Une approche différente : les « world models » causaux plutôt que le réentraînement

Au lieu de mettre à jour en continu les poids internes d’un modèle, kausable entraîne un modèle fondation unique et utilise des « world models » causaux — construits sur des données synthétiques et l’apprentissage en contexte — pour inférer la structure sous‑jacente de tout nouveau système à partir d’une courte observation . La startup affirme que le modèle continue ensuite à fonctionner lorsque les conditions changent, sans nécessiter un nouveau cycle d’entraînement coûteux .

La thèse centrale est que les systèmes d’IA actuels sont fondamentalement statiques : ils mémorisent des motifs issus des données d’entraînement et se brisent dès que le monde évolue. kausable décrit son alternative comme une IA « reasoning‑first » — des modèles conçus pour apprendre et s’adapter à la manière des humains, en utilisant le raisonnement causal pour comprendre pourquoi un système se comporte comme il le fait et s’ajuster en conséquence .

Les fondateurs

kausable a été fondée par trois physiciens rencontrés à l’Université de Heidelberg :

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

Tous trois apportent une expérience issue de la recherche universitaire à Heidelberg et une application pratique dans les domaines de la cybersécurité, de la banque et des startups . La société est née au sein du Département de physique et d’astronomie de l’Université de Heidelberg, le même environnement de recherche qui a produit Black Forest Labs .

Investisseurs et soutiens

Le tour seed a été co‑mené par UVC Partners (Allemagne) et Entourage (Belgique), avec la participation des investisseurs de la pré‑seed HTGF et Mätch VC . D’autres soutiens institutionnels incluent Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture et Secunet .

La liste des business angels est remarquable, réunissant des personnalités de grandes organisations d’IA :

• Les co‑fondateurs de Black Forest Labs (Robin Rombach et Andreas Blattmann)
• Sandro Gianella (Stratégie et Opérations Internationales, OpenAI)
• Dorothy Chou (Conseillère Stratégique, DeepMind)
• D’autres angels affiliés à Noxtua et ELLIS

TipPFN — le modèle de prévision zéro‑shot

Le premier produit de kausable est TipPFN (Tipping Point Prior‑data Fitted Network), un modèle de prévision zéro‑shot qui détecte la proximité d’un système à une transition critique ou « point de bascule » . Détails clés :

• Publié sous forme d’article de recherche (arXiv 2605.12308) en collaboration avec l’Université Columbia
• Utilise un cadre d’apprentissage en contexte avec un réseau ajusté sur des données a priori pour inférer la proximité de transitions critiques à partir de séries temporelles courtes et bruitées
• Démontre une détection précoce de l’état de l’art des transitions critiques dans des systèmes dynamiques jamais vus, y compris des transferts sim‑to‑real et des observations réelles
• Revendique des performances robustes sur 14 domaines, avec une capacité de généralisation zéro‑shot vers des systèmes pour lesquels il n’a pas été explicitement entraîné
• Vise à prédire les événements « cygne noir » — des occurrences rares mais à fort impact — dans les secteurs de la santé, de l’énergie, de la finance et du climat

Le site web de la startup indique que TipPFN « prouve sa supériorité sur 14 domaines, montrant même des capacités zéro‑shot » . Cependant, au moment de l’annonce du financement, kausable n’avait pas annoncé de produit commercial en libre‑service, de tarification publique, de clients en production ou de résultats de déploiement vérifiés de manière indépendante .

Applications prévues

kausable cible trois grands domaines où les modèles d’IA statiques montrent leurs limites :

• Robotique — des world models qui s’adaptent à des environnements changeants sans réentraînement, permettant aux robots de gérer des situations inédites à la volée
• Prévision — détection de points de bascule dans des systèmes complexes (pannes de réseau électrique, épidémies, crises financières) via TipPFN
• Systèmes industriels — une IA scalable, déployable à l’échelle d’un paysage industriel entier sans se transformer en une série de projets de réentraînement coûteux

La société décrit sa mission comme « une IA frontalière qui s’adapte aussi vite que le monde qui l’entoure », transformant l’IA de modèles statiques dépendants du réentraînement en systèmes déployables à grande échelle qui continuent de fonctionner lorsque les conditions changent .

En résumé

Le tour seed de 12 M€ de kausable est un pari sur une approche fondamentalement différente de l’IA — une approche qui met l’accent sur le raisonnement causal, les données synthétiques et l’apprentissage en contexte plutôt que sur des cycles d’entraînement toujours plus massifs. Les ambitions de la startup sont grandes : des modèles qui s’adaptent à de nouvelles situations à partir d’une poignée d’exemples, prédisent des événements catastrophiques rares et continuent de fonctionner lorsque le monde change. L’article de recherche TipPFN apporte une validation académique, mais la jeune pousse n’a pas encore commercialisé de produit ni démontré un déploiement à grande échelle dans le monde réel . Les 12 à 18 prochains mois diront si son approche « reasoning‑first » peut passer d’une recherche prometteuse à des systèmes prêts pour l’entreprise.

Une approche différente : les « world models » causaux plutôt que le réentraînement

Au lieu de mettre à jour en continu les poids internes d’un modèle, kausable entraîne un modèle fondation unique et utilise des « world models » causaux — construits sur des données synthétiques et l’apprentissage en contexte — pour inférer la structure sous‑jacente de tout nouveau système à partir d’une courte observation . La startup affirme que le modèle continue ensuite à fonctionner lorsque les conditions changent, sans nécessiter un nouveau cycle d’entraînement coûteux .

La thèse centrale est que les systèmes d’IA actuels sont fondamentalement statiques : ils mémorisent des motifs issus des données d’entraînement et se brisent dès que le monde évolue. kausable décrit son alternative comme une IA « reasoning‑first » — des modèles conçus pour apprendre et s’adapter à la manière des humains, en utilisant le raisonnement causal pour comprendre pourquoi un système se comporte comme il le fait et s’ajuster en conséquence .

Les fondateurs

kausable a été fondée par trois physiciens rencontrés à l’Université de Heidelberg :

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

Tous trois apportent une expérience issue de la recherche universitaire à Heidelberg et une application pratique dans les domaines de la cybersécurité, de la banque et des startups . La société est née au sein du Département de physique et d’astronomie de l’Université de Heidelberg, le même environnement de recherche qui a produit Black Forest Labs .

Investisseurs et soutiens

Le tour seed a été co‑mené par UVC Partners (Allemagne) et Entourage (Belgique), avec la participation des investisseurs de la pré‑seed HTGF et Mätch VC . D’autres soutiens institutionnels incluent Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture et Secunet .

La liste des business angels est remarquable, réunissant des personnalités de grandes organisations d’IA :

• Les co‑fondateurs de Black Forest Labs (Robin Rombach et Andreas Blattmann)
• Sandro Gianella (Stratégie et Opérations Internationales, OpenAI)
• Dorothy Chou (Conseillère Stratégique, DeepMind)
• D’autres angels affiliés à Noxtua et ELLIS

TipPFN — le modèle de prévision zéro‑shot

Le premier produit de kausable est TipPFN (Tipping Point Prior‑data Fitted Network), un modèle de prévision zéro‑shot qui détecte la proximité d’un système à une transition critique ou « point de bascule » . Détails clés :

• Publié sous forme d’article de recherche (arXiv 2605.12308) en collaboration avec l’Université Columbia
• Utilise un cadre d’apprentissage en contexte avec un réseau ajusté sur des données a priori pour inférer la proximité de transitions critiques à partir de séries temporelles courtes et bruitées
• Démontre une détection précoce de l’état de l’art des transitions critiques dans des systèmes dynamiques jamais vus, y compris des transferts sim‑to‑real et des observations réelles
• Revendique des performances robustes sur 14 domaines, avec une capacité de généralisation zéro‑shot vers des systèmes pour lesquels il n’a pas été explicitement entraîné
• Vise à prédire les événements « cygne noir » — des occurrences rares mais à fort impact — dans les secteurs de la santé, de l’énergie, de la finance et du climat

Le site web de la startup indique que TipPFN « prouve sa supériorité sur 14 domaines, montrant même des capacités zéro‑shot » . Cependant, au moment de l’annonce du financement, kausable n’avait pas annoncé de produit commercial en libre‑service, de tarification publique, de clients en production ou de résultats de déploiement vérifiés de manière indépendante .

Applications prévues

kausable cible trois grands domaines où les modèles d’IA statiques montrent leurs limites :

• Robotique — des world models qui s’adaptent à des environnements changeants sans réentraînement, permettant aux robots de gérer des situations inédites à la volée
• Prévision — détection de points de bascule dans des systèmes complexes (pannes de réseau électrique, épidémies, crises financières) via TipPFN
• Systèmes industriels — une IA scalable, déployable à l’échelle d’un paysage industriel entier sans se transformer en une série de projets de réentraînement coûteux

La société décrit sa mission comme « une IA frontalière qui s’adapte aussi vite que le monde qui l’entoure », transformant l’IA de modèles statiques dépendants du réentraînement en systèmes déployables à grande échelle qui continuent de fonctionner lorsque les conditions changent .

En résumé

Le tour seed de 12 M€ de kausable est un pari sur une approche fondamentalement différente de l’IA — une approche qui met l’accent sur le raisonnement causal, les données synthétiques et l’apprentissage en contexte plutôt que sur des cycles d’entraînement toujours plus massifs. Les ambitions de la startup sont grandes : des modèles qui s’adaptent à de nouvelles situations à partir d’une poignée d’exemples, prédisent des événements catastrophiques rares et continuent de fonctionner lorsque le monde change. L’article de recherche TipPFN apporte une validation académique, mais la jeune pousse n’a pas encore commercialisé de produit ni démontré un déploiement à grande échelle dans le monde réel . Les 12 à 18 prochains mois diront si son approche « reasoning‑first » peut passer d’une recherche prometteuse à des systèmes prêts pour l’entreprise.