En annorlunda metod: kausala världsmodeller istället för omträning

I stället för att kontinuerligt uppdatera en modells interna vikter, tränar kausable en grundmodell en enda gång. De använder så kallade kausala ”världsmodeller” – uppbyggda med hjälp av syntetisk data och inbäddat lärande (in-context learning) för att förstå den underliggande strukturen i ett nytt system redan efter en kort observation . Företaget hävdar att modellen sedan fortsätter att fungera när förutsättningarna förändras, utan en ny kostsam träningscykel .

Kärntesen är att dagens AI-system i grunden är statiska – de memorerar mönster från träningsdata och slutar fungera när världen förändras. kausable beskriver sin metod som ”reasoning-first”-AI: modeller som är designade för att lära sig och anpassa sig mer som människor, genom att använda kausala resonemang för att förstå varför ett system beter sig som det gör och därefter justera sig .

Grundarna

kausable grundades av tre fysiker som träffades på Heidelbergs universitet:

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

Alla tre har erfarenhet från akademisk forskning vid Heidelbergs universitet och praktisk tillämpning inom cybersäkerhet, bankväsende och startup-världen . Företaget växte fram ur Institutionen för fysik och astronomi vid Heidelbergs universitet – samma forskningsmiljö som även har producerat Black Forest Labs .

Investerare och partners

Seed-rundan leddes av tyska UVC Partners och belgiska Entourage. Medverkande gjorde även de tidigare pre-seed-investerarna HTGF och Mätch VC . Bland övriga institutionella investerare finns Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture och Secunet .

Ängelinvesterarna är en imponerande skara med kopplingar till flera av världens främsta AI-organisationer:

• Robin Rombach och Andreas Blattmann, medgrundare av Black Forest Labs
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Ytterligare änglar med koppling till Noxtua och ELLIS

TipPFN – en zero-shot-prognosmodell

kausables första produkt är TipPFN (Tipping Point Prior-data Fitted Network), en zero-shot-prognosmodell som kan upptäcka när ett system närmar sig en kritisk övergång, eller så kallad ”tipping point” . Viktiga detaljer:

• Publicerad som en forskningsartikel (arXiv 2605.12308) i samarbete med Columbia University
• Använder sig av ett in-context learning-ramverk med ett prior-data fitted network för att från korta, brusiga tidsserier förutsäga hur nära ett system är en kritisk övergång
• Visar prov på toppmodern tidig upptäckt av kritiska övergångar i tidigare okända dynamiska system, inklusive sim-till-verkligt-överföring och verkliga observationer
• Hävdar robust prestanda över 14 domäner, med zero-shot-generalisering till system som det inte explicit tränats på
• Syftar till att förutsäga ”svarta svanen”-händelser – sällsynta händelser med stor påverkan – inom sjukvård, energi, finans och klimat

På sin webbplats skriver företaget att TipPFN ”bevisar sin överlägsenhet över 14 domäner, och uppvisar till och med zero-shot-kapacitet” . Samtidigt har kausable, i samband med finansieringsbeskedet, inte lanserat någon självbetjäningsprodukt, offentlig prislista, bekräftade produktionskunder eller oberoende verifierade driftsresultat .

Planerade användningsområden

kausable siktar på tre breda domäner där statisk AI fallerar:

• Robotik – världsmodeller som anpassar sig till föränderliga miljöer utan omträning, så att robotar kan hantera nya situationer i farten
• Prognoser – upptäcka brytpunkter i komplexa system (t.ex. elnätshaverier, sjukdomsutbrott, finansiella krascher) med hjälp av TipPFN
• Industrisystem – skalbar AI som kan rullas ut över en hel industri utan att bli en serie kostsamma engångsprojekt

Företaget beskriver sin mission som att skapa ”frontier-AI som anpassar sig lika snabbt som världen omkring den” och på så sätt förvandla AI från statiska, omträningsberoende modeller till system som kan användas brett och fortsätta fungera när förutsättningarna förändras .

Slutsats

kausables seed-runda på 12 miljoner euro är en satsning på en fundamentalt annorlunda approach till AI – en approach som betonar kausala resonemang, syntetisk data och in-context learning framför allt större och större träningsomgångar. Bolagets ambitioner är höga: modeller som anpassar sig till nya situationer efter att ha sett ett fåtal exempel, förutsäger sällsynta katastrofhändelser och fortsätter att fungera när världen förändras. Forskningsartikeln om TipPFN ger akademisk validering, men startupen har ännu inte lanserat någon kommersiell produkt eller visat på verklig driftsättning i större skala . De kommande 12–18 månaderna får utvisa om deras ”reasoning-first”-approach kan gå från övertygande forskning till företagsklara system.

En annorlunda metod: kausala världsmodeller istället för omträning

I stället för att kontinuerligt uppdatera en modells interna vikter, tränar kausable en grundmodell en enda gång. De använder så kallade kausala ”världsmodeller” – uppbyggda med hjälp av syntetisk data och inbäddat lärande (in-context learning) för att förstå den underliggande strukturen i ett nytt system redan efter en kort observation . Företaget hävdar att modellen sedan fortsätter att fungera när förutsättningarna förändras, utan en ny kostsam träningscykel .

Kärntesen är att dagens AI-system i grunden är statiska – de memorerar mönster från träningsdata och slutar fungera när världen förändras. kausable beskriver sin metod som ”reasoning-first”-AI: modeller som är designade för att lära sig och anpassa sig mer som människor, genom att använda kausala resonemang för att förstå varför ett system beter sig som det gör och därefter justera sig .

Grundarna

kausable grundades av tre fysiker som träffades på Heidelbergs universitet:

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

Alla tre har erfarenhet från akademisk forskning vid Heidelbergs universitet och praktisk tillämpning inom cybersäkerhet, bankväsende och startup-världen . Företaget växte fram ur Institutionen för fysik och astronomi vid Heidelbergs universitet – samma forskningsmiljö som även har producerat Black Forest Labs .

Investerare och partners

Seed-rundan leddes av tyska UVC Partners och belgiska Entourage. Medverkande gjorde även de tidigare pre-seed-investerarna HTGF och Mätch VC . Bland övriga institutionella investerare finns Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture och Secunet .

Ängelinvesterarna är en imponerande skara med kopplingar till flera av världens främsta AI-organisationer:

• Robin Rombach och Andreas Blattmann, medgrundare av Black Forest Labs
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• Ytterligare änglar med koppling till Noxtua och ELLIS

TipPFN – en zero-shot-prognosmodell

kausables första produkt är TipPFN (Tipping Point Prior-data Fitted Network), en zero-shot-prognosmodell som kan upptäcka när ett system närmar sig en kritisk övergång, eller så kallad ”tipping point” . Viktiga detaljer:

• Publicerad som en forskningsartikel (arXiv 2605.12308) i samarbete med Columbia University
• Använder sig av ett in-context learning-ramverk med ett prior-data fitted network för att från korta, brusiga tidsserier förutsäga hur nära ett system är en kritisk övergång
• Visar prov på toppmodern tidig upptäckt av kritiska övergångar i tidigare okända dynamiska system, inklusive sim-till-verkligt-överföring och verkliga observationer
• Hävdar robust prestanda över 14 domäner, med zero-shot-generalisering till system som det inte explicit tränats på
• Syftar till att förutsäga ”svarta svanen”-händelser – sällsynta händelser med stor påverkan – inom sjukvård, energi, finans och klimat

På sin webbplats skriver företaget att TipPFN ”bevisar sin överlägsenhet över 14 domäner, och uppvisar till och med zero-shot-kapacitet” . Samtidigt har kausable, i samband med finansieringsbeskedet, inte lanserat någon självbetjäningsprodukt, offentlig prislista, bekräftade produktionskunder eller oberoende verifierade driftsresultat .

Planerade användningsområden

kausable siktar på tre breda domäner där statisk AI fallerar:

• Robotik – världsmodeller som anpassar sig till föränderliga miljöer utan omträning, så att robotar kan hantera nya situationer i farten
• Prognoser – upptäcka brytpunkter i komplexa system (t.ex. elnätshaverier, sjukdomsutbrott, finansiella krascher) med hjälp av TipPFN
• Industrisystem – skalbar AI som kan rullas ut över en hel industri utan att bli en serie kostsamma engångsprojekt

Företaget beskriver sin mission som att skapa ”frontier-AI som anpassar sig lika snabbt som världen omkring den” och på så sätt förvandla AI från statiska, omträningsberoende modeller till system som kan användas brett och fortsätta fungera när förutsättningarna förändras .

Slutsats

kausables seed-runda på 12 miljoner euro är en satsning på en fundamentalt annorlunda approach till AI – en approach som betonar kausala resonemang, syntetisk data och in-context learning framför allt större och större träningsomgångar. Bolagets ambitioner är höga: modeller som anpassar sig till nya situationer efter att ha sett ett fåtal exempel, förutsäger sällsynta katastrofhändelser och fortsätter att fungera när världen förändras. Forskningsartikeln om TipPFN ger akademisk validering, men startupen har ännu inte lanserat någon kommersiell produkt eller visat på verklig driftsättning i större skala . De kommande 12–18 månaderna får utvisa om deras ”reasoning-first”-approach kan gå från övertygande forskning till företagsklara system.