Duitse AI-startup kausable haalt €12 miljoen op voor 'reasoning-first' AI die zichzelf aanpast zonder dure hertrainingen

De kerngedachte is dat huidige AI-systemen in feite statisch zijn: ze onthouden patronen uit trainingsdata en gaan stuk wanneer de wereld verandert. kausable beschrijft zijn alternatief als 'reasoning-first' AI: modellen die zijn ontworpen om meer als mensen te leren en zich aan te passen, door causale redenering te gebruiken om te begrijpen waarom een systeem zich op een bepaalde manier gedraagt en zich dienovereenkomstig aan te passen .

De oprichters

kausable is opgericht door drie natuurkundigen die elkaar ontmoetten aan de Universiteit van Heidelberg:

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

Alle drie brengen ervaring mee vanuit academisch onderzoek aan de Universiteit van Heidelberg en praktische toepassing in cybersecurity, banking en startups . Het bedrijf is ontstaan uit de Faculteit der Natuur- en Sterrenkunde van de Universiteit van Heidelberg, dezelfde onderzoeksomgeving die Black Forest Labs heeft voortgebracht .

Investeerders en geldschieters

De seed-ronde werd mede geleid door UVC Partners (Duits) en Entourage (Belgisch), met deelname van de terugkerende pre-seed-investeerders HTGF en Mätch VC . Andere institutionele geldschieters zijn Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture en Secunet .

De lijst van engelinvesteerders is indrukwekkend en telt individuen van vooraanstaande AI-organisaties:

• Mede-oprichters van Black Forest Labs (Robin Rombach en Andreas Blattmann)
• Sandro Gianella (Internationale Strategie en Operations, OpenAI)
• Dorothy Chou (Strategisch Adviseur, DeepMind)
• Daarnaast engelen verbonden aan Noxtua en ELLIS

TipPFN — Zero-Shot-voorspellingsmodel

kausable's eerste product is TipPFN (Tipping Point Prior-data Fitted Network), een zero-shot-voorspellingsmodel dat de nabijheid van een systeem tot een kritieke overgang of 'kantelpunt' detecteert . Belangrijke details:

• Gepubliceerd als een onderzoekspaper (arXiv 2605.12308) in samenwerking met Columbia University
• Gebruikt een 'in-context learning'-framework met een 'prior-data fitted network' om de nabijheid van kritieke overgangen af te leiden uit korte, ruizige tijdreeksen
• Toont state-of-the-art vroege detectie van kritieke overgangen in voorheen onbekende dynamische systemen, inclusief sim-to-real-overdracht en real-world observaties
• Beweert robuuste prestaties te leveren in 14 domeinen, met zero-shot-generalisatie naar systemen waar het niet expliciet op is getraind
• Doel: het voorspellen van 'zwarte zwaan'-gebeurtenissen — zeldzame, impactvolle gebeurtenissen — in gezondheidszorg, energie, financiën en klimaat

De website van het bedrijf stelt dat TipPFN "zijn superioriteit bewijst in 14 domeinen, met zelfs zero-shot-mogelijkheden" . Ten tijde van de financieringsaankondiging had kausable echter nog geen self-service commercieel product, openbare prijzen, productieklanten of onafhankelijk geverifieerde implementatieresultaten aangekondigd .

Geplande toepassingen

kausable richt zich op drie brede domeinen waar statische AI-modellen tekortschieten:

• Robotica — wereldmodellen die zich aanpassen aan veranderende omgevingen zonder hertraining, waardoor robots nieuwe situaties ter plekke kunnen afhandelen
• Voorspellingen — detectie van kantelpunten in complexe systemen (bijv. stroomnetstoringen, ziekte-uitbraken, financiële crashes) met TipPFN
• Industriële systemen — schaalbare AI die over een hele industriële omgeving kan worden uitgerold zonder een reeks dure eenmalige hertrainingsprojecten te worden

Het bedrijf beschrijft zijn missie als "frontier AI die zich net zo snel aanpast als de wereld om haar heen", waarmee AI wordt omgevormd van statische, hertrainingsafhankelijke modellen naar systemen die breed kunnen worden uitgerold en blijven werken wanneer de omstandigheden veranderen .