LLM 最不會的那件事，SAP 花 10 億歐元買下來了

這一年，AI 的錢幾乎都往同一個方向流：更會聊天的模型、更會寫程式的代理人、更像真人的語音助理。然後 SAP 在 7 月 17 日宣布，它花了超過 10 億歐元的四年投資，買下一家完全不做聊天的德國實驗室。

被收購的是弗萊堡（Freiburg）的新創 Prior Labs，成立才約 18 個月。它做的東西聽起來一點都不性感——不是對話、不是圖片、不是影片，而是「表格」：試算表和資料庫裡那些一行一行、一欄一欄的結構化資料。SAP 承諾維持它獨立運作、保留品牌與開源承諾，把它養成歐洲的一座前沿 AI 實驗室。

把這樁收購讀成「SAP 又收了一家 AI 新創」，會漏掉重點。AI 的下一塊地盤不在聊天框，在你每天在看的那張表——SAP 願意用 10 億歐元下注的，正是這件事：基礎模型可以不只有聊天一種形態，而 LLM 最不擅長的那一塊，結構化資料，需要一種專門的模型去攻。

10 億歐元買下的，是一支只攻「表格」的隊伍

先把事實擺清楚。這樁收購 5 月就宣布，7 月 17 日完成交割、通過監管核准。SAP 官方的說法是：未來四年投入超過 10 億歐元，把 Prior Labs 擴張成「為驅動全球商業的結構化資料而生」的前沿 AI 實驗室，並接續 SAP 自己既有的表格模型工作 SAP-RPT-1。收購總對價各家報導數字不一，這裡只採 SAP 官方確認的投資承諾。

Prior Labs 的三位創辦人是 Frank Hutter、Noah Hollmann、Sauraj Gambhir。其中 Frank Hutter 是機器學習圈的老面孔——弗萊堡大學教授、AutoML（自動化機器學習）這個領域的先驅之一。這不是一群追熱點的年輕人臨時拼的隊，而是把「怎麼讓機器自己學會處理表格」鑽研了十幾年的人。

TabPFN 的招數：一個看過幾百萬張表的老手，你遞新表它當場判

Prior Labs 的代表作叫 TabPFN，全名是 Tabular Foundation Model——表格基礎模型。它跟你熟悉的 LLM 有一個根本差別：用起來不需要為你的資料重新訓練。

傳統上，你想用機器學習預測「這批客戶誰會流失」，得拿你自己的歷史資料，從頭訓練一個模型、調一堆參數，跑上幾小時。TabPFN 不是這樣。它的技術底子是 Prior-data Fitted Network（PFN）：Prior Labs 事先用大量合成出來的表格資料，把這個模型離線預訓練一次；之後你把自己的訓練樣本和要預測的樣本一起餵進去，它單次前向運算就直接吐出預測，中間不再更新任何參數。論文裡，小型表格的分類任務可以在一秒內完成，速度比傳統 AutoML 系統快上數百到數千倍。

打個比方：它像一個看過幾百萬張報表的老會計。你把一張新的、他沒看過的表遞過去，他不用回去重讀教科書、也不用為你這張表重新受訓，光憑內化的直覺當場就給你判讀。差別只在於，這位「老會計」的直覺是在合成資料上一次性練成的，之後見到誰的表都直接用。

這套路子不是 SAP 買下才紅的。原始 TabPFN 論文發表在《Nature》、被引用超過一千次，經數百項獨立學術研究驗證過；開源版本下載超過 300 萬次，最新的 TabPFN-2.6 目前在公開的 TabArena 排行榜上居首，下一代 TabPFN-3 也已預告。SAP 是在一個已經被學術圈和開發者驗證過的東西上加碼。

聊天模型搞不定的，正是企業每天在跑的那種資料

為什麼一家做 ERP 的老牌軟體公司，會對「表格」這麼上心？因為企業真正拿來跑生意的資料，絕大多數就是結構化的：付款會不會遲延、哪個供應商風險升高、哪個客戶要流失、哪筆訂單有機會加購。這些答案不藏在一段文字裡，藏在一張張帶著數字的表格裡。

而這恰好是 LLM 的弱項。大型語言模型擅長讀懂和生成文字，面對成千上萬列、要做精確數值預測的表格時卻常常吃力——你可以叫 ChatGPT 幫你寫一封催款信，但要它從十萬筆交易紀錄裡準確算出哪些會逾期，它並不是為這件事設計的。兩種模型攻的根本是不同的資料形態：

	大型語言模型（LLM）	表格基礎模型（TFM／TabPFN）
擅長的輸入	文字、對話、程式碼	試算表、資料庫的行列資料
典型任務	生成、摘要、問答	數值預測、分類（逾期、流失、風險）
用在你的資料	通常要 prompt 或微調	免逐案訓練，單次前向即出結果
企業對應場景	客服、寫作、文件	ERP 裡的付款、供應商、庫存表

對台灣讀者：這打的是你 ERP 裡那張表

台灣的大型製造與企業，SAP 是主流的 ERP 系統，一線廠長年在用。也就是說，BOM 表、出貨排程、應收帳款、供應商評分——這些每天在 SAP 裡流動的結構化資料，正是表格基礎模型瞄準的形態。如果 SAP 真把 TFM 織進產品，最先受影響的會是這些企業裡天天跟表格打交道的分析、採購、財務、生管人員的工作方式。

好消息是，你不必等 SAP 把它包成產品才體驗到差別。TabPFN 是開源的，300 萬次下載擺在那裡。手邊有一份想做預測的 CSV——客戶名單、設備維護紀錄、催收清單——現在就能拿它跑跑看，親身感受「免訓練、幾秒出結果」是不是真的那麼一回事，再決定值不值得認真看待。

---

還沒有答案的是：表格基礎模型會取代企業裡既有的那套工作流（XGBoost、傳統 AutoML、資料科學家手刻的模型），還是只是多一個選項、補在旁邊？目前公開資訊裡，TFM 在真實企業生產線上大規模落地的數據還很少，學術榜單上的領先不等於工廠帳上的成效。SAP 用 10 億歐元把賭注下在「表格」上，接下來值得盯的，不是它又發了哪個版本，而是這種模型第一次真正接手某條產線的預測、而且做得比舊方法好的那一天——那才是聊天之外，基礎模型第二種形態站穩的證據。