다른 접근법: 재훈련 대신 인과 월드 모델

카우저블의 핵심은 모델의 내부 가중치를 지속적으로 업데이트하는 대신, 기반 모델(foundation model)을 단 한 번 훈련시키고 합성 데이터와 맥락 내 학습(in-context learning)을 기반으로 한 '인과 월드 모델(causal world model)'을 사용한다는 점입니다 . 이 모델은 짧은 관찰만으로 새로운 시스템의 기저 구조를 추론하여, 조건이 변해도 추가적인 재훈련 없이 계속 작동할 수 있다고 회사 측은 주장합니다 .

핵심 논리는 현재 AI 시스템은 근본적으로 정적(static)이라는 것입니다. 즉, 훈련 데이터의 패턴을 암기하지만 세상이 변하면 제대로 작동하지 않습니다. 카우저블은 이러한 대안을 '추론 우선(reasoning-first)' AI라고 부릅니다. 이는 인간처럼 인과 추론을 사용해 시스템이 특정 방식으로 작동하는 이유를 이해하고 그에 따라 적응하도록 설계된 모델입니다 .

주요 창업자

카우저블은 하이델베르크 대학에서 만난 세 명의 물리학자에 의해 설립되었습니다 :

• 요하네스 하우크스(Johannes Haux) — CEO
• 벤자민 헤르데아누 박사(Dr. Benjamin Herdeanu) — CTO
• 그레고어 라미엔(Gregor Ramien) — COO

세 창업자는 모두 하이델베르크 대학의 학술 연구 경험과 사이버 보안, 은행, 스타트업 분야에서의 실무 경험을 보유하고 있습니다 . 이 회사는 같은 연구 환경에서 블랙 포레스트 랩스(Black Forest Labs)도 탄생시킨 하이델베르크 대학 물리천문학과에서 성장했습니다 .

투자자 및 후원자

이번 시드 라운드는 독일의 UVC 파트너스와 벨기에의 앙투라지가 공동 주도했으며, 프리시드 투자자였던 HTGF와 매치 VC가 참여했습니다 . 추가 기관 투자자로는 블랙 포레스트 랩스(BFL), ELLIS(유럽 학습 및 지능형 시스템 연구소), 캄피오네 벤처(Campione Venture), 제쿠네트(Secunet) 등이 있습니다 .

엔젤 투자자 라인업도 주목할 만합니다. 주요 AI 조직 출신 인사들이 대거 참여했습니다:

• 로빈 롬바흐(Robin Rombach)와 안드레아스 블라트만(Andreas Blattmann) — 블랙 포레스트 랩스 공동 창업자
• 산드로 자넬라(Sandro Gianella) — OpenAI 국제 전략 및 운영 담당
• 도로시 초우(Dorothy Chou) — 딥마인드(DeepMind) 전략 고문
• 노크수아(Noxtua) 및 ELLIS 소속 익명 엔젤 투자자들

팁PFN — 제로샷 예측 모델

카우저블의 첫 번째 제품은 팁PFN(TipPFN, Tipping Point Prior-data Fitted Network) 입니다. 이는 시스템이 임계 전환, 즉 '티핑 포인트'에 얼마나 가까워졌는지를 감지하는 제로샷 예측 모델입니다 . 주요 세부 사항은 다음과 같습니다:

• 컬럼비아 대학(Columbia University)과의 공동 연구를 통해 학술 논문(arXiv 2605.12308)으로 발표됨
• 맥락 내 학습(in-context learning) 프레임워크와 사전 데이터 적합 네트워크(prior-data fitted network)를 사용해 짧고 잡음이 많은 시계열 데이터로 임계 전환 근접성을 추론
• 이전에 본 적 없는 역동적 시스템에서 임계 전환의 최첨단 조기 감지 기능 입증 (시뮬레이션-실제 전환 및 실제 관측 데이터 포함)
• 14개 도메인에서 강력한 성능을 보이며, 명시적으로 훈련되지 않은 시스템에 대한 제로샷 일반화(zero-shot generalization)가 가능하다고 주장
• 의료, 에너지, 금융, 기후 분야에서 발생하는 '블랙 스완(black swan)' 사건, 즉 드물지만 영향력이 큰 사건을 예측하는 것을 목표로 함

회사 웹사이트에 따르면 팁PFN은 "14개 도메인에서 우수성을 입증했으며 제로샷 기능까지 갖췄다"고 밝히고 있습니다 . 하지만 이번 투자 발표 시점까지 카우저블은 셀프서비스 형태의 상용 제품, 공개 가격, 실제 고객 확보 또는 독립적으로 검증된 배포 결과를 발표하지는 않았습니다 .

계획된 응용 분야

카우저블은 정적 AI 모델이 한계를 보이는 세 가지 핵심 분야를 목표로 하고 있습니다:

• 로봇 공학 — 재훈련 없이 변화하는 환경에 적응하는 월드 모델을 통해 로봇이 예상치 못한 상황에 즉각 대처할 수 있도록 함
• 예측/포어캐스팅 — 팁PFN을 활용해 전력망 고장, 질병 발생, 금융 위기 등 복잡계의 티핑 포인트를 사전 감지
• 산업 시스템 — 값비싼 일회성 재훈련 프로젝트의 연속이 아닌, 전체 산업 현장에 걸쳐 확장 가능한 AI를 구축

카우저블은 자신들의 사명을 "세상만큼 빠르게 적응하는 프론티어 AI"라고 설명하며, AI를 정적이고 재훈련에 의존하는 모델에서 조건이 변해도 계속 작동하는 시스템으로 전환하겠다는 포부를 밝혔습니다 .

결론

카우저블의 1200만 유로 시드 투자는 AI에 대한 근본적으로 다른 접근 방식에 대한 베팅입니다. 이는 더 크고 빈번한 훈련보다 인과 추론, 합성 데이터, 맥락 내 학습에 중점을 둡니다. 회사의 주장은 야심차습니다: 몇 가지 예시만으로 새로운 상황에 적응하고, 드문 재앙적 사건을 예측하며, 세상이 변해도 계속 작동하는 모델을 만들겠다는 것입니다. 팁PFN 연구 논문은 학술적 검증을 제공하지만, 스타트업은 아직 상용 제품을 출시하거나 실제 대규모 배포를 입증하지 못했습니다 . 앞으로 12~18개월 동안 이 '추론 우선' 접근 방식이 설득력 있는 연구에서 기업용 시스템으로 전환될 수 있을지가 가려질 것입니다.

다른 접근법: 재훈련 대신 인과 월드 모델

카우저블의 핵심은 모델의 내부 가중치를 지속적으로 업데이트하는 대신, 기반 모델(foundation model)을 단 한 번 훈련시키고 합성 데이터와 맥락 내 학습(in-context learning)을 기반으로 한 '인과 월드 모델(causal world model)'을 사용한다는 점입니다 . 이 모델은 짧은 관찰만으로 새로운 시스템의 기저 구조를 추론하여, 조건이 변해도 추가적인 재훈련 없이 계속 작동할 수 있다고 회사 측은 주장합니다 .

핵심 논리는 현재 AI 시스템은 근본적으로 정적(static)이라는 것입니다. 즉, 훈련 데이터의 패턴을 암기하지만 세상이 변하면 제대로 작동하지 않습니다. 카우저블은 이러한 대안을 '추론 우선(reasoning-first)' AI라고 부릅니다. 이는 인간처럼 인과 추론을 사용해 시스템이 특정 방식으로 작동하는 이유를 이해하고 그에 따라 적응하도록 설계된 모델입니다 .

주요 창업자

카우저블은 하이델베르크 대학에서 만난 세 명의 물리학자에 의해 설립되었습니다 :

• 요하네스 하우크스(Johannes Haux) — CEO
• 벤자민 헤르데아누 박사(Dr. Benjamin Herdeanu) — CTO
• 그레고어 라미엔(Gregor Ramien) — COO

세 창업자는 모두 하이델베르크 대학의 학술 연구 경험과 사이버 보안, 은행, 스타트업 분야에서의 실무 경험을 보유하고 있습니다 . 이 회사는 같은 연구 환경에서 블랙 포레스트 랩스(Black Forest Labs)도 탄생시킨 하이델베르크 대학 물리천문학과에서 성장했습니다 .

투자자 및 후원자

이번 시드 라운드는 독일의 UVC 파트너스와 벨기에의 앙투라지가 공동 주도했으며, 프리시드 투자자였던 HTGF와 매치 VC가 참여했습니다 . 추가 기관 투자자로는 블랙 포레스트 랩스(BFL), ELLIS(유럽 학습 및 지능형 시스템 연구소), 캄피오네 벤처(Campione Venture), 제쿠네트(Secunet) 등이 있습니다 .

엔젤 투자자 라인업도 주목할 만합니다. 주요 AI 조직 출신 인사들이 대거 참여했습니다:

• 로빈 롬바흐(Robin Rombach)와 안드레아스 블라트만(Andreas Blattmann) — 블랙 포레스트 랩스 공동 창업자
• 산드로 자넬라(Sandro Gianella) — OpenAI 국제 전략 및 운영 담당
• 도로시 초우(Dorothy Chou) — 딥마인드(DeepMind) 전략 고문
• 노크수아(Noxtua) 및 ELLIS 소속 익명 엔젤 투자자들

팁PFN — 제로샷 예측 모델

카우저블의 첫 번째 제품은 팁PFN(TipPFN, Tipping Point Prior-data Fitted Network) 입니다. 이는 시스템이 임계 전환, 즉 '티핑 포인트'에 얼마나 가까워졌는지를 감지하는 제로샷 예측 모델입니다 . 주요 세부 사항은 다음과 같습니다:

• 컬럼비아 대학(Columbia University)과의 공동 연구를 통해 학술 논문(arXiv 2605.12308)으로 발표됨
• 맥락 내 학습(in-context learning) 프레임워크와 사전 데이터 적합 네트워크(prior-data fitted network)를 사용해 짧고 잡음이 많은 시계열 데이터로 임계 전환 근접성을 추론
• 이전에 본 적 없는 역동적 시스템에서 임계 전환의 최첨단 조기 감지 기능 입증 (시뮬레이션-실제 전환 및 실제 관측 데이터 포함)
• 14개 도메인에서 강력한 성능을 보이며, 명시적으로 훈련되지 않은 시스템에 대한 제로샷 일반화(zero-shot generalization)가 가능하다고 주장
• 의료, 에너지, 금융, 기후 분야에서 발생하는 '블랙 스완(black swan)' 사건, 즉 드물지만 영향력이 큰 사건을 예측하는 것을 목표로 함

회사 웹사이트에 따르면 팁PFN은 "14개 도메인에서 우수성을 입증했으며 제로샷 기능까지 갖췄다"고 밝히고 있습니다 . 하지만 이번 투자 발표 시점까지 카우저블은 셀프서비스 형태의 상용 제품, 공개 가격, 실제 고객 확보 또는 독립적으로 검증된 배포 결과를 발표하지는 않았습니다 .

계획된 응용 분야

카우저블은 정적 AI 모델이 한계를 보이는 세 가지 핵심 분야를 목표로 하고 있습니다:

• 로봇 공학 — 재훈련 없이 변화하는 환경에 적응하는 월드 모델을 통해 로봇이 예상치 못한 상황에 즉각 대처할 수 있도록 함
• 예측/포어캐스팅 — 팁PFN을 활용해 전력망 고장, 질병 발생, 금융 위기 등 복잡계의 티핑 포인트를 사전 감지
• 산업 시스템 — 값비싼 일회성 재훈련 프로젝트의 연속이 아닌, 전체 산업 현장에 걸쳐 확장 가능한 AI를 구축

카우저블은 자신들의 사명을 "세상만큼 빠르게 적응하는 프론티어 AI"라고 설명하며, AI를 정적이고 재훈련에 의존하는 모델에서 조건이 변해도 계속 작동하는 시스템으로 전환하겠다는 포부를 밝혔습니다 .

결론

카우저블의 1200만 유로 시드 투자는 AI에 대한 근본적으로 다른 접근 방식에 대한 베팅입니다. 이는 더 크고 빈번한 훈련보다 인과 추론, 합성 데이터, 맥락 내 학습에 중점을 둡니다. 회사의 주장은 야심차습니다: 몇 가지 예시만으로 새로운 상황에 적응하고, 드문 재앙적 사건을 예측하며, 세상이 변해도 계속 작동하는 모델을 만들겠다는 것입니다. 팁PFN 연구 논문은 학술적 검증을 제공하지만, 스타트업은 아직 상용 제품을 출시하거나 실제 대규모 배포를 입증하지 못했습니다 . 앞으로 12~18개월 동안 이 '추론 우선' 접근 방식이 설득력 있는 연구에서 기업용 시스템으로 전환될 수 있을지가 가려질 것입니다.