Pendekatan Berbeda: Model Dunia Kausal, Bukan Pelatihan Ulang

Alih-alih terus memperbarui bobot internal model, kausable melatih model dasar satu kali dan menggunakan "model dunia" kausal — yang dibangun di atas data sintetis dan pembelajaran konteks (in-context learning) — untuk menyimpulkan struktur dasar dari sistem baru hanya dengan observasi singkat . Perusahaan mengklaim model ini akan terus bekerja saat kondisi berubah tanpa perlu siklus pelatihan mahal lainnya .

Inti dari tesis mereka adalah bahwa sistem AI saat ini pada dasarnya statis: mereka menghafal pola dari data pelatihan dan menjadi kacau saat dunia bergerak maju. kausable menyebut alternatif mereka sebagai AI yang "mengutamakan penalaran" (reasoning-first) — model yang dirancang untuk belajar dan beradaptasi lebih seperti manusia, menggunakan penalaran kausal untuk memahami mengapa suatu sistem berperilaku seperti itu dan menyesuaikan diri .

Pendiri Utama

kausable didirikan oleh tiga fisikawan yang bertemu di Universitas Heidelberg:

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

Ketiganya membawa pengalaman dari riset akademis di Universitas Heidelberg dan aplikasi praktis di bidang keamanan siber, perbankan, dan startup . Perusahaan ini tumbuh dari Departemen Fisika dan Astronomi Universitas Heidelberg, lingkungan riset yang sama yang melahirkan Black Forest Labs .

Investor dan Pendukung

Putaran seed ini dipimpin bersama oleh UVC Partners (Jerman) dan Entourage (Belgia), dengan partisipasi dari investor pre-seed yang kembali, HTGF dan Mätch VC . Pendukung institusi lainnya termasuk Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture, dan Secunet .

Jajaran investor malaikatnya juga patut diperhatikan, berasal dari berbagai organisasi AI terkemuka:

• Salah satu pendiri Black Forest Labs (Robin Rombach dan Andreas Blattmann)
• Sandro Gianella (Strategi dan Operasi Internasional, OpenAI)
• Dorothy Chou (Penasihat Strategis, DeepMind)
• Malaikat lainnya yang berafiliasi dengan Noxtua dan ELLIS

TipPFN — Model Peramalan Zero-Shot

Produk pertama kausable adalah TipPFN (Tipping Point Prior-data Fitted Network), sebuah model peramalan zero-shot yang mendeteksi kedekatan suatu sistem dengan transisi kritis atau "titik kritis" . Detail utamanya:

• Dipublikasikan sebagai makalah riset (arXiv 2605.12308) berkolaborasi dengan Columbia University
• Menggunakan kerangka pembelajaran konteks dengan jaringan yang dipasangkan data awal untuk menyimpulkan kedekatan dengan transisi kritis dari rangkaian waktu yang pendek dan bising
• Menunjukkan deteksi dini transisi kritis yang canggih dalam sistem dinamis yang sebelumnya tidak terlihat, termasuk transfer sim-to-real dan observasi dunia nyata
• Mengklaim kinerja yang kuat di 14 domain, dengan generalisasi zero-shot ke sistem yang tidak dilatih secara eksplisit
• Bertujuan untuk memprediksi peristiwa "angsa hitam" (black swan) — kejadian langka dengan dampak tinggi — di bidang kesehatan, energi, keuangan, dan iklim

Situs web perusahaan menyatakan TipPFN "membuktikan keunggulannya di 14 domain, bahkan menunjukkan kemampuan zero-shot" . Namun, pada saat pengumuman pendanaan, kausable belum mengumumkan produk komersial swalayan, harga publik, pelanggan produksi, atau hasil penerapan yang diverifikasi secara independen .

Rencana Aplikasi

kausable menargetkan tiga domain luas di mana model AI statis seringkali gagal:

• Robotika — model dunia yang beradaptasi dengan lingkungan yang berubah tanpa pelatihan ulang, memungkinkan robot menangani situasi baru dengan cepat
• Peramalan — mendeteksi titik kritis dalam sistem kompleks (misalnya, kegagalan jaringan listrik, wabah penyakit, krisis keuangan) menggunakan TipPFN
• Sistem industri — AI yang dapat diskalakan dan diterapkan di seluruh lanskap industri tanpa harus menjadi serangkaian proyek pelatihan ulang satu kali yang mahal

Perusahaan menggambarkan misinya sebagai "AI perbatasan yang beradaptasi secepat dunia di sekitarnya," mengubah AI dari model statis yang bergantung pada pelatihan ulang menjadi sistem yang dapat diterapkan secara luas dan terus bekerja saat kondisi berubah .

Intinya

Putaran pendanaan seed €12 juta kausable adalah taruhan pada pendekatan AI yang fundamental berbeda — satu yang menekankan penalaran kausal, data sintetis, dan pembelajaran konteks daripada pelatihan yang semakin besar. Klaim perusahaan ini ambisius: model yang beradaptasi dengan situasi baru dari segelintir contoh, memprediksi peristiwa bencana yang langka, dan terus bekerja saat dunia berubah. Makalah riset TipPFN memberikan validasi akademis, tetapi startup ini belum meluncurkan produk komersial atau menunjukkan penerapan dunia nyata dalam skala besar . 12-18 bulan ke depan akan menunjukkan apakah pendekatan "reasoning-first" mereka dapat beralih dari riset yang menarik ke sistem yang siap pakai untuk perusahaan.

Pendekatan Berbeda: Model Dunia Kausal, Bukan Pelatihan Ulang

Alih-alih terus memperbarui bobot internal model, kausable melatih model dasar satu kali dan menggunakan "model dunia" kausal — yang dibangun di atas data sintetis dan pembelajaran konteks (in-context learning) — untuk menyimpulkan struktur dasar dari sistem baru hanya dengan observasi singkat . Perusahaan mengklaim model ini akan terus bekerja saat kondisi berubah tanpa perlu siklus pelatihan mahal lainnya .

Inti dari tesis mereka adalah bahwa sistem AI saat ini pada dasarnya statis: mereka menghafal pola dari data pelatihan dan menjadi kacau saat dunia bergerak maju. kausable menyebut alternatif mereka sebagai AI yang "mengutamakan penalaran" (reasoning-first) — model yang dirancang untuk belajar dan beradaptasi lebih seperti manusia, menggunakan penalaran kausal untuk memahami mengapa suatu sistem berperilaku seperti itu dan menyesuaikan diri .

Pendiri Utama

kausable didirikan oleh tiga fisikawan yang bertemu di Universitas Heidelberg:

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

Ketiganya membawa pengalaman dari riset akademis di Universitas Heidelberg dan aplikasi praktis di bidang keamanan siber, perbankan, dan startup . Perusahaan ini tumbuh dari Departemen Fisika dan Astronomi Universitas Heidelberg, lingkungan riset yang sama yang melahirkan Black Forest Labs .

Investor dan Pendukung

Putaran seed ini dipimpin bersama oleh UVC Partners (Jerman) dan Entourage (Belgia), dengan partisipasi dari investor pre-seed yang kembali, HTGF dan Mätch VC . Pendukung institusi lainnya termasuk Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture, dan Secunet .

Jajaran investor malaikatnya juga patut diperhatikan, berasal dari berbagai organisasi AI terkemuka:

• Salah satu pendiri Black Forest Labs (Robin Rombach dan Andreas Blattmann)
• Sandro Gianella (Strategi dan Operasi Internasional, OpenAI)
• Dorothy Chou (Penasihat Strategis, DeepMind)
• Malaikat lainnya yang berafiliasi dengan Noxtua dan ELLIS

TipPFN — Model Peramalan Zero-Shot

Produk pertama kausable adalah TipPFN (Tipping Point Prior-data Fitted Network), sebuah model peramalan zero-shot yang mendeteksi kedekatan suatu sistem dengan transisi kritis atau "titik kritis" . Detail utamanya:

• Dipublikasikan sebagai makalah riset (arXiv 2605.12308) berkolaborasi dengan Columbia University
• Menggunakan kerangka pembelajaran konteks dengan jaringan yang dipasangkan data awal untuk menyimpulkan kedekatan dengan transisi kritis dari rangkaian waktu yang pendek dan bising
• Menunjukkan deteksi dini transisi kritis yang canggih dalam sistem dinamis yang sebelumnya tidak terlihat, termasuk transfer sim-to-real dan observasi dunia nyata
• Mengklaim kinerja yang kuat di 14 domain, dengan generalisasi zero-shot ke sistem yang tidak dilatih secara eksplisit
• Bertujuan untuk memprediksi peristiwa "angsa hitam" (black swan) — kejadian langka dengan dampak tinggi — di bidang kesehatan, energi, keuangan, dan iklim

Situs web perusahaan menyatakan TipPFN "membuktikan keunggulannya di 14 domain, bahkan menunjukkan kemampuan zero-shot" . Namun, pada saat pengumuman pendanaan, kausable belum mengumumkan produk komersial swalayan, harga publik, pelanggan produksi, atau hasil penerapan yang diverifikasi secara independen .

Rencana Aplikasi

kausable menargetkan tiga domain luas di mana model AI statis seringkali gagal:

• Robotika — model dunia yang beradaptasi dengan lingkungan yang berubah tanpa pelatihan ulang, memungkinkan robot menangani situasi baru dengan cepat
• Peramalan — mendeteksi titik kritis dalam sistem kompleks (misalnya, kegagalan jaringan listrik, wabah penyakit, krisis keuangan) menggunakan TipPFN
• Sistem industri — AI yang dapat diskalakan dan diterapkan di seluruh lanskap industri tanpa harus menjadi serangkaian proyek pelatihan ulang satu kali yang mahal

Perusahaan menggambarkan misinya sebagai "AI perbatasan yang beradaptasi secepat dunia di sekitarnya," mengubah AI dari model statis yang bergantung pada pelatihan ulang menjadi sistem yang dapat diterapkan secara luas dan terus bekerja saat kondisi berubah .

Intinya

Putaran pendanaan seed €12 juta kausable adalah taruhan pada pendekatan AI yang fundamental berbeda — satu yang menekankan penalaran kausal, data sintetis, dan pembelajaran konteks daripada pelatihan yang semakin besar. Klaim perusahaan ini ambisius: model yang beradaptasi dengan situasi baru dari segelintir contoh, memprediksi peristiwa bencana yang langka, dan terus bekerja saat dunia berubah. Makalah riset TipPFN memberikan validasi akademis, tetapi startup ini belum meluncurkan produk komersial atau menunjukkan penerapan dunia nyata dalam skala besar . 12-18 bulan ke depan akan menunjukkan apakah pendekatan "reasoning-first" mereka dapat beralih dari riset yang menarik ke sistem yang siap pakai untuk perusahaan.