גישה שונה: מודלי עולם סיבתיים במקום אימון מחדש

במקום לעדכן את משקלי המודל באופן רציף, kausable מאמנת מודל בסיס פעם אחת, ומשתמשת ב"מודלי עולם" סיבתיים — שנבנו על נתונים סינתטיים ולמידה בהקשר (in-context learning) — כדי להסיק את המבנה הבסיסי של כל מערכת חדשה מתצפית קצרה . החברה טוענת שהמודל ממשיך לעבוד גם כשהתנאים משתנים, ללא צורך בעוד אימון יקר .

התזה המרכזית היא שמערכות הבינה המלאכותית הנוכחיות הן סטטיות במהותן: הן משננות תבניות מנתוני האימון ונשברות כשהעולם משתנה. kausable מכנה את האלטרנטיבה שלה "AI מבוסס חשיבה" (reasoning-first AI) — מודלים שנועדו ללמוד ולהסתגל יותר כמו בני אדם, תוך שימוש בחשיבה סיבתית כדי להבין מדוע מערכת מתנהגת כפי שהיא מתנהגת ולהתאים את עצמם בהתאם .

המייסדים

• יוהאנס הוקס — מנכ"ל (CEO)
• ד"ר בנימין הרדאנו — CTO
• גרגור ראמיאן — COO

כולם פיזיקאים מבית אוניברסיטת היידלברג, עם ניסיון אקדמי ויישומי באבטחת סייבר, בנקאות וסטארט-אפים . החברה צמחה מהמחלקה לפיזיקה ואסטרונומיה באוניברסיטת היידלברג, אותה סביבה מחקרית שהצמיחה את Black Forest Labs .

משקיעים ותומכים

סבב הסיד הובל על ידי UVC Partners (גרמניה) ו-Entourage (בלגיה), בהשתתפות המשקיעים הקודמים HTGF (High-Tech Gründerfonds) ו-Mätch VC . תומכים מוסדיים נוספים כוללים את Black Forest Labs (BFL), ELLIS (המעבדה האירופית ללמידה ומערכות חכמות), Campione Venture ו-Secunet .

רשימת משקיעי אנג'ל בולטת וכוללת שמות מארגוני AI מובילים:

• מייסדי Black Forest Labs (רובין רומבאך ואנדראס בלאטמן)
• סנדרו ג'אנלה (אסטרטגיה בינלאומית ותפעול, OpenAI)
• דורותי צ'או (יועצת אסטרטגית, DeepMind)
• אנג'לים נוספים מ-Noxtua ו-ELLIS

TipPFN — מודל חיזוי Zero-Shot

המוצר הראשון של kausable הוא TipPFN (Tipping Point Prior-data Fitted Network), מודל חיזוי מסוג zero-shot המזהה את קרבתה של מערכת למעבר קריטי, המכונה "נקודת מפנה" :

• פורסם כמאמר מחקר (arXiv 2605.12308) בשיתוף אוניברסיטת קולומביה
• משתמש במסגרת למידה בהקשר (in-context learning) עם רשת מותאמת לנתונים קודמים כדי להסיק קרבה למעברים קריטיים מסדרות זמן קצרות ורועשות
• מדגים זיהוי מוקדם מתקדם של מעברים קריטיים במערכות דינמיות שלא נראו מעולם, כולל העברת sim-to-real ותצפיות מהעולם האמיתי
• טוען לביצועים חזקים על פני 14 תחומים, עם יכולת zero-shot להכללה למערכות שלא אומן עליהן במפורש
• מטרתו לחזות אירועי "ברבור שחור" — אירועים נדירים בעלי השפעה גבוהה — בתחומי בריאות, אנרגיה, פיננסים ואקלים

האתר של kausable מציין ש-TipPFN "מוכיח עליונותו על פני 14 תחומים, תוך הצגת יכולות zero-shot" . עם זאת, נכון למועד ההכרזה, kausable לא הכריזה על מוצר מסחרי עצמאי, תמחור פומבי, לקוחות ייצור או תוצאות פריסה מאומתות באופן בלתי תלוי .

יישומים מתוכננים

kausable מכוונת לשלושה תחומים רחבים שבהם מודלי AI סטטיים נכשלים:

• רובוטיקה — מודלי עולם שמסתגלים לסביבות משתנות ללא אימון מחדש, ומאפשרים לרובוטים להתמודד עם מצבים חדשים תוך כדי תנועה
• חיזוי — זיהוי נקודות מפנה במערכות מורכבות (למשל, התמוטטות רשת חשמל, התפרצויות מחלות, קריסות פיננסיות) באמצעות TipPFN
• מערכות תעשייתיות — AI שניתן לפריסה בקנה מידה רחב על פני נוף תעשייתי שלם, מבלי להפוך לסדרה של פרויקטי אימון חד-פעמיים יקרים

החברה מתארת את משימתה כ"AI פורץ דרך שמסתגל במהירות שהעולם סביבו משתנה", והופך AI ממודלים סטטיים, תלויי אימון מחדש, למערכות שניתן לפרוש בהרחבה ולהשאיר אותן פועלות גם כשהתנאים משתנים .

השורה התחתונה

גיוס הסיד של 12 מיליון אירו ל-kausable הוא הימור על גישה שונה מהותית ל-AI — כזו המדגישה חשיבה סיבתית, נתונים סינתטיים ולמידה בהקשר על פני ריצות אימון גדולות מתמיד. הטענות של החברה שאפתניות: מודלים שמסתגלים למצבים חדשים מכמה דוגמאות בודדות, חוזים אירועים קטסטרופליים נדירים, וממשיכים לעבוד כשהעולם משתנה. מאמר המחקר TipPFN מספק תוקף אקדמי, אך הסטארט-אפ עדיין לא השיק מוצר מסחרי או הוכיח פריסה בקנה מידה אמיתי . 12-18 החודשים הקרובים יראו האם הגישה המבוססת על חשיבה (reasoning-first) יכולה לעבור ממחקר מבטיח למערכות ארגוניות.

גישה שונה: מודלי עולם סיבתיים במקום אימון מחדש

במקום לעדכן את משקלי המודל באופן רציף, kausable מאמנת מודל בסיס פעם אחת, ומשתמשת ב"מודלי עולם" סיבתיים — שנבנו על נתונים סינתטיים ולמידה בהקשר (in-context learning) — כדי להסיק את המבנה הבסיסי של כל מערכת חדשה מתצפית קצרה . החברה טוענת שהמודל ממשיך לעבוד גם כשהתנאים משתנים, ללא צורך בעוד אימון יקר .

התזה המרכזית היא שמערכות הבינה המלאכותית הנוכחיות הן סטטיות במהותן: הן משננות תבניות מנתוני האימון ונשברות כשהעולם משתנה. kausable מכנה את האלטרנטיבה שלה "AI מבוסס חשיבה" (reasoning-first AI) — מודלים שנועדו ללמוד ולהסתגל יותר כמו בני אדם, תוך שימוש בחשיבה סיבתית כדי להבין מדוע מערכת מתנהגת כפי שהיא מתנהגת ולהתאים את עצמם בהתאם .

המייסדים

• יוהאנס הוקס — מנכ"ל (CEO)
• ד"ר בנימין הרדאנו — CTO
• גרגור ראמיאן — COO

כולם פיזיקאים מבית אוניברסיטת היידלברג, עם ניסיון אקדמי ויישומי באבטחת סייבר, בנקאות וסטארט-אפים . החברה צמחה מהמחלקה לפיזיקה ואסטרונומיה באוניברסיטת היידלברג, אותה סביבה מחקרית שהצמיחה את Black Forest Labs .

משקיעים ותומכים

סבב הסיד הובל על ידי UVC Partners (גרמניה) ו-Entourage (בלגיה), בהשתתפות המשקיעים הקודמים HTGF (High-Tech Gründerfonds) ו-Mätch VC . תומכים מוסדיים נוספים כוללים את Black Forest Labs (BFL), ELLIS (המעבדה האירופית ללמידה ומערכות חכמות), Campione Venture ו-Secunet .

רשימת משקיעי אנג'ל בולטת וכוללת שמות מארגוני AI מובילים:

• מייסדי Black Forest Labs (רובין רומבאך ואנדראס בלאטמן)
• סנדרו ג'אנלה (אסטרטגיה בינלאומית ותפעול, OpenAI)
• דורותי צ'או (יועצת אסטרטגית, DeepMind)
• אנג'לים נוספים מ-Noxtua ו-ELLIS

TipPFN — מודל חיזוי Zero-Shot

המוצר הראשון של kausable הוא TipPFN (Tipping Point Prior-data Fitted Network), מודל חיזוי מסוג zero-shot המזהה את קרבתה של מערכת למעבר קריטי, המכונה "נקודת מפנה" :

• פורסם כמאמר מחקר (arXiv 2605.12308) בשיתוף אוניברסיטת קולומביה
• משתמש במסגרת למידה בהקשר (in-context learning) עם רשת מותאמת לנתונים קודמים כדי להסיק קרבה למעברים קריטיים מסדרות זמן קצרות ורועשות
• מדגים זיהוי מוקדם מתקדם של מעברים קריטיים במערכות דינמיות שלא נראו מעולם, כולל העברת sim-to-real ותצפיות מהעולם האמיתי
• טוען לביצועים חזקים על פני 14 תחומים, עם יכולת zero-shot להכללה למערכות שלא אומן עליהן במפורש
• מטרתו לחזות אירועי "ברבור שחור" — אירועים נדירים בעלי השפעה גבוהה — בתחומי בריאות, אנרגיה, פיננסים ואקלים

האתר של kausable מציין ש-TipPFN "מוכיח עליונותו על פני 14 תחומים, תוך הצגת יכולות zero-shot" . עם זאת, נכון למועד ההכרזה, kausable לא הכריזה על מוצר מסחרי עצמאי, תמחור פומבי, לקוחות ייצור או תוצאות פריסה מאומתות באופן בלתי תלוי .

יישומים מתוכננים

kausable מכוונת לשלושה תחומים רחבים שבהם מודלי AI סטטיים נכשלים:

• רובוטיקה — מודלי עולם שמסתגלים לסביבות משתנות ללא אימון מחדש, ומאפשרים לרובוטים להתמודד עם מצבים חדשים תוך כדי תנועה
• חיזוי — זיהוי נקודות מפנה במערכות מורכבות (למשל, התמוטטות רשת חשמל, התפרצויות מחלות, קריסות פיננסיות) באמצעות TipPFN
• מערכות תעשייתיות — AI שניתן לפריסה בקנה מידה רחב על פני נוף תעשייתי שלם, מבלי להפוך לסדרה של פרויקטי אימון חד-פעמיים יקרים

החברה מתארת את משימתה כ"AI פורץ דרך שמסתגל במהירות שהעולם סביבו משתנה", והופך AI ממודלים סטטיים, תלויי אימון מחדש, למערכות שניתן לפרוש בהרחבה ולהשאיר אותן פועלות גם כשהתנאים משתנים .

השורה התחתונה

גיוס הסיד של 12 מיליון אירו ל-kausable הוא הימור על גישה שונה מהותית ל-AI — כזו המדגישה חשיבה סיבתית, נתונים סינתטיים ולמידה בהקשר על פני ריצות אימון גדולות מתמיד. הטענות של החברה שאפתניות: מודלים שמסתגלים למצבים חדשים מכמה דוגמאות בודדות, חוזים אירועים קטסטרופליים נדירים, וממשיכים לעבוד כשהעולם משתנה. מאמר המחקר TipPFN מספק תוקף אקדמי, אך הסטארט-אפ עדיין לא השיק מוצר מסחרי או הוכיח פריסה בקנה מידה אמיתי . 12-18 החודשים הקרובים יראו האם הגישה המבוססת על חשיבה (reasoning-first) יכולה לעבור ממחקר מבטיח למערכות ארגוניות.