Một cách tiếp cận khác biệt: Mô hình Thế giới Nhân quả (Causal World Model) thay vì đào tạo lại

Thay vì liên tục cập nhật các trọng số nội bộ của mô hình, kausable huấn luyện một mô hình nền tảng (foundation model) một lần duy nhất và sử dụng các "mô hình thế giới" (world models) nhân quả — được xây dựng dựa trên dữ liệu tổng hợp và học trong ngữ cảnh (in-context learning) — để suy luận cấu trúc cơ bản của bất kỳ hệ thống mới nào từ một khoảng thời gian quan sát ngắn. Công ty tuyên bố rằng mô hình này vẫn tiếp tục hoạt động khi các điều kiện thay đổi mà không cần một chu kỳ đào tạo tốn kém nào khác.

Luận điểm cốt lõi của họ là các hệ thống AI hiện tại về cơ bản là tĩnh: chúng ghi nhớ các mẫu từ dữ liệu huấn luyện và ngừng hoạt động khi thế giới thay đổi. kausable mô tả giải pháp thay thế của mình là AI "lý luận trước" (reasoning-first) — các mô hình được thiết kế để học hỏi và thích ứng giống con người hơn, sử dụng suy luận nhân quả để hiểu tại sao một hệ thống hoạt động theo cách đó và điều chỉnh cho phù hợp.

Những nhà sáng lập chủ chốt

kausable được thành lập bởi ba nhà vật lý từng gặp nhau tại Đại học Heidelberg:

• Johannes Haux — Giám đốc điều hành (CEO)
• Dr. Benjamin Herdeanu — Giám đốc Công nghệ (CTO)
• Gregor Ramien — Giám đốc Vận hành (COO)

Cả ba đều có kinh nghiệm từ nghiên cứu học thuật tại Đại học Heidelberg và ứng dụng thực tế trong các lĩnh vực như an ninh mạng, ngân hàng và khởi nghiệp. Công ty phát triển từ Khoa Vật lý và Thiên văn của Đại học Heidelberg, cùng một môi trường nghiên cứu đã sản sinh ra Black Forest Labs.

Nhà đầu tư và những người ủng hộ

Vòng gọi vốn Seed được đồng dẫn dắt bởi UVC Partners (Đức) và Entourage (Bỉ), với sự tham gia của các nhà đầu tư vòng trước là HTGF và Mätch VC. Các nhà đầu tư tổ chức khác bao gồm Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture và Secunet.

Danh sách các nhà đầu tư thiên thần cũng rất đáng chú ý, bao gồm các cá nhân đến từ các tổ chức AI hàng đầu thế giới:

• Đồng sáng lập của Black Forest Labs (Robin Rombach và Andreas Blattmann)
• Sandro Gianella (Chiến lược và Vận hành Quốc tế, OpenAI)
• Dorothy Chou (Cố vấn Chiến lược, DeepMind)
• Các nhà đầu tư thiên thần khác có liên quan đến Noxtua và ELLIS

TipPFN — Mô hình Dự báo Zero-Shot

Sản phẩm đầu tiên của kausable là TipPFN (Tipping Point Prior-data Fitted Network), một mô hình dự báo zero-shot có khả năng phát hiện mức độ gần kề của một hệ thống với một bước chuyển pha tới hạn hay "điểm tới hạn" (tipping point). Thông tin chi tiết:

• Được công bố dưới dạng một bài báo nghiên cứu (arXiv 2605.12308) hợp tác với Đại học Columbia
• Sử dụng một khuôn khổ học trong ngữ cảnh (in-context learning) với một mạng được trang bị dữ liệu ưu tiên (prior-data fitted network) để suy luận về mức độ gần kề của các bước chuyển pha tới hạn từ các chuỗi thời gian ngắn, nhiễu
• Chứng minh khả năng phát hiện sớm các bước chuyển pha tới hạn (critical transitions) tốt nhất hiện nay trong các hệ thống động lực chưa từng thấy, bao gồm chuyển giao sim-to-real và các quan sát trong thế giới thực
• Tuyên bố có hiệu suất mạnh mẽ trên 14 lĩnh vực khác nhau, với khả năng tổng quát hóa zero-shot cho các hệ thống mà nó chưa được huấn luyện rõ ràng
• Nhằm mục tiêu dự đoán các sự kiện "thiên nga đen" (black swan events) — những sự kiện hiếm gặp, có tác động lớn — trong các lĩnh vực y tế, năng lượng, tài chính và khí hậu

Trang web của công ty cho biết TipPFN "chứng minh tính ưu việt của nó trên 14 lĩnh vực, thậm chí thể hiện khả năng zero-shot". Tuy nhiên, tính đến thời điểm công bố vòng gọi vốn, kausable vẫn chưa công bố một sản phẩm thương mại đại trà, mức giá công khai, khách hàng sản xuất hay kết quả triển khai độc lập nào.

Các ứng dụng được lên kế hoạch

kausable đang nhắm mục tiêu vào ba lĩnh vực chính mà các mô hình AI tĩnh hiện tại tỏ ra yếu kém:

• Robot (Robotics) — các mô hình thế giới có thể thích ứng với môi trường thay đổi mà không cần đào tạo lại, giúp robot xử lý các tình huống mới một cách linh hoạt
• Dự báo (Forecasting) — phát hiện các điểm tới hạn trong các hệ thống phức tạp (ví dụ: sự cố lưới điện, bùng phát dịch bệnh, khủng hoảng tài chính) bằng cách sử dụng TipPFN
• Hệ thống công nghiệp (Industrial systems) — AI có thể mở rộng, được triển khai trên toàn bộ bối cảnh công nghiệp mà không trở thành một loạt các dự án đào tạo lại tốn kém, riêng lẻ

Công ty mô tả sứ mệnh của mình là "AI tiên phong thích ứng nhanh như thế giới xung quanh nó", biến AI từ các mô hình tĩnh, phụ thuộc vào đào tạo lại thành các hệ thống có thể được triển khai rộng rãi và tiếp tục hoạt động khi các điều kiện thay đổi.

Kết luận

Vòng gọi vốn Seed 12 triệu Euro của kausable là một canh bạc vào một cách tiếp cận khác về cơ bản đối với AI — một cách tiếp cận nhấn mạnh vào suy luận nhân quả, dữ liệu tổng hợp và học trong ngữ cảnh thay vì các quá trình huấn luyện ngày càng lớn. Những tuyên bố của công ty rất tham vọng: các mô hình có thể thích ứng với các tình huống mới từ một số ít ví dụ, dự đoán các sự kiện thảm khốc hiếm gặp và tiếp tục hoạt động khi thế giới thay đổi. Bài báo nghiên cứu về TipPFN cung cấp sự xác nhận từ giới học thuật, nhưng startup này vẫn chưa tung ra một sản phẩm thương mại nào hay chứng minh được việc triển khai trên quy mô lớn trong thế giới thực. 12 đến 18 tháng tới sẽ cho thấy liệu cách tiếp cận "lý luận trước" của họ có thể chuyển từ nghiên cứu hấp dẫn sang các hệ thống sẵn sàng cho doanh nghiệp hay không.

Một cách tiếp cận khác biệt: Mô hình Thế giới Nhân quả (Causal World Model) thay vì đào tạo lại

Thay vì liên tục cập nhật các trọng số nội bộ của mô hình, kausable huấn luyện một mô hình nền tảng (foundation model) một lần duy nhất và sử dụng các "mô hình thế giới" (world models) nhân quả — được xây dựng dựa trên dữ liệu tổng hợp và học trong ngữ cảnh (in-context learning) — để suy luận cấu trúc cơ bản của bất kỳ hệ thống mới nào từ một khoảng thời gian quan sát ngắn. Công ty tuyên bố rằng mô hình này vẫn tiếp tục hoạt động khi các điều kiện thay đổi mà không cần một chu kỳ đào tạo tốn kém nào khác.

Luận điểm cốt lõi của họ là các hệ thống AI hiện tại về cơ bản là tĩnh: chúng ghi nhớ các mẫu từ dữ liệu huấn luyện và ngừng hoạt động khi thế giới thay đổi. kausable mô tả giải pháp thay thế của mình là AI "lý luận trước" (reasoning-first) — các mô hình được thiết kế để học hỏi và thích ứng giống con người hơn, sử dụng suy luận nhân quả để hiểu tại sao một hệ thống hoạt động theo cách đó và điều chỉnh cho phù hợp.

Những nhà sáng lập chủ chốt

kausable được thành lập bởi ba nhà vật lý từng gặp nhau tại Đại học Heidelberg:

• Johannes Haux — Giám đốc điều hành (CEO)
• Dr. Benjamin Herdeanu — Giám đốc Công nghệ (CTO)
• Gregor Ramien — Giám đốc Vận hành (COO)

Cả ba đều có kinh nghiệm từ nghiên cứu học thuật tại Đại học Heidelberg và ứng dụng thực tế trong các lĩnh vực như an ninh mạng, ngân hàng và khởi nghiệp. Công ty phát triển từ Khoa Vật lý và Thiên văn của Đại học Heidelberg, cùng một môi trường nghiên cứu đã sản sinh ra Black Forest Labs.

Nhà đầu tư và những người ủng hộ

Vòng gọi vốn Seed được đồng dẫn dắt bởi UVC Partners (Đức) và Entourage (Bỉ), với sự tham gia của các nhà đầu tư vòng trước là HTGF và Mätch VC. Các nhà đầu tư tổ chức khác bao gồm Black Forest Labs (BFL), ELLIS (European Laboratory for Learning and Intelligent Systems), Campione Venture và Secunet.

Danh sách các nhà đầu tư thiên thần cũng rất đáng chú ý, bao gồm các cá nhân đến từ các tổ chức AI hàng đầu thế giới:

• Đồng sáng lập của Black Forest Labs (Robin Rombach và Andreas Blattmann)
• Sandro Gianella (Chiến lược và Vận hành Quốc tế, OpenAI)
• Dorothy Chou (Cố vấn Chiến lược, DeepMind)
• Các nhà đầu tư thiên thần khác có liên quan đến Noxtua và ELLIS

TipPFN — Mô hình Dự báo Zero-Shot

Sản phẩm đầu tiên của kausable là TipPFN (Tipping Point Prior-data Fitted Network), một mô hình dự báo zero-shot có khả năng phát hiện mức độ gần kề của một hệ thống với một bước chuyển pha tới hạn hay "điểm tới hạn" (tipping point). Thông tin chi tiết:

• Được công bố dưới dạng một bài báo nghiên cứu (arXiv 2605.12308) hợp tác với Đại học Columbia
• Sử dụng một khuôn khổ học trong ngữ cảnh (in-context learning) với một mạng được trang bị dữ liệu ưu tiên (prior-data fitted network) để suy luận về mức độ gần kề của các bước chuyển pha tới hạn từ các chuỗi thời gian ngắn, nhiễu
• Chứng minh khả năng phát hiện sớm các bước chuyển pha tới hạn (critical transitions) tốt nhất hiện nay trong các hệ thống động lực chưa từng thấy, bao gồm chuyển giao sim-to-real và các quan sát trong thế giới thực
• Tuyên bố có hiệu suất mạnh mẽ trên 14 lĩnh vực khác nhau, với khả năng tổng quát hóa zero-shot cho các hệ thống mà nó chưa được huấn luyện rõ ràng
• Nhằm mục tiêu dự đoán các sự kiện "thiên nga đen" (black swan events) — những sự kiện hiếm gặp, có tác động lớn — trong các lĩnh vực y tế, năng lượng, tài chính và khí hậu

Trang web của công ty cho biết TipPFN "chứng minh tính ưu việt của nó trên 14 lĩnh vực, thậm chí thể hiện khả năng zero-shot". Tuy nhiên, tính đến thời điểm công bố vòng gọi vốn, kausable vẫn chưa công bố một sản phẩm thương mại đại trà, mức giá công khai, khách hàng sản xuất hay kết quả triển khai độc lập nào.

Các ứng dụng được lên kế hoạch

kausable đang nhắm mục tiêu vào ba lĩnh vực chính mà các mô hình AI tĩnh hiện tại tỏ ra yếu kém:

• Robot (Robotics) — các mô hình thế giới có thể thích ứng với môi trường thay đổi mà không cần đào tạo lại, giúp robot xử lý các tình huống mới một cách linh hoạt
• Dự báo (Forecasting) — phát hiện các điểm tới hạn trong các hệ thống phức tạp (ví dụ: sự cố lưới điện, bùng phát dịch bệnh, khủng hoảng tài chính) bằng cách sử dụng TipPFN
• Hệ thống công nghiệp (Industrial systems) — AI có thể mở rộng, được triển khai trên toàn bộ bối cảnh công nghiệp mà không trở thành một loạt các dự án đào tạo lại tốn kém, riêng lẻ

Công ty mô tả sứ mệnh của mình là "AI tiên phong thích ứng nhanh như thế giới xung quanh nó", biến AI từ các mô hình tĩnh, phụ thuộc vào đào tạo lại thành các hệ thống có thể được triển khai rộng rãi và tiếp tục hoạt động khi các điều kiện thay đổi.

Kết luận

Vòng gọi vốn Seed 12 triệu Euro của kausable là một canh bạc vào một cách tiếp cận khác về cơ bản đối với AI — một cách tiếp cận nhấn mạnh vào suy luận nhân quả, dữ liệu tổng hợp và học trong ngữ cảnh thay vì các quá trình huấn luyện ngày càng lớn. Những tuyên bố của công ty rất tham vọng: các mô hình có thể thích ứng với các tình huống mới từ một số ít ví dụ, dự đoán các sự kiện thảm khốc hiếm gặp và tiếp tục hoạt động khi thế giới thay đổi. Bài báo nghiên cứu về TipPFN cung cấp sự xác nhận từ giới học thuật, nhưng startup này vẫn chưa tung ra một sản phẩm thương mại nào hay chứng minh được việc triển khai trên quy mô lớn trong thế giới thực. 12 đến 18 tháng tới sẽ cho thấy liệu cách tiếp cận "lý luận trước" của họ có thể chuyển từ nghiên cứu hấp dẫn sang các hệ thống sẵn sàng cho doanh nghiệp hay không.