kausable: ШІ, що вчиться на льоту без дорогого перенавчання — €12 млн інвестицій

Основна теза: сучасні системи ШІ принципово статичні — вони запам'ятовують патерни з навчальних даних і ламаються, коли світ змінюється. kausable називає свою альтернативу «розумово-орієнтованим» («reasoning-first») ШІ — моделями, які навчаються та адаптуються більше як люди, використовуючи каузальне міркування для розуміння поведінки системи .

Ключові засновники

kausable заснували троє фізиків, які познайомилися в Гайдельберзькому університеті:

• Йоганнес Гаукс — CEO
• Д-р Бенджамін Гердеану — CTO
• Грегор Раміен — COO

Усі троє мають досвід академічних досліджень у Гайдельберзькому університеті та практичного застосування в кібербезпеці, банківській справі та стартапах . Компанія виросла з фізичного факультету Гайдельберзького університету — того ж наукового середовища, яке породило Black Forest Labs .

Інвестори та прихильники

Seed-раунд співочолили UVC Partners (Німеччина) та Entourage (Бельгія) за участі попередніх pre-seed інвесторів HTGF та Mätch VC . Серед інституційних інвесторів також Black Forest Labs (BFL), ELLIS (Європейська лабораторія навчання та інтелектуальних систем), Campione Venture та Secunet .

Склад ангельських інвесторів вражає — до нього увійшли представники провідних ШІ-організацій:

• Співзасновники Black Forest Labs (Робін Ромбах та Андреас Блаттманн)
• Сандро Джанелла (Міжнародна стратегія та операції, OpenAI)
• Дороті Чоу (Стратегічний радник, DeepMind)
• Інші ангели, пов'язані з Noxtua та ELLIS

TipPFN — модель прогнозування з нульовим налаштуванням

Перший продукт kausable — TipPFN (Tipping Point Prior-data Fitted Network), модель прогнозування, яка визначає близькість системи до критичного переходу або «точки неповернення» . Ключові деталі:

• Опублікована як наукова стаття (arXiv 2605.12308) у співпраці з Колумбійським університетом
• Використовує фреймворк контекстного навчання з попередньо навченою мережею для визначення близькості до критичних переходів за короткими, зашумленими часовими рядами
• Демонструє найкращі показники раннього виявлення критичних переходів у раніше не бачених динамічних системах, включаючи перенесення з симуляції на реальні дані
• Заявляє про надійну продуктивність у 14 доменах з можливістю zero-shot узагальнення для систем, на яких модель не навчалася
• Націлена на прогнозування «чорних лебедів» — рідкісних подій з високим впливом — у медицині, енергетиці, фінансах та кліматі

Вебсайт компанії стверджує, що TipPFN «доводить свою перевагу в 14 доменах, демонструючи zero-shot можливості» . Однак на момент оголошення про фінансування kausable не анонсував комерційний продукт для самостійного використання, публічні ціни, клієнтів або незалежно підтверджені результати впровадження .

Заплановані застосування

kausable планує застосовувати свої моделі в трьох широких сферах, де статичні ШІ-моделі виявляються недостатньо ефективними:

• Робототехніка — світові моделі, що адаптуються до змінного середовища без перенавчання, дозволяючи роботам реагувати на нові ситуації на льоту
• Прогнозування — виявлення точок неповернення в складних системах (наприклад, збої в електромережах, спалахи захворювань, фінансові кризи) за допомогою TipPFN
• Промислові системи — масштабований ШІ, який можна розгорнути на цілій промисловій інфраструктурі без перетворення на серію затратних одноразових проектів з перенавчання

Компанія описує свою місію як «фронтирний ШІ, що адаптується так само швидко, як і світ навколо», перетворюючи ШІ зі статичних моделей, що залежать від перенавчання, на системи, які можна широко розгортати та підтримувати в робочому стані при зміні умов .

Підсумок

Seed-раунд kausable на €12 млн — це ставка на принципово інший підхід до ШІ, який робить акцент на каузальному міркуванні, синтетичних даних та контекстному навчанні, а не на дедалі більших обсягах навчальних даних. Амбіції компанії значні: моделі, які адаптуються до нових ситуацій з кількох прикладів, передбачають рідкісні катастрофічні події та продовжують працювати при зміні світу. Наукова стаття TipPFN забезпечує академічну валідацію, але стартап ще не випустив комерційний продукт і не продемонстрував реальне впровадження в масштабі . Наступні 12-18 місяців покажуть, чи зможе їхній підхід перейти від переконливих досліджень до готових до використання корпоративних систем.