Jiný přístup: Kauzální světy místo přetrénování

Místo neustálé úpravy vnitřních vah modelu kausable natrénuje základní model jednou a pak používá kauzální „světové modely“ postavené na syntetických datech a učení v kontextu (in-context learning), aby z krátkého pozorování odvodil strukturu libovolného nového systému . Firma tvrdí, že model pak funguje dál i po změně podmínek, aniž by bylo nutné nákladné přetrénování .

Jádrem myšlenky je, že současné AI systémy jsou v zásadě statické – pamatují si vzory z trénovacích dat a při změně selhávají. kausable svůj přístup označuje jako „reasoning-first“ – tedy modely navržené tak, aby se učily a přizpůsobovaly spíš jako lidé, pomocí kauzálního uvažování o tom, proč se systém chová tak, jak se chová .

Klíčoví zakladatelé

kausable založili tři fyzici, kteří se potkali na Univerzitě v Heidelbergu:

• Johannes Haux – CEO
• Dr. Benjamin Herdeanu – CTO
• Gregor Ramien – COO

Všichni tři mají zkušenosti z akademického výzkumu na Heidelberg University i z praxe v kybernetické bezpečnosti, bankovnictví a startupech . Startup vznikl na katedře fyziky a astronomie Heidelberg University, tedy ve stejném prostředí, které dalo vzniknout i proslulým Black Forest Labs .

Investoři a podporovatelé

Seed kolo vedly UVC Partners (Německo) a Entourage (Belgie), s účastí stávajících investorů HTGF a Mätch VC . Mezi institucionálními investory jsou dále:

• Black Forest Labs (BFL)
• ELLIS (European Laboratory for Learning and Intelligent Systems)
• Campione Venture
• Secunet

Seznam andělských investorů je výjimečný – zahrnuje osobnosti z předních AI organizací:

• Spoluzakladatelé Black Forest Labs – Robin Rombach a Andreas Blattmann
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Další andělé z Noxtua a ELLIS

TipPFN – model pro predikci bodů zvratu

Prvním produktem kausable je TipPFN (Tipping Point Prior-data Fitted Network) – zero-shot predikční model, který detekuje, jak blízko se systém nachází kritickému přechodu neboli „bodu zvratu“ . Klíčové parametry:

• Publikován jako vědecký článek na arXiv (2605.12308) ve spolupráci s Columbia University
• Využívá rámec učení v kontextu (in-context learning) s prior-data fitted network k odhadu blízkosti kritického přechodu z krátkých, zašuměných časových řad
• Vykazuje nejmodernější detekci kritických přechodů v dosud neviděných dynamických systémech, včetně sim-to-real přenosu a reálných pozorování
• Tvrdí robustní výkon napříč 14 doménami, s zero-shot generalizací na systémy, na kterých nebyl explicitně trénován
• Cílí na predikci událostí typu „černá labuť“ (vzácných, ale vysoce dopadových) v oblastech zdravotnictví, energetiky, financí a klimatu

Web startupu uvádí, že TipPFN „dokazuje svou nadřazenost na 14 doménách, včetně zero-shot schopností“ . Firma zatím nemá komerční produkt s veřejným ceníkem ani platící zákazníky, což upozorňuje na ranou fázi projektu .

Plánované nasazení

kausable cílí na tři oblasti, kde statické modely selhávají:

• Robotika – světy, které se adaptují na měnící se prostředí bez retrainingu, takže roboti zvládají nové situace za pochodu
• Predikce – detekce bodů zvratu ve složitých systémech (výpadky sítí, epidemie, finanční krachy) pomocí TipPFN
• Průmyslové systémy – škálovatelná AI, kterou lze nasadit v celém průmyslovém prostředí bez nutnosti nákladných individuálních retrainingů

Závěr

Seed kolo kausable ve výši 12 milionů eur představuje sázku na zásadně odlišný přístup k AI – důraz na kauzální uvažování, syntetická data a učení v kontextu namísto stále větších trénovacích běhů. Ambice jsou vysoké: modely, které se adaptují na nové situace z hrstky příkladů, předpovídají vzácné katastrofické události a fungují i při změně podmínek. Vědecký článek o TipPFN poskytuje akademickou validaci, ale startup zatím nemá komerční produkt ani nezávisle ověřené nasazení v reálném provozu . Následujících 12–18 měsíců ukáže, zda se jejich přístup dokáže posunout z přesvědčivého výzkumu ke skutečně použitelnému systému.

Jiný přístup: Kauzální světy místo přetrénování

Místo neustálé úpravy vnitřních vah modelu kausable natrénuje základní model jednou a pak používá kauzální „světové modely“ postavené na syntetických datech a učení v kontextu (in-context learning), aby z krátkého pozorování odvodil strukturu libovolného nového systému . Firma tvrdí, že model pak funguje dál i po změně podmínek, aniž by bylo nutné nákladné přetrénování .

Jádrem myšlenky je, že současné AI systémy jsou v zásadě statické – pamatují si vzory z trénovacích dat a při změně selhávají. kausable svůj přístup označuje jako „reasoning-first“ – tedy modely navržené tak, aby se učily a přizpůsobovaly spíš jako lidé, pomocí kauzálního uvažování o tom, proč se systém chová tak, jak se chová .

Klíčoví zakladatelé

kausable založili tři fyzici, kteří se potkali na Univerzitě v Heidelbergu:

• Johannes Haux – CEO
• Dr. Benjamin Herdeanu – CTO
• Gregor Ramien – COO

Všichni tři mají zkušenosti z akademického výzkumu na Heidelberg University i z praxe v kybernetické bezpečnosti, bankovnictví a startupech . Startup vznikl na katedře fyziky a astronomie Heidelberg University, tedy ve stejném prostředí, které dalo vzniknout i proslulým Black Forest Labs .

Investoři a podporovatelé

Seed kolo vedly UVC Partners (Německo) a Entourage (Belgie), s účastí stávajících investorů HTGF a Mätch VC . Mezi institucionálními investory jsou dále:

• Black Forest Labs (BFL)
• ELLIS (European Laboratory for Learning and Intelligent Systems)
• Campione Venture
• Secunet

Seznam andělských investorů je výjimečný – zahrnuje osobnosti z předních AI organizací:

• Spoluzakladatelé Black Forest Labs – Robin Rombach a Andreas Blattmann
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Další andělé z Noxtua a ELLIS

TipPFN – model pro predikci bodů zvratu

Prvním produktem kausable je TipPFN (Tipping Point Prior-data Fitted Network) – zero-shot predikční model, který detekuje, jak blízko se systém nachází kritickému přechodu neboli „bodu zvratu“ . Klíčové parametry:

• Publikován jako vědecký článek na arXiv (2605.12308) ve spolupráci s Columbia University
• Využívá rámec učení v kontextu (in-context learning) s prior-data fitted network k odhadu blízkosti kritického přechodu z krátkých, zašuměných časových řad
• Vykazuje nejmodernější detekci kritických přechodů v dosud neviděných dynamických systémech, včetně sim-to-real přenosu a reálných pozorování
• Tvrdí robustní výkon napříč 14 doménami, s zero-shot generalizací na systémy, na kterých nebyl explicitně trénován
• Cílí na predikci událostí typu „černá labuť“ (vzácných, ale vysoce dopadových) v oblastech zdravotnictví, energetiky, financí a klimatu

Web startupu uvádí, že TipPFN „dokazuje svou nadřazenost na 14 doménách, včetně zero-shot schopností“ . Firma zatím nemá komerční produkt s veřejným ceníkem ani platící zákazníky, což upozorňuje na ranou fázi projektu .

Plánované nasazení

kausable cílí na tři oblasti, kde statické modely selhávají:

• Robotika – světy, které se adaptují na měnící se prostředí bez retrainingu, takže roboti zvládají nové situace za pochodu
• Predikce – detekce bodů zvratu ve složitých systémech (výpadky sítí, epidemie, finanční krachy) pomocí TipPFN
• Průmyslové systémy – škálovatelná AI, kterou lze nasadit v celém průmyslovém prostředí bez nutnosti nákladných individuálních retrainingů

Závěr

Seed kolo kausable ve výši 12 milionů eur představuje sázku na zásadně odlišný přístup k AI – důraz na kauzální uvažování, syntetická data a učení v kontextu namísto stále větších trénovacích běhů. Ambice jsou vysoké: modely, které se adaptují na nové situace z hrstky příkladů, předpovídají vzácné katastrofické události a fungují i při změně podmínek. Vědecký článek o TipPFN poskytuje akademickou validaci, ale startup zatím nemá komerční produkt ani nezávisle ověřené nasazení v reálném provozu . Následujících 12–18 měsíců ukáže, zda se jejich přístup dokáže posunout z přesvědčivého výzkumu ke skutečně použitelnému systému.