7 月 17 日，SAP 宣布正式完成对德国 AI 初创公司 Prior Labs 的收购。这笔早在 5 月 4 日就已签署协议的交易终于落地，SAP 承诺在四年内投入超过 10 亿欧元，将这家仅成立 18 个月的弗赖堡大学衍生公司打造为欧洲前沿 AI 实验室。
在聊天模型和代码助手主导 AI 叙事的 2026 年，SAP 的 €10 亿赌注指向了一个截然不同的方向：不是让 AI 更会聊天，而是让它「看懂」企业数据库中沉睡的结构化数据——财务报表、供应链记录、HR 数据、ERP 系统中的海量表格。
被忽略的 80%：表格数据才是企业 AI 的真正战场
当前 AI 行业的几乎所有注意力都集中在文本、图像和代码上。但一个被反复引用却很少被认真对待的事实是：全球企业数据中超过 80% 是结构化表格数据，而非自然语言文本。
Prior Labs 的核心产品 TabPFN（Tabular Prior-Fitted Network）正是专为这类数据设计的基础模型。与大型语言模型针对自然语言文本不同，TabPFN 是一个在数十亿合成表格数据集上预训练的 Transformer，它「学会了学习过程」——不需要针对每个新数据集重新优化权重，而是利用预训练中编码的归纳偏置和统计推理能力，直接对表格数据进行分类、回归、异常检测等任务。
据 SAP 披露，TabPFN 已被下载超过 300 万次，成为开源表格 AI 生态中的事实标准工具。Prior Labs 联合创始人 Noah Hollmann 曾这样描述其动机：「我从小编程，后来被吸引到医学领域，在那里我看到多少科学研究被结构化数据瓶颈所限制——这些数据 AI 根本碰不到。」
值得注意的是，TabPFN 的原始论文发表在 Nature 上，这在以会议论文为主流的 ML 领域极为罕见，说明其学术价值已获顶级认可。此后团队持续迭代，从 TabPFN v2 到 v2.5（支持 50,000 数据点和 2,000 特征），再到 TabPFN-3（在 RelBenchV1 上超越所有同类基础模型），技术路线清晰且推进迅猛。
「AI 在聊天的同时，企业数据在表格里沉睡」
SAP 这笔交易最有力的叙事张力在于时间点的精准。Scale AI 今年发布的「6% 报告」显示，尽管全球 88% 的企业声称已采用 AI，但只有 6% 真正实现了规模化商业价值。SAP 的判断是：瓶颈不在于缺乏聊天机器人，而在于企业最丰富的资产——ERP、CRM、SCM 系统中的结构化数据——没有被 AI 有效利用。
全球 500 强企业中的绝大多数运行 SAP 软件管理核心业务流程。这意味着 SAP 拥有关于这些企业如何采购、生产、销售和融资的结构化数据金矿。收购 Prior Labs 的战略逻辑很清晰：如果每家企业未来都能用 AI 直接分析自己的财务和供应链数据，SAP 必须确保这些 AI 运行在 SAP 的平台上。
收购条款中的一个关键细节是：Prior Labs 将继续作为独立实体运营，保持学术自由和研究独立性。这种「企业赞助的基础研究」模式颇为罕见——它不是传统的整合式收购，而更像是 SAP 在 AI 基础设施层构建一个长期护城河。
欧洲 AI 的罕见高光时刻
在 Mistral 持续挣扎、Aleph Alpha 转型企业服务的背景下，Prior Labs 仅 18 个月就以超 €10 亿价格被收购，成为欧洲为数不多的 AI 重大退出案例。
Prior Labs 的创始团队来自弗赖堡大学和 ELLIS 生态系统：Frank Hutter 教授是全球被引用最多的 AutoML 研究者，其 TabPFN 论文奠定了整个方向；CTO Noah Hollmann 曾在 Google 和 BCG 工作；COO Sauraj Gambhir 拥有 VC 并购和企业增长背景。创始顾问包括 AI 先驱 Bernhard Schölkopf（ELLIS 主任、马普所）和企业家 Alex Diehl。
这家公司 2025 年 2 月才完成 €900 万 pre-seed 融资——从种子轮到 €10 亿级退出仅用了不到一年半。TechFundingNews 称其为「欧洲深科技的新基准」。
SAP 的自我救赎
这笔交易的背景是 SAP 自身的艰难时刻。2026 年 1 月，SAP 因 2026 年云收入指引不及预期，股价单日暴跌 15%，创 2020 年以来最大跌幅。Q1 2026 财报显示云收入增长 27%，但总营收不及预期，股价年内累计下跌约 27-33%。公司正在经历重大重组。
收购 Prior Labs 因此带有双重意味：既是在 AI 时代保卫 ERP 帝国的进攻性举措，也是在资本市场面前展示「我们有 AI 故事可讲」的防御性信号。SAP CEO Christian Klein 将 Prior Labs 定位为「SAP Business AI 生态的核心支柱」，计划通过 SAP AI Core、SAP Business Data Cloud 和 AI 助手 Joule 将 TabPFN 能力产品化。
LLM 不是万能的：表格式 AI 的独特挑战
Prior Labs 的核心技术洞察是：适合表格数据的 AI 架构与适合文本的 Transformer 有本质不同。表格数据具有独特的统计结构——列与列之间存在函数依赖关系、数据分布往往是异构的、缺失值和异常值普遍存在——这些特征使得用 LLM「微调适配」表格任务的做法效果有限。
SAP 研究团队（与 Prior Labs 独立）此前也发表了 FlexTab 等工作，探索表格数据的上下文学习。一篇近期 arXiv 论文从企业数据角度审视这一问题，结论直白：在标准表格基准上表现优异的模型，在真实企业数据上可能表现糟糕，反之亦然——企业表格数据与学术基准之间存在系统性差异。
这意味着 SAP + Prior Labs 的组合具有天然的数据壁垒：SAP 的客户拥有全球最大规模的真实企业表格数据，而 Prior Labs 掌握最适合这类数据的模型架构。
更大的图景：从「AI 会聊天」到「AI 会看表」
在 LLM 主导的 AI 投资叙事中，SAP + Prior Labs 提醒行业一个基本事实：AI 的经济价值可能更多来自「让 AI 读懂数据库」而非「让 AI 和你聊天」。
这是 AI 应用从横向通用能力向纵向领域深度渗透的又一个标志。就像医疗领域需要专门的医学模型、法律领域需要专门的法律模型一样，占全球经济运转 80% 以上的企业结构化数据，终于迎来了自己的基础模型时刻。
SAP 能否将这笔 €10 亿赌注转化为可防御的竞争优势，取决于三个尚未回答的问题：Prior Labs 在独立运营模式下能否保持研究速度和人才密度；TabPFN 从开源工具到企业级产品化的路径是否顺畅；以及——当竞争对手（包括云厂商和开源社区）开始追赶表格基础模型赛道时，SAP 的数据壁垒能否提供足够的差异化。
