Erilainen lähestymistapa: kausaaliset maailmanmallit uudelleenkoulutuksen sijaan

Sen sijaan, että se päivittäisi jatkuvasti mallin sisäisiä painoja, kausable kouluttaa perustamallin kerran ja käyttää kausaalisia "maailmanmalleja" – jotka on rakennettu synteettisen datan ja kontekstioppimisen varaan – päätelläkseen minkä tahansa uuden järjestelmän taustalla olevan rakenteen lyhyen havainnon perusteella . Yritys väittää, että malli toimii edelleen, kun olosuhteet muuttuvat, ilman toista kallista koulutussykliä .

Keskeinen teesi on, että nykyiset tekoälyjärjestelmät ovat pohjimmiltaan staattisia: ne muistavat koulutusdatansa kuviot ja hajoavat, kun maailma muuttuu. kausable kuvaa vaihtoehtoaan "päättelyä edeltäväksi" tekoälyksi – malleiksi, jotka on suunniteltu oppimaan ja sopeutumaan enemmän ihmisten tapaan käyttämällä kausaalista päättelyä ymmärtääkseen, miksi järjestelmä käyttäytyy tietyllä tavalla, ja sopeutuakseen sen mukaisesti .

Keskeiset perustajat

kausablen perustivat kolme fyysikkoa, jotka tapasivat Heidelbergin yliopistossa:

• Johannes Haux – toimitusjohtaja
• Tohtori Benjamin Herdeanu – teknologiajohtaja
• Gregor Ramien – operatiivinen johtaja

Kaikilla kolmella on kokemusta akateemisesta tutkimuksesta Heidelbergin yliopistossa ja käytännön sovelluksista kyberturvallisuudessa, pankkitoiminnassa ja startup-yrityksissä . Yritys syntyi Heidelbergin yliopiston fysiikan ja tähtitieteen laitokselta, samasta tutkimusympäristöstä, josta Black Forest Labs on syntynyt .

Sijoittajat ja tukijat

Siemenkierrosta johtivat UVC Partners (Saksa) ja Entourage (Belgia), ja siihen osallistuivat aiemmat esi-siemenvaiheen sijoittajat HTGF ja Mätch VC . Muita institutionaalisia tukijoita ovat Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture ja Secunet .

Enkelisijoittajien lista on huomionarvoinen, ja se kokoaa yhteen henkilöitä johtavista tekoälyorganisaatioista:

• Black Forest Labsin perustajat (Robin Rombach ja Andreas Blattmann)
• Sandro Gianella (kansainvälinen strategia ja operaatiot, OpenAI)
• Dorothy Chou (strateginen neuvonantaja, DeepMind)
• Muita enkeliä, jotka ovat sidoksissa Noxtuaan ja ELLISiin

TipPFN – nolla-askelennustemalli

kausablen ensimmäinen tuote on TipPFN (Tipping Point Prior-data Fitted Network), nolla-askelennustemalli, joka havaitsee järjestelmän läheisyyden kriittiseen siirtymään tai "käännekohtaan" . Keskeiset yksityiskohdat:

• Julkaistu tutkimusartikkelina (arXiv 2605.12308) yhteistyössä Columbia Universityn kanssa
• Käyttää kontekstioppimisen viitekehystä, jossa on ennakkotietoihin sovitettu verkko, päätelläkseen läheisyyden kriittisiin siirtymiin lyhyistä, kohinaisista aikasarjoista
• Osoittaa huippuluokan varhaisen havaitsemisen kriittisille siirtymille aiemmin näkemättömissä dynaamisissa järjestelmissä, mukaan lukien sim-to-real-siirrot ja todelliset havainnot
• Väittää omaavansa vankan suorituskyvyn 14 toimialueella, nolla-asteen yleistämisellä järjestelmiin, joihin sitä ei ole nimenomaisesti koulutettu
• Tavoitteena on ennustaa "mustia joutsenia" – harvinaisia, vaikutukseltaan suuria tapahtumia – terveydenhuollossa, energiassa, rahoituksessa ja ilmastossa

Yrityksen verkkosivusto toteaa TipPFN:n "osoittavan ylivoimaisuutensa 14 toimialueella, jopa nolla-asteen ominaisuuksin" . Rahoitusilmoituksen aikaan kausable ei kuitenkaan ollut ilmoittanut itsepalvelukäyttöön tarkoitettua kaupallista tuotetta, julkista hinnoittelua, tuotantoasiakkaita tai itsenäisesti vahvistettuja käyttöönottotuloksia .

Suunniteltuja sovelluksia

kausable keskittyy kolmeen laajaan toimialueeseen, joissa staattiset tekoälymallit eivät riitä:

• Robotiikka – maailmanmallit, jotka sopeutuvat muuttuviin ympäristöihin ilman uudelleenkoulutusta, mahdollistaen robottien käsitellä uusia tilanteita lennossa
• Ennustaminen – käännekohtien havaitseminen monimutkaisissa järjestelmissä (esim. sähköverkon häiriöt, taudinpurkaukset, finanssikriisit) TipPFN:n avulla
• Teolliset järjestelmät – skaalautuva tekoäly, joka voidaan ottaa käyttöön koko teollisuusmaisemassa ilman, että siitä tulee sarja kalliita kertaluonteisia uudelleenkoulutusprojekteja

Yritys kuvaa missiotaan "rajatekoälyksi, joka sopeutuu yhtä nopeasti kuin ympäröivä maailma", muuttaen tekoälyn staattisista, uudelleenkoulutuksesta riippuvaisista malleista järjestelmiksi, jotka voidaan ottaa laajasti käyttöön ja pitää toiminnassa olosuhteiden muuttuessa .

Yhteenveto

kausablen 12 miljoonan euron siemenrahoitus on panos pohjimmiltaan erilaiseen tekoälyn lähestymistapaan – sellaiseen, joka korostaa kausaalista päättelyä, synteettistä dataa ja kontekstioppimista yhä suurempien koulutuskierrosten sijaan. Yrityksen väitteet ovat kunnianhimoisia: mallit, jotka sopeutuvat uusiin tilanteisiin muutamasta esimerkistä, ennustavat harvinaisia katastrofaalisia tapahtumia ja pysyvät toiminnassa, kun maailma muuttuu. TipPFN-tutkimusartikkeli tarjoaa akateemista validointia, mutta startupin on vielä toimitettava kaupallinen tuote tai osoitettava reaalimaailman käyttöönottoa laajassa mittakaavassa . Seuraavat 12–18 kuukautta näyttävät, voiko heidän päättelyä edeltävä lähestymistapansa siirtyä vakuuttavasta tutkimuksesta yritysvalmiiksi järjestelmäksi.

Erilainen lähestymistapa: kausaaliset maailmanmallit uudelleenkoulutuksen sijaan

Sen sijaan, että se päivittäisi jatkuvasti mallin sisäisiä painoja, kausable kouluttaa perustamallin kerran ja käyttää kausaalisia "maailmanmalleja" – jotka on rakennettu synteettisen datan ja kontekstioppimisen varaan – päätelläkseen minkä tahansa uuden järjestelmän taustalla olevan rakenteen lyhyen havainnon perusteella . Yritys väittää, että malli toimii edelleen, kun olosuhteet muuttuvat, ilman toista kallista koulutussykliä .

Keskeinen teesi on, että nykyiset tekoälyjärjestelmät ovat pohjimmiltaan staattisia: ne muistavat koulutusdatansa kuviot ja hajoavat, kun maailma muuttuu. kausable kuvaa vaihtoehtoaan "päättelyä edeltäväksi" tekoälyksi – malleiksi, jotka on suunniteltu oppimaan ja sopeutumaan enemmän ihmisten tapaan käyttämällä kausaalista päättelyä ymmärtääkseen, miksi järjestelmä käyttäytyy tietyllä tavalla, ja sopeutuakseen sen mukaisesti .

Keskeiset perustajat

kausablen perustivat kolme fyysikkoa, jotka tapasivat Heidelbergin yliopistossa:

• Johannes Haux – toimitusjohtaja
• Tohtori Benjamin Herdeanu – teknologiajohtaja
• Gregor Ramien – operatiivinen johtaja

Kaikilla kolmella on kokemusta akateemisesta tutkimuksesta Heidelbergin yliopistossa ja käytännön sovelluksista kyberturvallisuudessa, pankkitoiminnassa ja startup-yrityksissä . Yritys syntyi Heidelbergin yliopiston fysiikan ja tähtitieteen laitokselta, samasta tutkimusympäristöstä, josta Black Forest Labs on syntynyt .

Sijoittajat ja tukijat

Siemenkierrosta johtivat UVC Partners (Saksa) ja Entourage (Belgia), ja siihen osallistuivat aiemmat esi-siemenvaiheen sijoittajat HTGF ja Mätch VC . Muita institutionaalisia tukijoita ovat Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture ja Secunet .

Enkelisijoittajien lista on huomionarvoinen, ja se kokoaa yhteen henkilöitä johtavista tekoälyorganisaatioista:

• Black Forest Labsin perustajat (Robin Rombach ja Andreas Blattmann)
• Sandro Gianella (kansainvälinen strategia ja operaatiot, OpenAI)
• Dorothy Chou (strateginen neuvonantaja, DeepMind)
• Muita enkeliä, jotka ovat sidoksissa Noxtuaan ja ELLISiin

TipPFN – nolla-askelennustemalli

kausablen ensimmäinen tuote on TipPFN (Tipping Point Prior-data Fitted Network), nolla-askelennustemalli, joka havaitsee järjestelmän läheisyyden kriittiseen siirtymään tai "käännekohtaan" . Keskeiset yksityiskohdat:

• Julkaistu tutkimusartikkelina (arXiv 2605.12308) yhteistyössä Columbia Universityn kanssa
• Käyttää kontekstioppimisen viitekehystä, jossa on ennakkotietoihin sovitettu verkko, päätelläkseen läheisyyden kriittisiin siirtymiin lyhyistä, kohinaisista aikasarjoista
• Osoittaa huippuluokan varhaisen havaitsemisen kriittisille siirtymille aiemmin näkemättömissä dynaamisissa järjestelmissä, mukaan lukien sim-to-real-siirrot ja todelliset havainnot
• Väittää omaavansa vankan suorituskyvyn 14 toimialueella, nolla-asteen yleistämisellä järjestelmiin, joihin sitä ei ole nimenomaisesti koulutettu
• Tavoitteena on ennustaa "mustia joutsenia" – harvinaisia, vaikutukseltaan suuria tapahtumia – terveydenhuollossa, energiassa, rahoituksessa ja ilmastossa

Yrityksen verkkosivusto toteaa TipPFN:n "osoittavan ylivoimaisuutensa 14 toimialueella, jopa nolla-asteen ominaisuuksin" . Rahoitusilmoituksen aikaan kausable ei kuitenkaan ollut ilmoittanut itsepalvelukäyttöön tarkoitettua kaupallista tuotetta, julkista hinnoittelua, tuotantoasiakkaita tai itsenäisesti vahvistettuja käyttöönottotuloksia .

Suunniteltuja sovelluksia

kausable keskittyy kolmeen laajaan toimialueeseen, joissa staattiset tekoälymallit eivät riitä:

• Robotiikka – maailmanmallit, jotka sopeutuvat muuttuviin ympäristöihin ilman uudelleenkoulutusta, mahdollistaen robottien käsitellä uusia tilanteita lennossa
• Ennustaminen – käännekohtien havaitseminen monimutkaisissa järjestelmissä (esim. sähköverkon häiriöt, taudinpurkaukset, finanssikriisit) TipPFN:n avulla
• Teolliset järjestelmät – skaalautuva tekoäly, joka voidaan ottaa käyttöön koko teollisuusmaisemassa ilman, että siitä tulee sarja kalliita kertaluonteisia uudelleenkoulutusprojekteja

Yritys kuvaa missiotaan "rajatekoälyksi, joka sopeutuu yhtä nopeasti kuin ympäröivä maailma", muuttaen tekoälyn staattisista, uudelleenkoulutuksesta riippuvaisista malleista järjestelmiksi, jotka voidaan ottaa laajasti käyttöön ja pitää toiminnassa olosuhteiden muuttuessa .

Yhteenveto

kausablen 12 miljoonan euron siemenrahoitus on panos pohjimmiltaan erilaiseen tekoälyn lähestymistapaan – sellaiseen, joka korostaa kausaalista päättelyä, synteettistä dataa ja kontekstioppimista yhä suurempien koulutuskierrosten sijaan. Yrityksen väitteet ovat kunnianhimoisia: mallit, jotka sopeutuvat uusiin tilanteisiin muutamasta esimerkistä, ennustavat harvinaisia katastrofaalisia tapahtumia ja pysyvät toiminnassa, kun maailma muuttuu. TipPFN-tutkimusartikkeli tarjoaa akateemista validointia, mutta startupin on vielä toimitettava kaupallinen tuote tai osoitettava reaalimaailman käyttöönottoa laajassa mittakaavassa . Seuraavat 12–18 kuukautta näyttävät, voiko heidän päättelyä edeltävä lähestymistapansa siirtyä vakuuttavasta tutkimuksesta yritysvalmiiksi järjestelmäksi.