kausable zbija €12M na sztuczną inteligencję, która uczy się bez ciągłego trenowania — poznaj model przyczynowy nowej generacji

Główna teza głosi, że obecne systemy AI są z natury statyczne: zapamiętują wzorce z danych treningowych i załamują się, gdy świat idzie do przodu. kausable opisuje swoją alternatywę jako AI „nastawioną na rozumowanie” – modele zaprojektowane tak, by uczyć się i dostosowywać bardziej jak ludzie, wykorzystując wnioskowanie przyczynowe do zrozumienia, dlaczego system zachowuje się w określony sposób, i odpowiedniego dostosowania .

Kluczowi założyciele

kausable został założony przez trzech fizyków, którzy poznali się na Uniwersytecie w Heidelbergu:

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

Wszyscy trzej mają doświadczenie z badań akademickich na Uniwersytecie w Heidelbergu oraz praktyczne zastosowania w cyberbezpieczeństwie, bankowości i startupach . Firma wywodzi się z Wydziału Fizyki i Astronomii Uniwersytetu w Heidelbergu – tego samego środowiska badawczego, które wydało Black Forest Labs .

Inwestorzy i wspierający

Rundę seed współprowadziły UVC Partners (Niemcy) i Entourage (Belgia), z udziałem powracających inwestorów pre-seedowych HTGF i Mätch VC . Dodatkowymi inwestorami instytucjonalnymi są Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture oraz Secunet .

Lista aniołów biznesu jest imponująca i obejmuje osoby z czołowych organizacji AI:

• Współzałożyciele Black Forest Labs (Robin Rombach i Andreas Blattmann)
• Sandro Gianella (Międzynarodowa strategia i operacje, OpenAI)
• Dorothy Chou (Doradca strategiczny, DeepMind)
• Dodatkowi aniołowie związani z Noxtua i ELLIS

TipPFN – model prognozowania zero-shot

Pierwszym produktem kausable jest TipPFN (Tipping Point Prior-data Fitted Network), model prognozowania zero-shot, który wykrywa, jak blisko system znajduje się od punktu krytycznego lub „punktu przełomowego” . Kluczowe szczegóły:

• Opublikowany jako artykuł naukowy (arXiv 2605.12308) we współpracy z Columbia University
• Wykorzystuje framework uczenia się w kontekście z siecią dopasowaną do danych apriorycznych, aby wnioskować o bliskości punktu krytycznego na podstawie krótkich, zaszumionych szeregów czasowych
• Wykazuje najnowocześniejsze wczesne wykrywanie punktów krytycznych w nieznanych wcześniej systemach dynamicznych, w tym transfer sim-to-real i obserwacje ze świata rzeczywistego
• Twierdzi, że osiąga solidną wydajność w 14 domenach, z uogólnieniem zero-shot na systemy, na których nie był jawnie trenowany
• Ma na celu przewidywanie zdarzeń typu „czarny łabędź” – rzadkich, ale o ogromnym wpływie – w obszarach ochrony zdrowia, energetyki, finansów i klimatu

Strona firmy podaje, że TipPFN „udowadnia swoją wyższość w 14 domenach, wykazując nawet możliwości zero-shot” . Jednak na dzień ogłoszenia finansowania kausable nie ogłosił samodzielnego produktu komercyjnego, publicznych cen, klientów produkcyjnych ani niezależnie zweryfikowanych wyników wdrożeń .

Planowane zastosowania

kausable celuje w trzy szerokie obszary, w których statyczne modele AI zawodzą:

• Robotyka – modele świata, które dostosowują się do zmieniającego się otoczenia bez retreningu, umożliwiając robotom radzenie sobie z nowymi sytuacjami na bieżąco
• Prognozowanie – wykrywanie punktów krytycznych w złożonych systemach (np. awarie sieci energetycznej, epidemie chorób, krachy finansowe) za pomocą TipPFN
• Systemy przemysłowe – skalowalna AI, którą można wdrożyć w całym krajobrazie przemysłowym bez konieczności serii kosztownych, jednorazowych projektów retreningowych

Firma opisuje swoją misję jako „sztuczna inteligencja na granicy możliwości, która dostosowuje się tak szybko, jak otaczający ją świat”, przekształcając AI ze statycznych modeli zależnych od retreningu w systemy, które można szeroko wdrażać i które działają, gdy warunki się zmieniają .

Podsumowanie

Runda seed kausable o wartości €12M to zakład na fundamentalnie inne podejście do AI – takie, które kładzie nacisk na wnioskowanie przyczynowe, dane syntetyczne i uczenie się w kontekście, zamiast na coraz większe zbiory treningowe. Twierdzenia firmy są ambitne: modele, które dostosowują się do nowych sytuacji na podstawie kilku przykładów, przewidują rzadkie katastrofalne zdarzenia i działają, gdy świat się zmienia. Artykuł naukowy TipPFN stanowi akademicką walidację, ale startup nie wypuścił jeszcze komercyjnego produktu ani nie wykazał wdrożenia na skalę produkcyjną . Najbliższe 12-18 miesięcy pokaże, czy ich podejście oparte na rozumowaniu będzie w stanie przejść z etapu obiecujących badań do systemów gotowych dla przedsiębiorstw.