แนวทางที่แตกต่าง: Causal World Models แทนการรีเทรน

แทนที่จะอัปเดตน้ำหนักภายในของโมเดลอย่างต่อเนื่อง kausable เลือกเทรน Foundation Model เพียงครั้งเดียว จากนั้นใช้ 'World Model' เชิงสาเหตุ (Causal World Models) ซึ่งสร้างขึ้นจากข้อมูลสังเคราะห์และการเรียนรู้ในบริบท (In-Context Learning) เพื่ออนุมานโครงสร้างพื้นฐานของระบบใหม่ใดๆ จากการสังเกตในช่วงสั้นๆ ทางบริษัทอ้างว่าโมเดลจะยังคงทำงานได้ต่อไปเมื่อเงื่อนไขเปลี่ยนแปลง โดยไม่ต้องผ่านกระบวนการเทรนที่มีค่าใช้จ่ายสูงอีก

แนวคิดหลักคือ ระบบ AI ในปัจจุบันนั้น 'หยุดนิ่ง' โดยพื้นฐาน พวกมันจดจำรูปแบบจากข้อมูลเทรน และจะพังทลายเมื่อโลกเปลี่ยนไป kausable อธิบายทางเลือกของมันว่าเป็น AI 'ที่ให้ความสำคัญกับเหตุผลเป็นอันดับแรก' (Reasoning-First) ซึ่งเป็นโมเดลที่ออกแบบมาให้เรียนรู้และปรับตัวได้ใกล้เคียงกับมนุษย์มากขึ้น โดยใช้การใช้เหตุผลเชิงสาเหตุเพื่อทำความเข้าใจว่าทำไมระบบถึงทำงานแบบนั้น แล้วปรับเปลี่ยนตาม

ผู้ก่อตั้งคนสำคัญ

kausable ก่อตั้งโดยนักฟิสิกส์สามคนที่พบกันที่มหาวิทยาลัยไฮเดลเบิร์ก:

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

ทั้งสามคนมีประสบการณ์จากการวิจัยทางวิชาการที่มหาวิทยาลัยไฮเดลเบิร์ก และการประยุกต์ใช้จริงในวงการความมั่นคงปลอดภัยทางไซเบอร์ ธนาคาร และสตาร์ทอัพ บริษัทเติบโตมาจากภาควิชาฟิสิกส์และดาราศาสตร์ของมหาวิทยาลัยไฮเดลเบิร์ก ซึ่งเป็นแหล่งเดียวกับที่ผลิต Black Forest Labs

นักลงทุนและผู้สนับสนุน

รอบ Seed นี้นำโดยUVC Partners (เยอรมนี) และ Entourage (เบลเยียม) ร่วมกับนักลงทุนเดิมในรอบ Pre-Seed อย่างHTGF และMätch VC นอกจากนี้ยังมีนักลงทุนสถาบันอื่นๆ เช่น Black Forest Labs (BFL), European Laboratory for Learning and Intelligent Systems (ELLIS), Campione Venture และ Secunet

รายชื่อนักลงทุนเทวดา (Angel Investors) ก็โดดเด่นไม่แพ้กัน โดยดึงดูดบุคคลจากองค์กร AI ชั้นนำ:

• ผู้ร่วมก่อตั้ง Black Forest Labs (Robin Rombach และ Andreas Blattmann)
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• และนักลงทุนเทวดาคนอื่นๆ ที่เกี่ยวข้องกับ Noxtua และ ELLIS

TipPFN — โมเดลพยากรณ์แบบ Zero-Shot

ผลิตภัณฑ์แรกของ kausable คือ TipPFN (Tipping Point Prior-data Fitted Network) โมเดลพยากรณ์แบบ Zero-Shot ที่ตรวจสอบความใกล้ชิดของระบบต่อ 'จุดเปลี่ยนสำคัญ' หรือ 'จุดเปลี่ยนพลิกผัน' (Tipping Point) รายละเอียดสำคัญ:

• เผยแพร่เป็นบทความวิจัย (arXiv 2605.12308) ร่วมกับมหาวิทยาลัยโคลัมเบีย
• ใช้กรอบการเรียนรู้ในบริบท (In-Context Learning) กับ Prior-data Fitted Network เพื่ออนุมานความใกล้ชิดถึงจุดเปลี่ยนสำคัญจากอนุกรมเวลาที่สั้นและมีสัญญาณรบกวน
• แสดงให้เห็นถึงการตรวจจับช่วงเปลี่ยนผ่านสำคัญที่ล้ำสมัยในระบบไดนามิกที่ไม่เคยเห็นมาก่อน รวมถึงการถ่ายทอดจากซิมสู่ของจริงและการสังเกตในโลกจริง
• อ้างว่ามีประสิทธิภาพที่แข็งแกร่งใน 14 โดเมน โดยมีความสามารถ Zero-Shot ในการทำงานกับระบบที่ไม่ได้ถูกเทรนมาโดยตรง
• มีเป้าหมายเพื่อทำนายเหตุการณ์**'Black Swan'** — เหตุการณ์ที่เกิดขึ้นได้ยากแต่ส่งผลกระทบสูง — ในภาคส่วนการดูแลสุขภาพ พลังงาน การเงิน และสภาพภูมิอากาศ

เว็บไซต์ของบริษัทระบุว่า TipPFN "พิสูจน์ความเหนือกว่าใน 14 โดเมน แม้แต่ในความสามารถ Zero-Shot" อย่างไรก็ตาม ณ เวลาที่ประกาศระดมทุน kausable ยังไม่ได้ประกาศผลิตภัณฑ์เชิงพาณิชย์แบบบริการตนเอง ราคาสาธารณะ ลูกค้าที่ใช้งานจริง หรือผลการปรับใช้ที่ได้รับการยืนยันโดยอิสระ

การประยุกต์ใช้ที่วางแผนไว้

kausable กำหนดเป้าหมายไปที่สามโดเมนหลักที่ AI แบบสถิตไม่สามารถตอบสนองได้:

• หุ่นยนต์ (Robotics) — World Model ที่ปรับตัวเข้ากับสภาพแวดล้อมที่เปลี่ยนแปลงโดยไม่ต้องรีเทรน ช่วยให้หุ่นยนต์จัดการกับสถานการณ์ใหม่ๆ ได้ทันที
• การพยากรณ์ (Forecasting) — ตรวจจับจุดเปลี่ยนในระบบที่ซับซ้อน (เช่น ระบบไฟฟ้าดับ การระบาดของโรค วิกฤตการเงิน) โดยใช้ TipPFN
• ระบบอุตสาหกรรม (Industrial systems) — AI ที่ปรับขนาดได้ซึ่งสามารถนำไปใช้ทั่วทั้งภูมิทัศน์อุตสาหกรรม โดยไม่ต้องกลายเป็นโครงการรีเทรนรายครั้งที่มีค่าใช้จ่ายสูง

บริษัทอธิบายภารกิจของตนว่าเป็น "Frontier AI ที่ปรับตัวได้เร็วเท่าโลกที่อยู่รอบตัว" โดยเปลี่ยน AI จากโมเดลที่ต้องพึ่งพาการรีเทรน ไปเป็นระบบที่สามารถนำไปใช้ในวงกว้างและทำงานต่อไปได้เมื่อเงื่อนไขเปลี่ยนไป

สรุป

รอบ Seed Round มูลค่า 12 ล้านยูโรของ kausable คือการเดิมพันในแนวทาง AI ที่แตกต่างอย่างสิ้นเชิง แนวทางที่เน้นการใช้เหตุผลเชิงสาเหตุ ข้อมูลสังเคราะห์ และการเรียนรู้ในบริบท มากกว่าการเทรนที่ใหญ่ขึ้นเรื่อยๆ ข้ออ้างของบริษัทนั้นทะเยอทะยาน: โมเดลที่ปรับตัวเข้ากับสถานการณ์ใหม่จากตัวอย่างเพียงไม่กี่ตัวอย่าง ทำนายเหตุการณ์หายนะที่เกิดขึ้นได้ยาก และยังคงทำงานต่อไปเมื่อโลกเปลี่ยนไป บทความวิจัย TipPFN ให้การรับรองทางวิชาการ แต่สตาร์ทอัพยังไม่ได้ส่งมอบผลิตภัณฑ์เชิงพาณิชย์หรือแสดงให้เห็นถึงการใช้งานจริงในวงกว้าง 12-18 เดือนข้างหน้าจะเผยให้เห็นว่าแนวทางแบบ 'Reasoning-First' ของพวกเขาจะก้าวจากงานวิจัยที่น่าสนใจไปสู่ระบบที่พร้อมใช้งานสำหรับองค์กรได้หรือไม่

แนวทางที่แตกต่าง: Causal World Models แทนการรีเทรน

แทนที่จะอัปเดตน้ำหนักภายในของโมเดลอย่างต่อเนื่อง kausable เลือกเทรน Foundation Model เพียงครั้งเดียว จากนั้นใช้ 'World Model' เชิงสาเหตุ (Causal World Models) ซึ่งสร้างขึ้นจากข้อมูลสังเคราะห์และการเรียนรู้ในบริบท (In-Context Learning) เพื่ออนุมานโครงสร้างพื้นฐานของระบบใหม่ใดๆ จากการสังเกตในช่วงสั้นๆ ทางบริษัทอ้างว่าโมเดลจะยังคงทำงานได้ต่อไปเมื่อเงื่อนไขเปลี่ยนแปลง โดยไม่ต้องผ่านกระบวนการเทรนที่มีค่าใช้จ่ายสูงอีก

แนวคิดหลักคือ ระบบ AI ในปัจจุบันนั้น 'หยุดนิ่ง' โดยพื้นฐาน พวกมันจดจำรูปแบบจากข้อมูลเทรน และจะพังทลายเมื่อโลกเปลี่ยนไป kausable อธิบายทางเลือกของมันว่าเป็น AI 'ที่ให้ความสำคัญกับเหตุผลเป็นอันดับแรก' (Reasoning-First) ซึ่งเป็นโมเดลที่ออกแบบมาให้เรียนรู้และปรับตัวได้ใกล้เคียงกับมนุษย์มากขึ้น โดยใช้การใช้เหตุผลเชิงสาเหตุเพื่อทำความเข้าใจว่าทำไมระบบถึงทำงานแบบนั้น แล้วปรับเปลี่ยนตาม

ผู้ก่อตั้งคนสำคัญ

kausable ก่อตั้งโดยนักฟิสิกส์สามคนที่พบกันที่มหาวิทยาลัยไฮเดลเบิร์ก:

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

ทั้งสามคนมีประสบการณ์จากการวิจัยทางวิชาการที่มหาวิทยาลัยไฮเดลเบิร์ก และการประยุกต์ใช้จริงในวงการความมั่นคงปลอดภัยทางไซเบอร์ ธนาคาร และสตาร์ทอัพ บริษัทเติบโตมาจากภาควิชาฟิสิกส์และดาราศาสตร์ของมหาวิทยาลัยไฮเดลเบิร์ก ซึ่งเป็นแหล่งเดียวกับที่ผลิต Black Forest Labs

นักลงทุนและผู้สนับสนุน

รอบ Seed นี้นำโดยUVC Partners (เยอรมนี) และ Entourage (เบลเยียม) ร่วมกับนักลงทุนเดิมในรอบ Pre-Seed อย่างHTGF และMätch VC นอกจากนี้ยังมีนักลงทุนสถาบันอื่นๆ เช่น Black Forest Labs (BFL), European Laboratory for Learning and Intelligent Systems (ELLIS), Campione Venture และ Secunet

รายชื่อนักลงทุนเทวดา (Angel Investors) ก็โดดเด่นไม่แพ้กัน โดยดึงดูดบุคคลจากองค์กร AI ชั้นนำ:

• ผู้ร่วมก่อตั้ง Black Forest Labs (Robin Rombach และ Andreas Blattmann)
• Sandro Gianella (International Strategy and Operations, OpenAI)
• Dorothy Chou (Strategic Advisor, DeepMind)
• และนักลงทุนเทวดาคนอื่นๆ ที่เกี่ยวข้องกับ Noxtua และ ELLIS

TipPFN — โมเดลพยากรณ์แบบ Zero-Shot

ผลิตภัณฑ์แรกของ kausable คือ TipPFN (Tipping Point Prior-data Fitted Network) โมเดลพยากรณ์แบบ Zero-Shot ที่ตรวจสอบความใกล้ชิดของระบบต่อ 'จุดเปลี่ยนสำคัญ' หรือ 'จุดเปลี่ยนพลิกผัน' (Tipping Point) รายละเอียดสำคัญ:

• เผยแพร่เป็นบทความวิจัย (arXiv 2605.12308) ร่วมกับมหาวิทยาลัยโคลัมเบีย
• ใช้กรอบการเรียนรู้ในบริบท (In-Context Learning) กับ Prior-data Fitted Network เพื่ออนุมานความใกล้ชิดถึงจุดเปลี่ยนสำคัญจากอนุกรมเวลาที่สั้นและมีสัญญาณรบกวน
• แสดงให้เห็นถึงการตรวจจับช่วงเปลี่ยนผ่านสำคัญที่ล้ำสมัยในระบบไดนามิกที่ไม่เคยเห็นมาก่อน รวมถึงการถ่ายทอดจากซิมสู่ของจริงและการสังเกตในโลกจริง
• อ้างว่ามีประสิทธิภาพที่แข็งแกร่งใน 14 โดเมน โดยมีความสามารถ Zero-Shot ในการทำงานกับระบบที่ไม่ได้ถูกเทรนมาโดยตรง
• มีเป้าหมายเพื่อทำนายเหตุการณ์**'Black Swan'** — เหตุการณ์ที่เกิดขึ้นได้ยากแต่ส่งผลกระทบสูง — ในภาคส่วนการดูแลสุขภาพ พลังงาน การเงิน และสภาพภูมิอากาศ

เว็บไซต์ของบริษัทระบุว่า TipPFN "พิสูจน์ความเหนือกว่าใน 14 โดเมน แม้แต่ในความสามารถ Zero-Shot" อย่างไรก็ตาม ณ เวลาที่ประกาศระดมทุน kausable ยังไม่ได้ประกาศผลิตภัณฑ์เชิงพาณิชย์แบบบริการตนเอง ราคาสาธารณะ ลูกค้าที่ใช้งานจริง หรือผลการปรับใช้ที่ได้รับการยืนยันโดยอิสระ

การประยุกต์ใช้ที่วางแผนไว้

kausable กำหนดเป้าหมายไปที่สามโดเมนหลักที่ AI แบบสถิตไม่สามารถตอบสนองได้:

• หุ่นยนต์ (Robotics) — World Model ที่ปรับตัวเข้ากับสภาพแวดล้อมที่เปลี่ยนแปลงโดยไม่ต้องรีเทรน ช่วยให้หุ่นยนต์จัดการกับสถานการณ์ใหม่ๆ ได้ทันที
• การพยากรณ์ (Forecasting) — ตรวจจับจุดเปลี่ยนในระบบที่ซับซ้อน (เช่น ระบบไฟฟ้าดับ การระบาดของโรค วิกฤตการเงิน) โดยใช้ TipPFN
• ระบบอุตสาหกรรม (Industrial systems) — AI ที่ปรับขนาดได้ซึ่งสามารถนำไปใช้ทั่วทั้งภูมิทัศน์อุตสาหกรรม โดยไม่ต้องกลายเป็นโครงการรีเทรนรายครั้งที่มีค่าใช้จ่ายสูง

บริษัทอธิบายภารกิจของตนว่าเป็น "Frontier AI ที่ปรับตัวได้เร็วเท่าโลกที่อยู่รอบตัว" โดยเปลี่ยน AI จากโมเดลที่ต้องพึ่งพาการรีเทรน ไปเป็นระบบที่สามารถนำไปใช้ในวงกว้างและทำงานต่อไปได้เมื่อเงื่อนไขเปลี่ยนไป

สรุป

รอบ Seed Round มูลค่า 12 ล้านยูโรของ kausable คือการเดิมพันในแนวทาง AI ที่แตกต่างอย่างสิ้นเชิง แนวทางที่เน้นการใช้เหตุผลเชิงสาเหตุ ข้อมูลสังเคราะห์ และการเรียนรู้ในบริบท มากกว่าการเทรนที่ใหญ่ขึ้นเรื่อยๆ ข้ออ้างของบริษัทนั้นทะเยอทะยาน: โมเดลที่ปรับตัวเข้ากับสถานการณ์ใหม่จากตัวอย่างเพียงไม่กี่ตัวอย่าง ทำนายเหตุการณ์หายนะที่เกิดขึ้นได้ยาก และยังคงทำงานต่อไปเมื่อโลกเปลี่ยนไป บทความวิจัย TipPFN ให้การรับรองทางวิชาการ แต่สตาร์ทอัพยังไม่ได้ส่งมอบผลิตภัณฑ์เชิงพาณิชย์หรือแสดงให้เห็นถึงการใช้งานจริงในวงกว้าง 12-18 เดือนข้างหน้าจะเผยให้เห็นว่าแนวทางแบบ 'Reasoning-First' ของพวกเขาจะก้าวจากงานวิจัยที่น่าสนใจไปสู่ระบบที่พร้อมใช้งานสำหรับองค์กรได้หรือไม่