软今年曾预计在 Anthropic 技术上花费至少 10 亿美元，随后将该估算下调超过三分之一，并鼓励员工尽可能使用微软自研 AI 产品。微软的 Experiences + Devices 部门原计划在 6 月底前停用大部分 Claude Code 许可；Claude 仍通过 Microsoft Foundry 提供，并用于 Microsoft 365 与 Copilot 的部分工作流。Meta 方面，使用 Claude Code 的员工数量从此前的约 60,000 降至约 30,000（部分与涉及约 10% 员工的裁员重合），其自研的 MetaCode 内部用户已超过 30,000，正在测试的 Muse Code 作为 Claude Code 替代品已吸引超过 6,000 名用户。
报道的分析指出，这并非合作关系破裂，而是一种更微妙的策略：对外继续提供第三方模型，对内强化自有平台的采用。对企业而言，议题正从”能否访问 AI”转向”AI 的经济性、治理与长期价值”。
Source: Microsoft and Meta push employees towards in-house AI tools over Anthropic’s Claude
SAP 推出 Joule Work 并以 SAP Pay 进入支付市场
在 10 月 6 日的 SAP Connect 大会上，SAP 展示了其”自主企业软件”，并开始客户 rollout Joule Work——一个通过 SAP Knowledge Graph（映射超过 700 万个数据字段）连接企业系统的 AI 界面。SAP 内部已在 110,000 名员工中部署 Joule Work，称在财务、人力资源与采购部门实现约 20% 的生产力提升，国际商务助手在早期客户部署中把贸易归类工作量降低最多 50%。同时，SAP 宣布以 SAP Pay 进入支付市场（由 Tereina 提供支持），该工具直接嵌入 SAP Cloud ERP，在发票到期时自动执行并核对付款。
Source: SAP rolls out Joule Work AI and enters payments with SAP Pay
分析 (Analysis)
Dell 的知识图谱与语义层，是”AI 智能体上下文”从概念走向企业基础设施的关键一步。 过去两年企业讨论”检索增强生成（RAG）”时，大多数方案停留在向量数据库层面——把文档切片、嵌入、检索。但真正让智能体在企业中可信工作的瓶颈，不是向量相似度，而是语义的一致性与权限的精确性。Dell 的统一语义层解决的是”同一个词在不同系统里指什么”（client 与 account 是否同一客户），企业知识图谱解决的是”该看哪些相关数据”，Knowledge Agents 与细粒度 RBAC 解决的是”它被允许看多少”。这个三层结构实际上把企业 AI 的难题从”模型能力”重新定义为数据治理问题。更值得注意的是 GPU 加速数据处理的数字——3.9 倍平均、20.4 倍峰值——它说明在企业数据平台上，GPU 的价值正在从训练/推理扩展到数据处理本身，这会改变数据平台与 GPU 采购的经济学：原本为模型准备的 GPU，可以同时服务 ETL 与特征工程，从而提高资产利用率。
Together AI 的 B300 集群与微软/Meta 的内部转向，合起来揭示了 AI 成本结构的重心迁移。 一方面，推理需求正”抛物线式”增长，专用推理集群（而非通用训练集群）成为新的供给单元，B300 + Spectrum-X 的组合说明推理优化正在从单卡转向整机架级网络；另一方面，最大的 AI 客户开始精算内部 token 成本，微软把 Claude 相关支出下调三分之一，正是”AI 经济性”进入董事会层面的信号。这两件事并不矛盾：外部采购推理能力与内部消化自有模型的边际成本之间的比较，正在成为每个大企业的核心决策。当自研模型的能力差距缩小、而第三方 API 的规模化成本变得可观时，”内部优先”就从口号变成了财务决策。这也解释了两家公司为何对外仍提供 Claude——客户面需求与内部成本结构是两本账。
SAP 的动向则说明企业软件的竞争焦点正从”记录系统”转向”行动系统”。 Joule Work 基于覆盖 700 万数据字段的知识图谱连接企业系统，本质上是把 ERP 从”被动查询”变成”主动执行”；而 SAP Pay 进入支付，是把 AI 决策与资金动作直接打通——发票到期即自动执行并核对付款。这标志着企业软件巨头开始沿着价值链条向交易与资金层延伸，而不再满足于做流程与数据的容器。对云原生与平台团队而言，这意味着下一波企业 AI 负载将具有明显的事务性与合规性要求：它们既是 AI 工作负载，又触碰资金与审计，必须在可观测性、幂等性、权限与证据留存上满足远高于聊天机器人的标准。
把三条新闻放在一起看，2026 年 10 月的企业 AI 图景是”上下文、算力、成本”三线并进。 Dell 提供可信上下文与 GPU 数据处理，Together AI/IBM/NVIDIA 提供可负担的专用推理供给，微软与 Meta 则在内部用成本纪律倒逼平台选择，SAP 把 AI 推向执行与支付。AI 的差异化竞争点，正从’模型有多聪明’转向’数据有多可信、推理有多便宜、决策有多可执行’。 对技术决策者而言，这意味着采购评估的问卷需要重写：不再问”模型排名第几”，而要问”上下文从哪来、权限如何落地、单位 token 的全生命周期成本是多少、失败时如何审计与回滚”。
结论 (Conclusion)
本期企业科技动态的核心判断是：AI 的基础设施竞争已进入”上下文治理 + 成本治理”阶段。语义层与知识图谱解决可信上下文，专用推理集群与 GPU 数据处理解决可负担算力，而头部企业内部的模型切换则把经济性推到了前台。
对实践者的四条可执行判断：
- 把企业 AI 的投入重心从”选模型”转向”建语义与权限层”。 统一业务定义、建立企业知识图谱、为智能体配置细粒度访问边界，其长期回报高于追逐单一模型的排行榜。
- 重新评估 GPU 的用途边界。 GPU 加速的数据处理（cuDF/Arrow 原地查询）已能达到数倍至二十倍收益，应把数据处理纳入 GPU 容量规划，而不是只为训练保留。
- 把单位 token 的全生命周期成本纳入 AI 平台选型。 对比第三方 API 与自研/开源自托管在规模化下的边际成本，并评估数据主权与合规溢价，而非仅看推理速度。
- 为”会执行动作”的 AI 设计审计与幂等。 当 AI 直接触发支付、下单、对账时，必须像对待资金系统一样要求可观测性、幂等重试、权限最小化与不可篡改的证据留存。
未来值得跟踪的是：Dell 语义层与知识图谱在 2027 年上半年落地后的实际数据治理效果；B300 专用推理集群的单位 token 成本曲线是否会改变开源模型的采用速度；微软与 Meta 的内部转向会否扩散为行业惯例；以及 SAP Pay 进入支付后，企业 AI 与资金流的结合是否会被监管机构纳入更严格的审查。