Farklı Bir Yaklaşım: Yeniden Eğitim Yerine Nedensel Dünya Modelleri

Kausable, bir modelin iç ağırlıklarını sürekli güncellemek yerine, temel modeli bir kez eğitiyor ve ardından sentetik verilerle oluşturulmuş 'nedensel dünya modelleri' (causal world models) kullanıyor. Bu modeller, bağlam içi öğrenme (in-context learning) yoluyla, kısa bir gözlem süresinden herhangi bir yeni sistemin altında yatan yapıyı çıkarıyor . Şirket, modelin bu sayede koşullar değiştiğinde pahalı bir eğitim döngüsüne girmeden çalışmaya devam ettiğini iddia ediyor .

Temel tez, mevcut yapay zeka sistemlerinin temelde statik olduğu: eğitim verilerinden kalıpları ezberledikleri ve dünya değiştiğinde bozuldukları yönünde. Kausable, alternatifini 'önce muhakeme' (reasoning-first) yapay zekası olarak tanımlıyor. Bu modeller, insanlar gibi öğrenmek ve uyum sağlamak için nedensel muhakeme (causal reasoning) kullanarak bir sistemin neden belirli bir şekilde davrandığını anlıyor ve buna göre ayarlama yapıyor .

Kilit Kurucular

Kausable, Heidelberg Üniversitesi'nde tanışan üç fizikçi tarafından kuruldu:

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

Üç kurucu da Heidelberg Üniversitesi'ndeki akademik araştırmalarının yanı sıra siber güvenlik, bankacılık ve start-up dünyasında pratik deneyimlere sahip . Şirket, Heidelberg Üniversitesi Fizik ve Astronomi Bölümü'nden doğdu ve Avrupa'nın önde gelen yapay zeka şirketlerinden Black Forest Labs'ın da yetiştiği aynı araştırma ortamından geliyor .

Yatırımcılar ve Destekçiler

Tohum yatırım turu, Alman UVC Partners ve Belçikalı Entourage tarafından ortaklaşa yönetildi . Tura katılan diğer kurumsal yatırımcılar şunlar:

• HTGF (High-Tech Gründerfonds) ve Mätch VC (önceki tura da katılmışlardı)
• Black Forest Labs (BFL)
• ELLIS (Avrupa Öğrenme ve Akıllı Sistemler Laboratuvarı)
• Campione Venture ve Secunet

Melek yatırımcı listesi de oldukça dikkat çekici:

• Robin Rombach ve Andreas Blattmann (Black Forest Labs kurucu ortakları)
• Sandro Gianella (OpenAI, Uluslararası Strateji ve Operasyonlar)
• Dorothy Chou (DeepMind, Stratejik Danışman)
• Noxtua ve ELLIS ile bağlantılı diğer melek yatırımcılar

TipPFN — Sıfır Örneklemeli Tahmin Modeli

Kausable'ın ilk ürünü TipPFN (Tipping Point Prior-data Fitted Network), bir sistemin kritik bir geçişe veya 'devrilme noktasına' ne kadar yakın olduğunu tespit eden bir sıfır örneklemeli (zero-shot) tahmin modelidir . Öne çıkan detaylar:

• Columbia Üniversitesi iş birliğiyle yayımlanan bir araştırma makalesi (arXiv 2605.12308)
• Kısa ve gürültülü zaman serilerinden kritik geçişlere yakınlığı çıkarmak için bir ön veriye uyarlanmış ağ (prior-data fitted network) ile bağlam içi öğrenme çerçevesi kullanıyor
• Daha önce görülmemiş dinamik sistemlerde (simülasyondan gerçeğe ve gerçek dünya gözlemleri dahil) kritik geçişlerin en son teknoloji ürünü erken tespitini gösterdiği iddia ediliyor
• Açıkça eğitilmediği sistemlere sıfır örnekle genelleme yapabildiğini iddia ederek 14 farklı alanda sağlam bir performans sergiliyor
• Sağlık, enerji, finans ve iklim gibi alanlarda nadir görülen ancak yüksek etkili 'kara kuğu' olaylarını (black swan events) tahmin etmeyi hedefliyor

Şirketin web sitesi, TipPFN'in "14 alanda üstünlüğünü kanıtladığını, hatta sıfır örneklemeli yetenekler gösterdiğini" belirtiyor . Ancak, yatırım duyurusu itibarıyla kausable'ın henüz ticari bir ürün, halka açık bir fiyatlandırma, üretim müşterisi veya bağımsız olarak doğrulanmış bir dağıtım sonucu duyurmadığını belirtmekte fayda var .

Planlanan Uygulama Alanları

Kausable, statik yapay zeka modellerinin yetersiz kaldığı üç ana alanı hedefliyor:

• Robotik: Değişen ortamlara yeniden eğitim gerektirmeden uyum sağlayan, robotların anlık olarak yeni durumları ele almasını sağlayan dünya modelleri
• Tahmin: TipPFN kullanarak karmaşık sistemlerdeki devrilme noktalarını tespit etme (örneğin, elektrik şebekesi arızaları, salgın hastalıklar, finansal çöküşler)
• Endüstriyel Sistemler: Tüm bir endüstriyel alana yayılabilecek, maliyetli ve tek seferlik yeniden eğitim projelerine dönüşmeyen ölçeklenebilir yapay zeka

Şirket misyonunu, "dünyanın etrafındaki kadar hızlı uyum sağlayan sınır yapay zekası" olarak tanımlıyor ve yapay zekayı statik, yeniden eğitime bağımlı modellerden, geniş çapta devreye alınabilen ve koşullar değiştiğinde çalışmaya devam eden sistemlere dönüştürmeyi vaat ediyor .

Sonuç

Kausable'ın 12 milyon Avroluk tohum yatırımı, yapay zekada temelde farklı bir yaklaşıma oynanan bir bahis. Bu yaklaşım, giderek büyüyen eğitim süreçleri yerine nedensel muhakeme, sentetik veri ve bağlam içi öğrenmeyi vurguluyor. Şirketin iddiaları büyük: Bir avuç örnekten yeni durumlara uyum sağlayabilen, nadir görülen felaket olaylarını tahmin edebilen ve dünya değiştiğinde çalışmaya devam eden modeller. TipPFN araştırma makalesi akademik bir doğrulama sağlıyor, ancak girişimin henüz ticari bir ürün çıkarmadığını veya gerçek dünyada büyük ölçekli bir dağıtım göstermediğini unutmamak gerekiyor . Önümüzdeki 12-18 ay, bu 'önce muhakeme' yaklaşımının ikna edici bir araştırmadan kurumsal düzeyde çalışan sistemlere geçip geçemeyeceğini gösterecek.

Farklı Bir Yaklaşım: Yeniden Eğitim Yerine Nedensel Dünya Modelleri

Kausable, bir modelin iç ağırlıklarını sürekli güncellemek yerine, temel modeli bir kez eğitiyor ve ardından sentetik verilerle oluşturulmuş 'nedensel dünya modelleri' (causal world models) kullanıyor. Bu modeller, bağlam içi öğrenme (in-context learning) yoluyla, kısa bir gözlem süresinden herhangi bir yeni sistemin altında yatan yapıyı çıkarıyor . Şirket, modelin bu sayede koşullar değiştiğinde pahalı bir eğitim döngüsüne girmeden çalışmaya devam ettiğini iddia ediyor .

Temel tez, mevcut yapay zeka sistemlerinin temelde statik olduğu: eğitim verilerinden kalıpları ezberledikleri ve dünya değiştiğinde bozuldukları yönünde. Kausable, alternatifini 'önce muhakeme' (reasoning-first) yapay zekası olarak tanımlıyor. Bu modeller, insanlar gibi öğrenmek ve uyum sağlamak için nedensel muhakeme (causal reasoning) kullanarak bir sistemin neden belirli bir şekilde davrandığını anlıyor ve buna göre ayarlama yapıyor .

Kilit Kurucular

Kausable, Heidelberg Üniversitesi'nde tanışan üç fizikçi tarafından kuruldu:

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

Üç kurucu da Heidelberg Üniversitesi'ndeki akademik araştırmalarının yanı sıra siber güvenlik, bankacılık ve start-up dünyasında pratik deneyimlere sahip . Şirket, Heidelberg Üniversitesi Fizik ve Astronomi Bölümü'nden doğdu ve Avrupa'nın önde gelen yapay zeka şirketlerinden Black Forest Labs'ın da yetiştiği aynı araştırma ortamından geliyor .

Yatırımcılar ve Destekçiler

Tohum yatırım turu, Alman UVC Partners ve Belçikalı Entourage tarafından ortaklaşa yönetildi . Tura katılan diğer kurumsal yatırımcılar şunlar:

• HTGF (High-Tech Gründerfonds) ve Mätch VC (önceki tura da katılmışlardı)
• Black Forest Labs (BFL)
• ELLIS (Avrupa Öğrenme ve Akıllı Sistemler Laboratuvarı)
• Campione Venture ve Secunet

Melek yatırımcı listesi de oldukça dikkat çekici:

• Robin Rombach ve Andreas Blattmann (Black Forest Labs kurucu ortakları)
• Sandro Gianella (OpenAI, Uluslararası Strateji ve Operasyonlar)
• Dorothy Chou (DeepMind, Stratejik Danışman)
• Noxtua ve ELLIS ile bağlantılı diğer melek yatırımcılar

TipPFN — Sıfır Örneklemeli Tahmin Modeli

Kausable'ın ilk ürünü TipPFN (Tipping Point Prior-data Fitted Network), bir sistemin kritik bir geçişe veya 'devrilme noktasına' ne kadar yakın olduğunu tespit eden bir sıfır örneklemeli (zero-shot) tahmin modelidir . Öne çıkan detaylar:

• Columbia Üniversitesi iş birliğiyle yayımlanan bir araştırma makalesi (arXiv 2605.12308)
• Kısa ve gürültülü zaman serilerinden kritik geçişlere yakınlığı çıkarmak için bir ön veriye uyarlanmış ağ (prior-data fitted network) ile bağlam içi öğrenme çerçevesi kullanıyor
• Daha önce görülmemiş dinamik sistemlerde (simülasyondan gerçeğe ve gerçek dünya gözlemleri dahil) kritik geçişlerin en son teknoloji ürünü erken tespitini gösterdiği iddia ediliyor
• Açıkça eğitilmediği sistemlere sıfır örnekle genelleme yapabildiğini iddia ederek 14 farklı alanda sağlam bir performans sergiliyor
• Sağlık, enerji, finans ve iklim gibi alanlarda nadir görülen ancak yüksek etkili 'kara kuğu' olaylarını (black swan events) tahmin etmeyi hedefliyor

Şirketin web sitesi, TipPFN'in "14 alanda üstünlüğünü kanıtladığını, hatta sıfır örneklemeli yetenekler gösterdiğini" belirtiyor . Ancak, yatırım duyurusu itibarıyla kausable'ın henüz ticari bir ürün, halka açık bir fiyatlandırma, üretim müşterisi veya bağımsız olarak doğrulanmış bir dağıtım sonucu duyurmadığını belirtmekte fayda var .

Planlanan Uygulama Alanları

Kausable, statik yapay zeka modellerinin yetersiz kaldığı üç ana alanı hedefliyor:

• Robotik: Değişen ortamlara yeniden eğitim gerektirmeden uyum sağlayan, robotların anlık olarak yeni durumları ele almasını sağlayan dünya modelleri
• Tahmin: TipPFN kullanarak karmaşık sistemlerdeki devrilme noktalarını tespit etme (örneğin, elektrik şebekesi arızaları, salgın hastalıklar, finansal çöküşler)
• Endüstriyel Sistemler: Tüm bir endüstriyel alana yayılabilecek, maliyetli ve tek seferlik yeniden eğitim projelerine dönüşmeyen ölçeklenebilir yapay zeka

Şirket misyonunu, "dünyanın etrafındaki kadar hızlı uyum sağlayan sınır yapay zekası" olarak tanımlıyor ve yapay zekayı statik, yeniden eğitime bağımlı modellerden, geniş çapta devreye alınabilen ve koşullar değiştiğinde çalışmaya devam eden sistemlere dönüştürmeyi vaat ediyor .

Sonuç

Kausable'ın 12 milyon Avroluk tohum yatırımı, yapay zekada temelde farklı bir yaklaşıma oynanan bir bahis. Bu yaklaşım, giderek büyüyen eğitim süreçleri yerine nedensel muhakeme, sentetik veri ve bağlam içi öğrenmeyi vurguluyor. Şirketin iddiaları büyük: Bir avuç örnekten yeni durumlara uyum sağlayabilen, nadir görülen felaket olaylarını tahmin edebilen ve dünya değiştiğinde çalışmaya devam eden modeller. TipPFN araştırma makalesi akademik bir doğrulama sağlıyor, ancak girişimin henüz ticari bir ürün çıkarmadığını veya gerçek dünyada büyük ölçekli bir dağıtım göstermediğini unutmamak gerekiyor . Önümüzdeki 12-18 ay, bu 'önce muhakeme' yaklaşımının ikna edici bir araştırmadan kurumsal düzeyde çalışan sistemlere geçip geçemeyeceğini gösterecek.