多數人談企業 AI，腦中浮現的還是一個會聊天的對話框。但 SAP 這回花的錢，賭的是完全另一條路。2026 年 7 月 17 日，SAP 宣布完成收購（不是第一次宣布，5 月就先預告過）德國 Freiburg 的新創 Prior Labs，並承諾未來 4 年投入逾 10 億歐元，把它養成一座專攻結構化資料的歐洲前沿實驗室（SAP 官方新聞稿）。
我要先把判斷擺在最前面：SAP 賭的不是聊天機器人，是把企業每天產生的表格——財務、交易、供應鏈、庫存——直接做成基礎模型。 這件事對 ERP 滲透率極高的台灣製造與傳產，比又一個生成式聊天助理更值得關注。
先講清楚：這是「完成交割」，不是首度宣布
這則新聞很容易被寫錯，所以先定調。SAP 早在 2026 年 5 月就發布過「將收購 Prior Labs、建歐洲前沿 AI 實驗室」的預告（SAP 5 月新聞稿）；7 月 17 日這一則，是交易正式完成（deal closed）。差別不只是時間，而是從「意向」變成「已經是 SAP 家的一員」——錢、團隊、路線圖都拍板了。
幾個確認過的重點：投入金額是「4 年逾 10 億歐元」；Prior Labs 會保留品牌、留在 Freiburg、以獨立實體運作，並維持開源模型；顧問團裡有 Meta 首席 AI 科學家 Yann LeCun（The Next Web 報導）。一家歐洲軟體巨頭買下一家歐洲前沿實驗室、還讓它繼續開源與獨立——這在被美中大廠夾殺的 AI 版圖裡，本身就是稀有畫面。
表格式基礎模型是什麼：不是 LLM 的另一種 AI
這是全篇最該講白的一段。你熟悉的 GPT、Gemini 這類大型語言模型（LLM），本質是處理「文字」的：它把一切都當成語言來讀。可是企業真正跑生意的資料，多半不是文章，而是一格一格的表格——這筆貸款會不會違約、哪台機台下週會壞、這個料件的前置時間多長。
過去要用 AI 分析這些表格，常見做法是把數字「翻譯成文字」再塞給 LLM，讓它用讀句子的方式硬解——既慢又容易失準。表格式基礎模型（Tabular Foundation Models，TFM） 走的是另一條路：它天生就是為「列與欄」設計的，直接在結構化資料上做預測，不必先轉成文字。
Prior Labs 的代表作 TabPFN 系列，論文登上《Nature》，在數百項獨立學術研究的表格預測基準上創下當時最佳水準（The Next Web、SAP 官方）。SAP 說得直接：真正的商業價值不在聊天機器人，而在「預測哪筆貸款會違約、哪列火車下次會故障」——這些答案，就藏在企業早就握有、卻一直沒被 AI 好好用起來的表格裡。已被點名的應用場景包括金融風險、貸款核准、鐵路預測性維護與癌症診斷。
要提醒的是，TFM 仍是新興技術、還在發展，不是「取代 LLM」的萬靈丹。合理的看法是分工，不是取代——這正是下一段要下的判斷。
我要下的判斷：TFM 和 LLM 是分工，不是二選一
把兩者對立起來是常見誤解。務實的分法是看你要 AI 處理什麼形狀的資料。
- 文字、對話、文件、非結構化內容 → LLM 的主場。寫摘要、答客服、讀合約、生草稿，這些交給語言模型。
- 列與欄、交易紀錄、財報、庫存、感測器數據 → 這是 TFM 想吃下的地盤。做預測、算風險、找異常，直接在數字上算，通常比讓 LLM 用文字繞一圈更準、更省。
換句話說，一家公司未來很可能同時用到兩種：LLM 當前台的嘴巴，TFM 當後台的算盤。SAP 之所以敢砸 10 億歐元，正因為它手上最值錢的資產，是全球企業跑在它 ERP 上的結構化資料——這批資料用 LLM 硬解最吃虧，用 TFM 才對得上。這跟我們一再強調的一件事呼應：企業 AI 卡住，常常不是模型不夠強，而是沒把自家最有價值的資料用在對的工具上。
台灣視角：ERP 滲透率高的製造業該關注什麼
台灣的製造與傳產，SAP ERP 的使用密度在亞洲名列前茅。所以這則新聞對台廠不是遠方八卦，而是「你家系統裡那批數據，未來可能有一種專門的 AI 來吃」的預告。給 awareness 級的三個關注點：
第一，先認清你最有價值的資料，多半是結構化的。 很多公司一想到導入 AI 就先找聊天機器人，但你真正的護城河，往往在那些沒人想碰的財務、良率、供應鏈表格裡。這批資料最難被 LLM 處理，卻最適合 TFM——先盤點它，比先買工具重要。怎麼盤、怎麼定權責，可參考 AI 資料治理指南。
第二，別急著換工具，先看分工。 TFM 還在早期，市面成熟產品有限。現階段該做的不是把現有 BI 或分析全部推倒，而是先在腦中畫好「哪些任務適合文字型 AI、哪些適合表格型 AI」，等這條技術線成熟再對號入座。哪一段自建、哪一段等供應商，先看 AI 買 vs 自建的決策。
第三，這也是一堂「主權 AI 差異化」的示範。 SAP 沒有跟著去燒錢練又一個通用 LLM，而是押在自己最懂、對手最難複製的結構化資料上。歐洲近年講主權 AI 的多、有具體差異化打法的少，這是少數落地案例（另一個走「開源、獨立」路線的差異化案例，見 Thinking Machines 的開源權重模型）。對台廠的啟示不是也去做基礎模型，而是：你的差異化，很可能不在追最新的模型，而在你手上別人拿不到的那批數據。
至於實作——怎麼把某條產線的表格接上預測模型、怎麼驗證準度、怎麼算回收——那是更深、也更該量身評估的一段，留給真正要動手時再談。這篇先幫你把「這是什麼、跟 LLM 怎麼分工、該先關注什麼」搞清楚。
常見問題
表格式基礎模型（TFM）跟 ChatGPT 那種 LLM 有什麼不同？
最大差別在處理的資料形狀。LLM 是為「文字」設計的，讀句子、寫文章、答對話最拿手；TFM 是為「表格」設計的，直接在財務、交易、庫存這種一格一格的結構化資料上做預測。過去要分析表格常得先把數字翻成文字塞給 LLM，既慢又容易失準；TFM 天生吃列與欄，不必繞這一圈。兩者比較像分工，不是誰取代誰。
SAP 這次是第一次宣布收購 Prior Labs 嗎？
不是。SAP 早在 2026 年 5 月就預告過「將收購 Prior Labs、建歐洲前沿 AI 實驗室」；2026 年 7 月 17 日這一則是交易正式完成（deal closed）。差別是從「意向」變成「已經是 SAP 家的一員」，投入金額（4 年逾 10 億歐元）、團隊與路線圖都已拍板。Prior Labs 會保留品牌、留在德國 Freiburg、獨立運作並維持開源。
用 SAP ERP 的台灣製造業，現在該做什麼？
先別急著換工具。這則新聞的訊號是：你 ERP 裡那批結構化資料（財務、良率、供應鏈），未來可能有一種專門的 AI 來處理。現階段最該做的是盤點「我最有價值的資料是哪些、誰負責、乾不乾淨」，並在心裡分好「哪些任務適合文字型 AI、哪些適合表格型 AI」。TFM 仍是新興技術、產品尚在發展，等成熟再對號入座，比現在就推倒重來務實。
參考來源
- SAP：SAP Completes Prior Labs Acquisition（官方新聞稿，2026-07-17，完成交割、4 年逾 10 億歐元、TFM 先驅、獨立運作、SAP-RPT-1）
- SAP：SAP to Acquire Prior Labs to Establish a Globally Leading Frontier AI Lab in Europe（官方，2026-05 首度宣布，對照時間點）
- The Next Web：SAP’s €1bn bet on AI is about tables, not chatbots（保留品牌／Freiburg／開源、Yann LeCun 顧問、TabPFN 登 Nature、應用場景）
- The Next Web：SAP acquires Prior Labs to build a European frontier AI research lab（TFM 與一般基礎模型差異、結構化資料脈絡）
- The Stack：SAP closes buyout of tabular AI startup Prior Labs（交割確認、表格式 AI 定位）