En anden tilgang: Kausale verdensmodeller i stedet for omtræning

I stedet for løbende at opdatere en models interne vægte, træner kausable en fundamentmodel én gang og bruger kausale 'verdensmodeller' – bygget på syntetiske data og in-context learning – til at udlede den underliggende struktur i ethvert nyt system ud fra en kort observation . Virksomheden hævder, at modellen derefter fortsætter med at fungere, når forholdene ændrer sig, uden en ny dyr træningscyklus .

Kernetesen er, at nuværende AI-systemer grundlæggende er statiske: de memorerer mønstre fra træningsdata og bryder sammen, når verden bevæger sig videre. kausable beskriver sit alternativ som 'reasoning-first' AI – modeller designet til at lære og tilpasse sig mere som mennesker, ved at bruge kausal ræsonnement til at forstå, hvorfor et system opfører sig, som det gør, og justere derefter .

Nøglepersoner

kausable blev grundlagt af tre fysikere, der mødtes på Heidelberg Universitet:

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

Alle tre kommer med erfaring fra akademisk forskning på Heidelberg Universitet og praktisk anvendelse inden for cybersikkerhed, bankvæsen og startups . Virksomheden er vokset ud af Institut for Fysik og Astronomi på Heidelberg Universitet, samme forskningsmiljø, der har produceret Black Forest Labs .

Investorer og bagmænd

Seed-runden blev co-ledet af UVC Partners (tysk) og Entourage (belgisk) med deltagelse fra de tidligere pre-seed-investorer HTGF og Mätch VC . Yderligere institutionelle bagmænd inkluderer Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture og Secunet .

Investorlisten blandt business angels er bemærkelsesværdig og tæller personer fra toppen af AI-verdenen:

• Medstifterne af Black Forest Labs (Robin Rombach og Andreas Blattmann)
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Yderligere engleinvestorer med tilknytning til Noxtua og ELLIS

TipPFN – Zero-shot-prognosemodel

kausables første produkt er TipPFN (Tipping Point Prior-data Fitted Network), en zero-shot-prognosemodel, der detekterer et systems nærhed til en kritisk overgang eller et 'tipping point' . Væsentlige detaljer:

• Offentliggjort som et forskningspapir (arXiv 2605.12308) i samarbejde med Columbia University
• Anvender en in-context learning-ramme med et prior-data fitted network til at udlede nærhed til kritiske overgange fra korte, støjende tidsserier
• Demonstrerer state-of-the-art tidlig detektering af kritiske overgange i tidligere usete dynamiske systemer, inklusive sim-to-real-overførsel og observationer fra den virkelige verden
• Hævder robust ydeevne på tværs af 14 domæner med zero-shot-generalisation til systemer, det ikke eksplicit er blevet trænet på
• Sigter mod at forudsige 'black swan'-begivenheder – sjældne, højpåvirkningshændelser – inden for sundhed, energi, finans og klima

Virksomhedens hjemmeside angiver, at TipPFN 'beviser sin overlegenhed på 14 domæner, selv med zero-shot-kapaciteter' . Dog havde kausable på tidspunktet for finansieringsannonceringen ikke annonceret et kommercielt produkt, offentlig prissætning, produktionskunder eller uafhængigt verificerede implementeringsresultater .

Planlagte anvendelser

kausable sigter mod tre brede domæner, hvor statiske AI-modeller kommer til kort:

• Robotik – verdensmodeller, der tilpasser sig skiftende miljøer uden omtræning, så robotter kan håndtere nye situationer i farten
• Prognoser – detektering af tipping points i komplekse systemer (f.eks. strømsvigt, sygdomsudbrud, finanskrak) ved hjælp af TipPFN
• Industrielle systemer – skalerbar AI, der kan udrulles på tværs af et helt industrielt landskab uden at blive en serie af dyre enkeltstående omtræningsprojekter

Virksomheden beskriver sin mission som 'frontier AI, der tilpasser sig lige så hurtigt som verden omkring det' og dermed forvandler AI fra statiske, omtræningsafhængige modeller til systemer, der kan rulles bredt ud og blive ved med at virke, når forholdene ændrer sig .

Det væsentlige

kausables seed-runde på 12 millioner euro er et sats på en grundlæggende anderledes tilgang til AI – en der lægger vægt på kausal ræsonnement, syntetiske data og in-context learning frem for stadigt større træningskørsler. Virksomhedens påstande er ambitiøse: modeller, der tilpasser sig nye situationer ud fra en håndfuld eksempler, forudsiger sjældne katastrofale begivenheder og bliver ved med at fungere, når verden ændrer sig. TipPFN-forskningspapiret giver akademisk validering, men startup'et har endnu ikke lanceret et kommercielt produkt eller demonstreret implementering i stor skala i den virkelige verden . De næste 12-18 måneder vil vise, om deres reasoning-first-tilgang kan bevæge sig fra overbevisende forskning til virksomhedsklare systemer.

En anden tilgang: Kausale verdensmodeller i stedet for omtræning

I stedet for løbende at opdatere en models interne vægte, træner kausable en fundamentmodel én gang og bruger kausale 'verdensmodeller' – bygget på syntetiske data og in-context learning – til at udlede den underliggende struktur i ethvert nyt system ud fra en kort observation . Virksomheden hævder, at modellen derefter fortsætter med at fungere, når forholdene ændrer sig, uden en ny dyr træningscyklus .

Kernetesen er, at nuværende AI-systemer grundlæggende er statiske: de memorerer mønstre fra træningsdata og bryder sammen, når verden bevæger sig videre. kausable beskriver sit alternativ som 'reasoning-first' AI – modeller designet til at lære og tilpasse sig mere som mennesker, ved at bruge kausal ræsonnement til at forstå, hvorfor et system opfører sig, som det gør, og justere derefter .

Nøglepersoner

kausable blev grundlagt af tre fysikere, der mødtes på Heidelberg Universitet:

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

Alle tre kommer med erfaring fra akademisk forskning på Heidelberg Universitet og praktisk anvendelse inden for cybersikkerhed, bankvæsen og startups . Virksomheden er vokset ud af Institut for Fysik og Astronomi på Heidelberg Universitet, samme forskningsmiljø, der har produceret Black Forest Labs .

Investorer og bagmænd

Seed-runden blev co-ledet af UVC Partners (tysk) og Entourage (belgisk) med deltagelse fra de tidligere pre-seed-investorer HTGF og Mätch VC . Yderligere institutionelle bagmænd inkluderer Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture og Secunet .

Investorlisten blandt business angels er bemærkelsesværdig og tæller personer fra toppen af AI-verdenen:

• Medstifterne af Black Forest Labs (Robin Rombach og Andreas Blattmann)
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Yderligere engleinvestorer med tilknytning til Noxtua og ELLIS

TipPFN – Zero-shot-prognosemodel

kausables første produkt er TipPFN (Tipping Point Prior-data Fitted Network), en zero-shot-prognosemodel, der detekterer et systems nærhed til en kritisk overgang eller et 'tipping point' . Væsentlige detaljer:

• Offentliggjort som et forskningspapir (arXiv 2605.12308) i samarbejde med Columbia University
• Anvender en in-context learning-ramme med et prior-data fitted network til at udlede nærhed til kritiske overgange fra korte, støjende tidsserier
• Demonstrerer state-of-the-art tidlig detektering af kritiske overgange i tidligere usete dynamiske systemer, inklusive sim-to-real-overførsel og observationer fra den virkelige verden
• Hævder robust ydeevne på tværs af 14 domæner med zero-shot-generalisation til systemer, det ikke eksplicit er blevet trænet på
• Sigter mod at forudsige 'black swan'-begivenheder – sjældne, højpåvirkningshændelser – inden for sundhed, energi, finans og klima

Virksomhedens hjemmeside angiver, at TipPFN 'beviser sin overlegenhed på 14 domæner, selv med zero-shot-kapaciteter' . Dog havde kausable på tidspunktet for finansieringsannonceringen ikke annonceret et kommercielt produkt, offentlig prissætning, produktionskunder eller uafhængigt verificerede implementeringsresultater .

Planlagte anvendelser

kausable sigter mod tre brede domæner, hvor statiske AI-modeller kommer til kort:

• Robotik – verdensmodeller, der tilpasser sig skiftende miljøer uden omtræning, så robotter kan håndtere nye situationer i farten
• Prognoser – detektering af tipping points i komplekse systemer (f.eks. strømsvigt, sygdomsudbrud, finanskrak) ved hjælp af TipPFN
• Industrielle systemer – skalerbar AI, der kan udrulles på tværs af et helt industrielt landskab uden at blive en serie af dyre enkeltstående omtræningsprojekter

Virksomheden beskriver sin mission som 'frontier AI, der tilpasser sig lige så hurtigt som verden omkring det' og dermed forvandler AI fra statiske, omtræningsafhængige modeller til systemer, der kan rulles bredt ud og blive ved med at virke, når forholdene ændrer sig .

Det væsentlige

kausables seed-runde på 12 millioner euro er et sats på en grundlæggende anderledes tilgang til AI – en der lægger vægt på kausal ræsonnement, syntetiske data og in-context learning frem for stadigt større træningskørsler. Virksomhedens påstande er ambitiøse: modeller, der tilpasser sig nye situationer ud fra en håndfuld eksempler, forudsiger sjældne katastrofale begivenheder og bliver ved med at fungere, når verden ændrer sig. TipPFN-forskningspapiret giver akademisk validering, men startup'et har endnu ikke lanceret et kommercielt produkt eller demonstreret implementering i stor skala i den virkelige verden . De næste 12-18 måneder vil vise, om deres reasoning-first-tilgang kan bevæge sig fra overbevisende forskning til virksomhedsklare systemer.