En annen tilnærming: Kausale verdensmodeller

I stedet for å kontinuerlig oppdatere modellens interne vekter, trener kausable en basismodell én gang og bruker kausale «verdensmodeller» – bygget på syntetiske data og kontekstlæring – for å forstå strukturen i ethvert nytt system etter kort observasjon . Selskapet hevder at modellen deretter fortsetter å fungere når forholdene endres, uten en ny kostbar treningsrunde .

Kjernetesen er at dagens AI-systemer er fundamentalt statiske: de memorerer mønstre fra treningsdata og bryter sammen når verden beveger seg videre. Kausable beskriver sin alternative tilnærming som «resonnering-først» AI – modeller designet for å lære og tilpasse seg mer som mennesker, ved å bruke kausal resonnering for å forstå hvorfor et system oppfører seg som det gjør .

Nøkkelpersonene bak

Kausable ble grunnlagt av tre fysikere som møttes ved Universitetet i Heidelberg:

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

Alle tre har erfaring fra akademisk forskning ved Universitetet i Heidelberg og praktisk anvendelse innen cybersikkerhet, bank og startups . Selskapet vokste ut av Institutt for fysikk og astronomi ved Universitetet i Heidelberg – samme forskningsmiljø som produserte Black Forest Labs .

Investorer og støttespillere

Såkornrunden ble co-ledet av UVC Partners (tysk) og Entourage (belgisk), med deltakelse fra de tilbakevendende såkornsførinvestorene HTGF og Mätch VC . Flere institusjonelle støttespillere inkluderer Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture og Secunet .

Engleinvestorlisten er bemerkelsesverdig og omfatter personer fra flere av de fremste AI-miljøene:

• Medgrunnleggerne av Black Forest Labs (Robin Rombach og Andreas Blattmann)
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Flere engler tilknyttet Noxtua og ELLIS

TipPFN – nullskuddsprediksjonsmodell

Kausables første produkt er TipPFN (Tipping Point Prior-data Fitted Network), en nullskuddsprediksjonsmodell som oppdager når et system nærmer seg et kritisk overgangspunkt, et såkalt «tipping point» . Sentrale detaljer:

• Publisert som et forskningspaper (arXiv 2605.12308) i samarbeid med Columbia University
• Bruker et kontekstlæringsrammeverk med et førstegangsdatatilpasset nettverk for å forutsi avstand til kritiske overganger fra korte, støyende tidsserier
• Viser toppmoderne tidlig deteksjon av kritiske overganger i tidligere usette dynamiske systemer, inkludert sim-til-virkelig-overføring og virkelige observasjoner
• Hevder robust ytelse på tvers av 14 domener, med nullskuddgeneraliserering til systemer det ikke var eksplisitt trent på
• Målsetning om å forutsi «svarte svaner» – sjeldne, høyrisikohendelser – innen helse, energi, finans og klima

Selskapets nettside sier at TipPFN «beviser sin overlegenhet på 14 domener, til og med med nullskuddsevner» . Per finansieringsannonsen hadde kausable imidlertid ikke annonsert et kommersielt produkt med selvbetjening, offentlige priser, betalende kunder eller uavhengig verifiserte resultater fra faktisk bruk .

Planlagte anvendelsesområder

Kausable sikter seg inn mot tre brede områder hvor statiske AI-modeller kommer til kort:

• Robotikk – verdensmodeller som tilpasser seg skiftende miljøer uten omtrening, slik at roboter kan håndtere nye situasjoner i farten
• Prediksjon – oppdage vendepunkter i komplekse systemer (f.eks. strømnettfeil, sykdomsutbrudd, finanskrakk) ved hjelp av TipPFN
• Industrisystemer – skalerbar AI som kan rulles ut over et helt industrielt landskap uten å bli en serie kostbare engangsprosjekter

Selskapet beskriver sitt oppdrag som «frontier AI som tilpasser seg like raskt som verden rundt seg», og ønsker å gjøre AI om fra statiske, omtreningsavhengige modeller til systemer som kan rulles ut bredt og fortsette å fungere når forholdene endrer seg .

Oppsummering

Kausables såkornrunde på 12 millioner euro er et veddemål på en grunnleggende annerledes tilnærming til AI – en som legger vekt på kausal resonnering, syntetiske data og kontekstlæring fremfor stadig større treningskjøringer. Selskapets påstander er ambisiøse: modeller som tilpasser seg nye situasjoner fra noen få eksempler, forutsier sjeldne katastrofale hendelser og fortsetter å fungere når verden endrer seg. TipPFN-forskningspapiret gir akademisk validering, men oppstarten har ennå ikke lansert et kommersielt produkt eller demonstrert bruk i stor skala i virkeligheten . De neste 12–18 månedene vil vise om deres resonnering-først-tilnærming kan gå fra lovende forskning til bedriftsklare systemer.

En annen tilnærming: Kausale verdensmodeller

I stedet for å kontinuerlig oppdatere modellens interne vekter, trener kausable en basismodell én gang og bruker kausale «verdensmodeller» – bygget på syntetiske data og kontekstlæring – for å forstå strukturen i ethvert nytt system etter kort observasjon . Selskapet hevder at modellen deretter fortsetter å fungere når forholdene endres, uten en ny kostbar treningsrunde .

Kjernetesen er at dagens AI-systemer er fundamentalt statiske: de memorerer mønstre fra treningsdata og bryter sammen når verden beveger seg videre. Kausable beskriver sin alternative tilnærming som «resonnering-først» AI – modeller designet for å lære og tilpasse seg mer som mennesker, ved å bruke kausal resonnering for å forstå hvorfor et system oppfører seg som det gjør .

Nøkkelpersonene bak

Kausable ble grunnlagt av tre fysikere som møttes ved Universitetet i Heidelberg:

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

Alle tre har erfaring fra akademisk forskning ved Universitetet i Heidelberg og praktisk anvendelse innen cybersikkerhet, bank og startups . Selskapet vokste ut av Institutt for fysikk og astronomi ved Universitetet i Heidelberg – samme forskningsmiljø som produserte Black Forest Labs .

Investorer og støttespillere

Såkornrunden ble co-ledet av UVC Partners (tysk) og Entourage (belgisk), med deltakelse fra de tilbakevendende såkornsførinvestorene HTGF og Mätch VC . Flere institusjonelle støttespillere inkluderer Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture og Secunet .

Engleinvestorlisten er bemerkelsesverdig og omfatter personer fra flere av de fremste AI-miljøene:

• Medgrunnleggerne av Black Forest Labs (Robin Rombach og Andreas Blattmann)
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Flere engler tilknyttet Noxtua og ELLIS

TipPFN – nullskuddsprediksjonsmodell

Kausables første produkt er TipPFN (Tipping Point Prior-data Fitted Network), en nullskuddsprediksjonsmodell som oppdager når et system nærmer seg et kritisk overgangspunkt, et såkalt «tipping point» . Sentrale detaljer:

• Publisert som et forskningspaper (arXiv 2605.12308) i samarbeid med Columbia University
• Bruker et kontekstlæringsrammeverk med et førstegangsdatatilpasset nettverk for å forutsi avstand til kritiske overganger fra korte, støyende tidsserier
• Viser toppmoderne tidlig deteksjon av kritiske overganger i tidligere usette dynamiske systemer, inkludert sim-til-virkelig-overføring og virkelige observasjoner
• Hevder robust ytelse på tvers av 14 domener, med nullskuddgeneraliserering til systemer det ikke var eksplisitt trent på
• Målsetning om å forutsi «svarte svaner» – sjeldne, høyrisikohendelser – innen helse, energi, finans og klima

Selskapets nettside sier at TipPFN «beviser sin overlegenhet på 14 domener, til og med med nullskuddsevner» . Per finansieringsannonsen hadde kausable imidlertid ikke annonsert et kommersielt produkt med selvbetjening, offentlige priser, betalende kunder eller uavhengig verifiserte resultater fra faktisk bruk .

Planlagte anvendelsesområder

Kausable sikter seg inn mot tre brede områder hvor statiske AI-modeller kommer til kort:

• Robotikk – verdensmodeller som tilpasser seg skiftende miljøer uten omtrening, slik at roboter kan håndtere nye situasjoner i farten
• Prediksjon – oppdage vendepunkter i komplekse systemer (f.eks. strømnettfeil, sykdomsutbrudd, finanskrakk) ved hjelp av TipPFN
• Industrisystemer – skalerbar AI som kan rulles ut over et helt industrielt landskap uten å bli en serie kostbare engangsprosjekter

Selskapet beskriver sitt oppdrag som «frontier AI som tilpasser seg like raskt som verden rundt seg», og ønsker å gjøre AI om fra statiske, omtreningsavhengige modeller til systemer som kan rulles ut bredt og fortsette å fungere når forholdene endrer seg .

Oppsummering

Kausables såkornrunde på 12 millioner euro er et veddemål på en grunnleggende annerledes tilnærming til AI – en som legger vekt på kausal resonnering, syntetiske data og kontekstlæring fremfor stadig større treningskjøringer. Selskapets påstander er ambisiøse: modeller som tilpasser seg nye situasjoner fra noen få eksempler, forutsier sjeldne katastrofale hendelser og fortsetter å fungere når verden endrer seg. TipPFN-forskningspapiret gir akademisk validering, men oppstarten har ennå ikke lansert et kommersielt produkt eller demonstrert bruk i stor skala i virkeligheten . De neste 12–18 månedene vil vise om deres resonnering-først-tilnærming kan gå fra lovende forskning til bedriftsklare systemer.