Pendekatan yang Berbeza: Model Dunia Sebab-Akibat Tanpa Latihan Semula

Daripada sentiasa mengemas kini pemberat dalaman model, kausable melatih model asas sekali sahaja dan menggunakan "model dunia" (world model) bersebab—yang dibina di atas data sintetik dan pembelajaran dalam konteks (in-context learning)—untuk membuat inferens struktur asas mana-mana sistem baharu daripada pemerhatian yang singkat . Syarikat itu mendakwa model tersebut akan terus berfungsi apabila keadaan berubah tanpa memerlukan kitaran latihan semula yang mahal .

Tesis teras kausable: sistem AI semasa pada asasnya statik—ia menghafal corak daripada data latihan dan akan gagal apabila dunia berubah. kausable menyifatkan alternatifnya sebagai AI yang "mengutamakan penaakulan" (reasoning-first)—model yang direka untuk belajar dan menyesuaikan diri lebih seperti manusia, menggunakan penaakulan sebab-akibat untuk memahami mengapa sesuatu sistem berkelakuan seperti itu dan menyesuaikan diri dengan sewajarnya .

Pengasas Utama

kausable ditubuhkan oleh tiga ahli fizik yang bertemu di Universiti Heidelberg:

• Johannes Haux — Ketua Pegawai Eksekutif (CEO)
• Dr. Benjamin Herdeanu — Ketua Pegawai Teknologi (CTO)
• Gregor Ramien — Ketua Pegawai Operasi (COO)

Ketiga-tiganya membawa pengalaman daripada penyelidikan akademik di Universiti Heidelberg dan aplikasi praktikal dalam sektor keselamatan siber, perbankan dan startup . Syarikat ini berasal dari Jabatan Fizik dan Astronomi Universiti Heidelberg, persekitaran penyelidikan yang sama yang melahirkan Black Forest Labs .

Pelabur dan Penyokong

Pusingan benih ini diketuai bersama oleh UVC Partners (Jerman) dan Entourage (Belgium), dengan penyertaan pelabur pra-benih sedia ada HTGF dan Mätch VC . Penyokong institusi lain termasuk:

• Black Forest Labs (BFL)
• ELLIS (European Laboratory for Learning and Intelligent Systems)
• Campione Venture
• Secunet

Senarai pelabur malaikat juga mengagumkan, dengan individu daripada organisasi AI terkemuka dunia:

• Pengasas bersama Black Forest Labs (Robin Rombach dan Andreas Blattmann)
• Sandro Gianella (Strategi dan Operasi Antarabangsa, OpenAI)
• Dorothy Chou (Penasihat Strategik, DeepMind)
• Malaikat lain yang bergabung dengan Noxtua dan ELLIS

TipPFN — Model Ramalan Sifar-Sangka

Produk pertama kausable ialah TipPFN (Tipping Point Prior-data Fitted Network), sebuah model ramalan sifar-sangka (zero-shot) yang mengesan jarak sistem ke arah peralihan kritikal atau "titik tipping" . Butiran utama:

• Diterbitkan sebagai kertas penyelidikan (arXiv 2605.12308) hasil kerjasama dengan Universiti Columbia
• Menggunakan rangka kerja pembelajaran dalam konteks dengan rangkaian yang dipasangkan data terdahulu (prior-data fitted network) untuk membuat inferens kedekatan kepada peralihan kritikal daripada siri masa yang pendek dan bising
• Menunjukkan pengesanan awal peralihan kritikal yang terkini dalam sistem dinamik yang tidak pernah dilihat sebelumnya, termasuk pemindahan sim-ke-nyata (sim-to-real) dan pemerhatian dunia sebenar
• Mendakwa prestasi mantap merentas 14 domain, dengan keupayaan generalisasi sifar-sangka kepada sistem yang tidak dilatih secara eksplisit
• Menyasarkan ramalan peristiwa "black swan"—kejadian jarang dengan impak tinggi—dalam penjagaan kesihatan, tenaga, kewangan, dan iklim

Laman web syarikat menyatakan TipPFN "membuktikan keunggulannya pada 14 domain, malah menunjukkan keupayaan sifar-sangka" . Namun, setakat pengumuman pembiayaan ini, kausable belum mengumumkan produk komersial layan diri, harga awam, pelanggan pengeluaran, atau hasil penggunaan yang disahkan secara bebas .

Aplikasi yang Dirancang

kausable menyasarkan tiga domain luas di mana model AI statik sering gagal:

• Robotik — model dunia yang menyesuaikan diri dengan persekitaran yang berubah tanpa latihan semula, membolehkan robot mengendalikan situasi baharu dengan pantas
• Ramalan — mengesan titik tipping dalam sistem kompleks (cth., kegagalan grid kuasa, wabak penyakit, kemalangan kewangan) menggunakan TipPFN
• Sistem perindustrian — AI berskala yang boleh digunakan merentas seluruh landskap perindustrian tanpa menjadi projek latihan semula sekali sahaja yang mahal

Syarikat itu menyifatkan misinya sebagai "AI perbatasan (frontier AI) yang menyesuaikan diri secepat dunia di sekelilingnya", mengubah AI daripada model statik yang bergantung kepada latihan semula kepada sistem yang boleh dilancarkan secara meluas dan terus berfungsi apabila keadaan berubah .

Kesimpulan

Pusingan benih €12 juta kausable adalah satu pertaruhan pada pendekatan yang berbeza secara fundamental untuk AI—satu yang menekankan penaakulan sebab-akibat, data sintetik, dan pembelajaran dalam konteks berbanding latihan yang semakin besar. Tuntutan syarikat ini memang bercita-cita tinggi: model yang menyesuaikan diri dengan situasi baharu daripada beberapa contoh, meramalkan peristiwa malapetaka yang jarang berlaku, dan terus berfungsi apabila dunia berubah. Kertas penyelidikan TipPFN memberikan pengesahan akademik, tetapi startup ini belum lagi melancarkan produk komersial atau menunjukkan penggunaan dunia sebenar pada skala besar . 12-18 bulan akan datang akan menentukan sama ada pendekatan "mengutamakan penaakulan" mereka dapat beralih daripada penyelidikan yang menarik kepada sistem sedia untuk perusahaan.

Pendekatan yang Berbeza: Model Dunia Sebab-Akibat Tanpa Latihan Semula

Daripada sentiasa mengemas kini pemberat dalaman model, kausable melatih model asas sekali sahaja dan menggunakan "model dunia" (world model) bersebab—yang dibina di atas data sintetik dan pembelajaran dalam konteks (in-context learning)—untuk membuat inferens struktur asas mana-mana sistem baharu daripada pemerhatian yang singkat . Syarikat itu mendakwa model tersebut akan terus berfungsi apabila keadaan berubah tanpa memerlukan kitaran latihan semula yang mahal .

Tesis teras kausable: sistem AI semasa pada asasnya statik—ia menghafal corak daripada data latihan dan akan gagal apabila dunia berubah. kausable menyifatkan alternatifnya sebagai AI yang "mengutamakan penaakulan" (reasoning-first)—model yang direka untuk belajar dan menyesuaikan diri lebih seperti manusia, menggunakan penaakulan sebab-akibat untuk memahami mengapa sesuatu sistem berkelakuan seperti itu dan menyesuaikan diri dengan sewajarnya .

Pengasas Utama

kausable ditubuhkan oleh tiga ahli fizik yang bertemu di Universiti Heidelberg:

• Johannes Haux — Ketua Pegawai Eksekutif (CEO)
• Dr. Benjamin Herdeanu — Ketua Pegawai Teknologi (CTO)
• Gregor Ramien — Ketua Pegawai Operasi (COO)

Ketiga-tiganya membawa pengalaman daripada penyelidikan akademik di Universiti Heidelberg dan aplikasi praktikal dalam sektor keselamatan siber, perbankan dan startup . Syarikat ini berasal dari Jabatan Fizik dan Astronomi Universiti Heidelberg, persekitaran penyelidikan yang sama yang melahirkan Black Forest Labs .

Pelabur dan Penyokong

Pusingan benih ini diketuai bersama oleh UVC Partners (Jerman) dan Entourage (Belgium), dengan penyertaan pelabur pra-benih sedia ada HTGF dan Mätch VC . Penyokong institusi lain termasuk:

• Black Forest Labs (BFL)
• ELLIS (European Laboratory for Learning and Intelligent Systems)
• Campione Venture
• Secunet

Senarai pelabur malaikat juga mengagumkan, dengan individu daripada organisasi AI terkemuka dunia:

• Pengasas bersama Black Forest Labs (Robin Rombach dan Andreas Blattmann)
• Sandro Gianella (Strategi dan Operasi Antarabangsa, OpenAI)
• Dorothy Chou (Penasihat Strategik, DeepMind)
• Malaikat lain yang bergabung dengan Noxtua dan ELLIS

TipPFN — Model Ramalan Sifar-Sangka

Produk pertama kausable ialah TipPFN (Tipping Point Prior-data Fitted Network), sebuah model ramalan sifar-sangka (zero-shot) yang mengesan jarak sistem ke arah peralihan kritikal atau "titik tipping" . Butiran utama:

• Diterbitkan sebagai kertas penyelidikan (arXiv 2605.12308) hasil kerjasama dengan Universiti Columbia
• Menggunakan rangka kerja pembelajaran dalam konteks dengan rangkaian yang dipasangkan data terdahulu (prior-data fitted network) untuk membuat inferens kedekatan kepada peralihan kritikal daripada siri masa yang pendek dan bising
• Menunjukkan pengesanan awal peralihan kritikal yang terkini dalam sistem dinamik yang tidak pernah dilihat sebelumnya, termasuk pemindahan sim-ke-nyata (sim-to-real) dan pemerhatian dunia sebenar
• Mendakwa prestasi mantap merentas 14 domain, dengan keupayaan generalisasi sifar-sangka kepada sistem yang tidak dilatih secara eksplisit
• Menyasarkan ramalan peristiwa "black swan"—kejadian jarang dengan impak tinggi—dalam penjagaan kesihatan, tenaga, kewangan, dan iklim

Laman web syarikat menyatakan TipPFN "membuktikan keunggulannya pada 14 domain, malah menunjukkan keupayaan sifar-sangka" . Namun, setakat pengumuman pembiayaan ini, kausable belum mengumumkan produk komersial layan diri, harga awam, pelanggan pengeluaran, atau hasil penggunaan yang disahkan secara bebas .

Aplikasi yang Dirancang

kausable menyasarkan tiga domain luas di mana model AI statik sering gagal:

• Robotik — model dunia yang menyesuaikan diri dengan persekitaran yang berubah tanpa latihan semula, membolehkan robot mengendalikan situasi baharu dengan pantas
• Ramalan — mengesan titik tipping dalam sistem kompleks (cth., kegagalan grid kuasa, wabak penyakit, kemalangan kewangan) menggunakan TipPFN
• Sistem perindustrian — AI berskala yang boleh digunakan merentas seluruh landskap perindustrian tanpa menjadi projek latihan semula sekali sahaja yang mahal

Syarikat itu menyifatkan misinya sebagai "AI perbatasan (frontier AI) yang menyesuaikan diri secepat dunia di sekelilingnya", mengubah AI daripada model statik yang bergantung kepada latihan semula kepada sistem yang boleh dilancarkan secara meluas dan terus berfungsi apabila keadaan berubah .

Kesimpulan

Pusingan benih €12 juta kausable adalah satu pertaruhan pada pendekatan yang berbeza secara fundamental untuk AI—satu yang menekankan penaakulan sebab-akibat, data sintetik, dan pembelajaran dalam konteks berbanding latihan yang semakin besar. Tuntutan syarikat ini memang bercita-cita tinggi: model yang menyesuaikan diri dengan situasi baharu daripada beberapa contoh, meramalkan peristiwa malapetaka yang jarang berlaku, dan terus berfungsi apabila dunia berubah. Kertas penyelidikan TipPFN memberikan pengesahan akademik, tetapi startup ini belum lagi melancarkan produk komersial atau menunjukkan penggunaan dunia sebenar pada skala besar . 12-18 bulan akan datang akan menentukan sama ada pendekatan "mengutamakan penaakulan" mereka dapat beralih daripada penyelidikan yang menarik kepada sistem sedia untuk perusahaan.