摘要：Google Research发布TabFM，把表格分类和回归任务转化为上下文学习问题。它提醒企业：沉淀在数据库和业务表中的结构化数据，可能是AI落地最值得重估的资产。
Google Research在6月30日发布TabFM，一个面向表格数据的zero-shot foundation model。它切入的是企业最常见也最难规模化的问题：用结构化表格做分类和回归预测。
这条新闻容易被大模型热点淹没，但它很值得写。因为企业高价值数据，往往沉在订单表、客户表、设备表、库存表、质量表、财务表、工艺参数表和售后记录表里。
一、表格数据是企业AI的沉默主角
过去几年，大模型让文本、代码、图片和视频成为AI叙事中心。但企业数字化的主干仍然是表格。销售预测、客户流失、欺诈识别、库存周转、质量缺陷、设备故障、供应链风险，绝大多数都可以抽象成结构化数据上的预测问题。
传统机器学习在这些任务上并不新鲜。XGBoost、随机森林、AdaBoost等模型长期占据主流。但问题在于，每一个新数据集都要重新清洗、做特征工程、调参、训练、验证和部署。这些工作高度依赖数据科学家，也很难在大量中小业务场景里复制。
TabFM的思路是把表格预测改写成in-context learning问题。模型无需针对每个数据集重新训练参数，可以把历史样本和待预测行放进统一上下文，在一次前向计算中理解列与行之间的关系。
二、为什么表格基础模型比看起来更难
语言是一维序列，表格是二维结构。行和列的顺序经常不是本质含义的一部分，列之间还存在复杂依赖。把表格直接“串成文本”会丢掉很多结构信息。
Google介绍中提到，TabFM结合了TabPFN和TabICL等思路，用交替的行列注意力来处理表格，再把每一行压缩成向量，最后用Transformer在压缩表示上进行上下文学习。它的目标是既理解二维结构，又保持推理成本可控。
这说明表格基础模型需要专门处理结构、关系、缺失值、列语义和样本分布，直接把数据库喂给LLM解决不了这些问题。
三、对数据要素的启发
数据要素经常被讲成“数据能不能交易、能不能入表、能不能确权”。这些当然重要，但如果数据不能转化为预测、决策和自动化收益，再清晰的权属也难以变成业务价值。
TabFM提示了另一条路径：当表格预测的建模成本下降，更多企业内部数据就可能从“沉睡资产”变成“可调用能力”。过去只有大公司能为每个业务场景配数据科学团队；未来，如果基础模型能降低门槛，中小企业也可能围绕库存、客户、设备和质量数据快速建立预测能力。
这会改变数据资产的评价方式。数据量和字段数量之外，还要看这些数据能不能被模型理解，能不能形成可复用的特征语义，能不能在不同场景中产生稳定预测收益。
四、企业数字化会从报表走向预测
很多企业数字化仍停留在报表阶段。系统把数据采上来，BI把图表做出来，管理层看见了过去发生了什么。下一步要回答的是：接下来会发生什么，应该提前做什么。
表格基础模型如果成熟，可能让预测分析从少数重点项目扩展到更多日常流程。例如，销售团队可以更快识别客户流失风险；制造企业可以更快预测设备异常和质量波动；供应链团队可以更快发现交付风险；财务团队可以更快识别异常付款和现金流压力。
这不会替代数据治理。模型越容易使用，越会暴露数据质量问题。字段口径不统一、业务含义不清、历史数据缺失、权限边界混乱，都会直接影响预测结果。企业买模型之前，要把主数据、指标口径和数据血缘补上。
五、风险：别把TabFM神化成万能预测机
TabFM代表了方向，但不能被理解成万能工具。企业表格数据有大量私有语义，很多字段只有业务人员才知道真实含义。模型可以降低训练门槛，却不能替代业务定义、因果判断和合规治理。
特别是在金融、医疗、工业安全、招聘和信贷等高风险场景，模型预测必须可解释、可审计、可复核。zero-shot能力越强，越需要清楚说明适用边界，避免把未经验证的预测直接变成自动决策。
TabFM把AI注意力重新拉回企业数据底座。大模型时代不只有文本和对话，结构化数据同样需要基础模型。谁能把表格数据、业务语义和预测能力组织起来，谁就更接近数据要素的真实变现。
参考来源
- Google Research：Introducing TabFM: A zero-shot foundation model for tabular data，2026年6月30日。https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/