نهج مختلف: نماذج العالم السببية بدلاً من إعادة التدريب

بدلاً من تحديث أوزان النموذج الداخلي باستمرار، تقوم kausable بتدريب نموذج أساسي (Foundation Model) مرة واحدة وتستخدم "نماذج عالم سببية" (Causal World Models) — مبنية على بيانات تركيبية (Synthetic Data) والتعلم السياقي (In-Context Learning) — لاستنتاج البنية الأساسية لأي نظام جديد من خلال ملاحظة قصيرة . وتدّعي الشركة أن النموذج يستمر في العمل عندما تتغير الظروف دون الحاجة لدورة تدريب مكلفة أخرى .

الفكرة الأساسية هي أن أنظمة الذكاء الاصطناعي الحالية جامدة في جوهرها: فهي تحفظ الأنماط من بيانات التدريب وتتعطل عندما يتغير العالم. تصف kausable بديلها بأنه ذكاء اصطناعي "قائم على الاستدلال أولاً" (Reasoning-First) — نماذج مصممة للتعلم والتكيف بشكل أقرب إلى البشر، وذلك باستخدام التفكير السببي لفهم سبب سلوك النظام بطريقة معينة والتكيف وفقاً لذلك .

المؤسسون الأساسيون

تأسست kausable على يد ثلاثة فيزيائيين التقوا في جامعة هايدلبرغ:

• Johannes Haux — الرئيس التنفيذي (CEO)
• Dr. Benjamin Herdeanu — المدير التقني (CTO)
• Gregor Ramien — المدير التنفيذي للعمليات (COO)

جميعهم يجمعون خبرة من البحث الأكاديمي في جامعة هايدلبرغ وتطبيقات عملية في مجالات الأمن السيبراني والخدمات المصرفية والشركات الناشئة . انبثقت الشركة من قسم الفيزياء والفلك في جامعة هايدلبرغ، وهي البيئة البحثية نفسها التي أنتجت مختبر Black Forest Labs الشهير .

المستثمرون والداعمون

قاد الجولة الأولية كل من UVC Partners (ألماني) وEntourage (بلجيكي)، بمشاركة المستثمرين السابقين HTGF وMätch VC . أما الداعمون المؤسسيون الإضافيون فيشملون:

• Black Forest Labs (BFL)
• ELLIS (المختبر الأوروبي للتعلم والأنظمة الذكية)
• Campione Venture
• Secunet

قائمة المستثمرين الملائكة بارزة وتضم شخصيات من أبرز منظمات الذكاء الاصطناعي في العالم:

• المؤسسون المشاركون لـ Black Forest Labs (Robin Rombach و Andreas Blattmann)
• Sandro Gianella (الاستراتيجية الدولية والعمليات في OpenAI)
• Dorothy Chou (مستشارة استراتيجية في DeepMind)
• ملائكة إضافيون من Noxtua و ELLIS

TipPFN — نموذج تنبؤ بدون تدريب مسبق

المنتج الأول لشركة kausable هو TipPFN (شبكة البيانات السابقة الملائمة لنقاط التحول)، وهو نموذج تنبؤ بدون تدريب مسبق (Zero-Shot Forecasting Model) يكتشف قرب النظام من انتقال حرج أو "نقطة تحول" (Tipping Point) . إليك التفاصيل الرئيسية:

• نُشر كبحث علمي (arXiv 2605.12308) بالتعاون مع جامعة كولومبيا
• يستخدم إطار تعلم سياقي مع شبكة بيانات سابقة ملائمة لاستنتاج مدى القرب من التحولات الحرجة من سلاسل زمنية قصيرة ومزعجة
• يُظهر قدرة على الكشف المبكر عن التحولات الحرجة في أنظمة ديناميكية لم يسبق رؤيتها، بما في ذلك النقل المحاكي إلى الواقع (Sim-to-Real Transfer) والملاحظات الواقعية
• يدّعي أداءً قوياً عبر 14 مجالاً، مع قدرات تعميمية (Zero-Shot) لأنظمة لم يتم تدريبه عليها صراحة
• يهدف إلى التنبؤ بـ "الأحداث السوداء" (Black Swan Events) — وهي أحداث نادرة ذات تأثير كبير — عبر قطاعات الرعاية الصحية والطاقة والمالية والمناخ

التطبيقات المخطط لها

تستهدف kausable ثلاثة مجالات رئيسية حيث تفشل نماذج الذكاء الاصطناعي الثابتة:

• الروبوتات — نماذج عالم تتكيف مع البيئات المتغيرة دون إعادة تدريب، مما يمكّن الروبوتات من التعامل مع المواقف الجديدة بمرونة
• التنبؤ — اكتشاف نقاط التحول في الأنظمة المعقدة (مثل أعطال شبكات الكهرباء، تفشي الأمراض، الانهيارات المالية) باستخدام TipPFN
• الأنظمة الصناعية — ذكاء اصطناعي قابل للتطوير يمكن نشره عبر مشهد صناعي بأكمله دون أن يتحول إلى سلسلة من مشاريع إعادة التدريب الفردية المكلفة

تصف الشركة مهمتها بأنها "ذكاء اصطناعي حدودي يتكيف بنفس سرعة تكيف العالم من حوله"، محولة الذكاء الاصطناعي من نماذج ثابتة تعتمد على إعادة التدريب إلى أنظمة يمكن نشرها على نطاق واسع والاستمرار في العمل عندما تتغير الظروف .

الخلاصة

جولة التمويل الأولي البالغة 12 مليون يورو هي رهان على نهج مختلف جوهرياً في الذكاء الاصطناعي — نهج يركز على التفكير السببي، والبيانات التركيبية، والتعلم السياقي بدلاً من عمليات التدريب الأكبر حجماً. طموحات الشركة كبيرة: نماذج تتكيف مع مواقف جديدة من أمثلة قليلة، وتتنبأ بأحداث كارثية نادرة، وتستمر في العمل عندما يتغير العالم. يوفر البحث الأكاديمي لـ TipPFN مصداقية، لكن الشركة لم تطلق بعد منتجاً تجارياً أو تثبت نشراً على نطاق واسع في العالم الحقيقي . الأشهر الـ12 إلى 18 القادمة ستظهر ما إذا كان نهجها القائم على "الاستدلال أولاً" يمكنه الانتقال من بحث واعد إلى أنظمة جاهزة للمؤسسات.

نهج مختلف: نماذج العالم السببية بدلاً من إعادة التدريب

بدلاً من تحديث أوزان النموذج الداخلي باستمرار، تقوم kausable بتدريب نموذج أساسي (Foundation Model) مرة واحدة وتستخدم "نماذج عالم سببية" (Causal World Models) — مبنية على بيانات تركيبية (Synthetic Data) والتعلم السياقي (In-Context Learning) — لاستنتاج البنية الأساسية لأي نظام جديد من خلال ملاحظة قصيرة . وتدّعي الشركة أن النموذج يستمر في العمل عندما تتغير الظروف دون الحاجة لدورة تدريب مكلفة أخرى .

الفكرة الأساسية هي أن أنظمة الذكاء الاصطناعي الحالية جامدة في جوهرها: فهي تحفظ الأنماط من بيانات التدريب وتتعطل عندما يتغير العالم. تصف kausable بديلها بأنه ذكاء اصطناعي "قائم على الاستدلال أولاً" (Reasoning-First) — نماذج مصممة للتعلم والتكيف بشكل أقرب إلى البشر، وذلك باستخدام التفكير السببي لفهم سبب سلوك النظام بطريقة معينة والتكيف وفقاً لذلك .

المؤسسون الأساسيون

تأسست kausable على يد ثلاثة فيزيائيين التقوا في جامعة هايدلبرغ:

• Johannes Haux — الرئيس التنفيذي (CEO)
• Dr. Benjamin Herdeanu — المدير التقني (CTO)
• Gregor Ramien — المدير التنفيذي للعمليات (COO)

جميعهم يجمعون خبرة من البحث الأكاديمي في جامعة هايدلبرغ وتطبيقات عملية في مجالات الأمن السيبراني والخدمات المصرفية والشركات الناشئة . انبثقت الشركة من قسم الفيزياء والفلك في جامعة هايدلبرغ، وهي البيئة البحثية نفسها التي أنتجت مختبر Black Forest Labs الشهير .

المستثمرون والداعمون

قاد الجولة الأولية كل من UVC Partners (ألماني) وEntourage (بلجيكي)، بمشاركة المستثمرين السابقين HTGF وMätch VC . أما الداعمون المؤسسيون الإضافيون فيشملون:

• Black Forest Labs (BFL)
• ELLIS (المختبر الأوروبي للتعلم والأنظمة الذكية)
• Campione Venture
• Secunet

قائمة المستثمرين الملائكة بارزة وتضم شخصيات من أبرز منظمات الذكاء الاصطناعي في العالم:

• المؤسسون المشاركون لـ Black Forest Labs (Robin Rombach و Andreas Blattmann)
• Sandro Gianella (الاستراتيجية الدولية والعمليات في OpenAI)
• Dorothy Chou (مستشارة استراتيجية في DeepMind)
• ملائكة إضافيون من Noxtua و ELLIS

TipPFN — نموذج تنبؤ بدون تدريب مسبق

المنتج الأول لشركة kausable هو TipPFN (شبكة البيانات السابقة الملائمة لنقاط التحول)، وهو نموذج تنبؤ بدون تدريب مسبق (Zero-Shot Forecasting Model) يكتشف قرب النظام من انتقال حرج أو "نقطة تحول" (Tipping Point) . إليك التفاصيل الرئيسية:

• نُشر كبحث علمي (arXiv 2605.12308) بالتعاون مع جامعة كولومبيا
• يستخدم إطار تعلم سياقي مع شبكة بيانات سابقة ملائمة لاستنتاج مدى القرب من التحولات الحرجة من سلاسل زمنية قصيرة ومزعجة
• يُظهر قدرة على الكشف المبكر عن التحولات الحرجة في أنظمة ديناميكية لم يسبق رؤيتها، بما في ذلك النقل المحاكي إلى الواقع (Sim-to-Real Transfer) والملاحظات الواقعية
• يدّعي أداءً قوياً عبر 14 مجالاً، مع قدرات تعميمية (Zero-Shot) لأنظمة لم يتم تدريبه عليها صراحة
• يهدف إلى التنبؤ بـ "الأحداث السوداء" (Black Swan Events) — وهي أحداث نادرة ذات تأثير كبير — عبر قطاعات الرعاية الصحية والطاقة والمالية والمناخ

التطبيقات المخطط لها

تستهدف kausable ثلاثة مجالات رئيسية حيث تفشل نماذج الذكاء الاصطناعي الثابتة:

• الروبوتات — نماذج عالم تتكيف مع البيئات المتغيرة دون إعادة تدريب، مما يمكّن الروبوتات من التعامل مع المواقف الجديدة بمرونة
• التنبؤ — اكتشاف نقاط التحول في الأنظمة المعقدة (مثل أعطال شبكات الكهرباء، تفشي الأمراض، الانهيارات المالية) باستخدام TipPFN
• الأنظمة الصناعية — ذكاء اصطناعي قابل للتطوير يمكن نشره عبر مشهد صناعي بأكمله دون أن يتحول إلى سلسلة من مشاريع إعادة التدريب الفردية المكلفة

تصف الشركة مهمتها بأنها "ذكاء اصطناعي حدودي يتكيف بنفس سرعة تكيف العالم من حوله"، محولة الذكاء الاصطناعي من نماذج ثابتة تعتمد على إعادة التدريب إلى أنظمة يمكن نشرها على نطاق واسع والاستمرار في العمل عندما تتغير الظروف .

الخلاصة

جولة التمويل الأولي البالغة 12 مليون يورو هي رهان على نهج مختلف جوهرياً في الذكاء الاصطناعي — نهج يركز على التفكير السببي، والبيانات التركيبية، والتعلم السياقي بدلاً من عمليات التدريب الأكبر حجماً. طموحات الشركة كبيرة: نماذج تتكيف مع مواقف جديدة من أمثلة قليلة، وتتنبأ بأحداث كارثية نادرة، وتستمر في العمل عندما يتغير العالم. يوفر البحث الأكاديمي لـ TipPFN مصداقية، لكن الشركة لم تطلق بعد منتجاً تجارياً أو تثبت نشراً على نطاق واسع في العالم الحقيقي . الأشهر الـ12 إلى 18 القادمة ستظهر ما إذا كان نهجها القائم على "الاستدلال أولاً" يمكنه الانتقال من بحث واعد إلى أنظمة جاهزة للمؤسسات.