kausable获1200万欧元种子轮融资：构建无需重新训练、通过因果推理自主适应的新一代AI

现代AI有一个‘重新训练’的问题。每当世界发生变化——传感器漂移、工厂产线重组、病毒变异——大多数模型都需要一次昂贵且耗时的重新训练。一家名为kausable、总部位于德国海德堡的深度科技初创公司正试图改变这一现状。

2026年7月23日，kausable宣布完成一笔1200万欧元的种子轮融资，由德国风投UVC Partners和比利时投资机构Entourage联合领投，之前的种子轮投资者HTGF（德国高科技创投基金）和Mätch VC也参与了本轮跟投。 这是继此前150万欧元种子前融资之后的又一次融资，使这家成立于2025年的公司总融资额达到1350万欧元。

不同的路径：因果世界模型替代重新训练

kausable的方法并非持续更新模型的内部权重，而是对基础模型进行一次训练，然后利用基于合成数据和上下文学习构建的“因果世界模型”，通过短时间观察推断任何新系统的内在结构。 该公司声称，当环境变化时，该模型能继续工作，无需再次昂贵的训练周期。

其核心论点在于，当前的AI系统本质上是静态的：它们记忆训练数据中的模式，一旦现实发生变化就会失效。kausable将其替代方案称为“推理优先（reasoning-first）”AI——这种模型的设计目标是像人类一样学习和适应，利用因果推理来理解系统行为背后的“为什么”，并据此进行调整。

核心创始人

kausable由三位在海德堡大学相识的物理学家联合创立：

• Johannes Haux —— 首席执行官（CEO）
• Dr. Benjamin Herdeanu —— 首席技术官（CTO）
• Gregor Ramien —— 首席运营官（COO）

三人均拥有海德堡大学的科研背景，并在网络安全、银行业和初创公司等领域的实际应用方面积累了经验。 该公司脱胎于海德堡大学物理与天文学系，与孕育出Black Forest Labs的科研环境相同。

投资者与支持者

本轮种子轮由德国UVC Partners和比利时Entourage联合领投，原有种子轮投资者HTGF和Mätch VC跟投。 其他机构支持者包括Black Forest Labs (BFL)、欧洲学习与智能系统实验室 (ELLIS)、Campione Venture和Secunet。

天使投资人阵容尤为亮眼，汇聚了顶级AI领域的知名人士：

• Black Forest Labs的联合创始人（Robin Rombach和Andreas Blattmann）
• Sandro Gianella（OpenAI国际战略与运营负责人）
• Dorothy Chou（DeepMind战略顾问）
• 其他与Noxtua和ELLIS有关联的天使投资人

TipPFN —— 零样本预测模型

kausable的首个产品是TipPFN（临界点先验数据拟合网络），这是一个零样本预测模型，用于检测系统接近关键转变或“临界点”的状态。 关键信息如下：

• 与哥伦比亚大学合作，以科研论文形式发表（arXiv 2605.12308）
• 采用结合先验数据拟合网络的上下文学习框架，从短且带有噪声的时间序列中推断系统接近临界点的程度
• 在之前未见过的动态系统中实现了临界转变的早期检测，包括仿真到现实的迁移以及真实世界观测
• 声称在14个领域具有稳健性能，并具备零样本泛化能力，能够应对其未经过明确训练的系统
• 目标是在医疗、能源、金融和气候领域预测“黑天鹅”事件——罕见但影响巨大的事件

公司官方网站称TipPFN“在14个领域证明其优越性，甚至展现出零样本能力”。 然而，截至融资公告发布，kausable尚未发布自助商业产品、公开定价、生产客户或独立验证的部署结果。

计划应用领域

kausable瞄准了三个静态AI模型难以胜任的广阔领域：

• 机器人技术 —— 能够适应不断变化环境的世界模型，使机器人能够即时处理新情况，而无需重新训练。
• 预测分析 —— 利用TipPFN检测复杂系统（如电网故障、疾病爆发、金融危机）中的临界点。
• 工业系统 —— 可大规模部署的可扩展AI，能够覆盖整个工业场景，避免成为一个又一个昂贵的“一次性”重新训练项目。

kausable将其使命描述为打造“能像周围世界一样快速适应的前沿AI”，将AI从静态、依赖重训的模型转变为可以广泛部署、并能在条件变化时持续工作的系统。

总结

kausable的1200万欧元种子轮融资，是一场针对AI根本性不同路径的押注——它强调因果推理、合成数据和上下文学习，而非越来越大的训练规模。其雄心勃勃的声称是：能从少量样本中适应新情况、预测罕见灾难性事件，并在世界变化时持续工作。TipPFN的研究论文提供了学术验证，但这家初创公司尚未推出商业化产品或展示大规模的、经得起检验的实际部署成果。 未来12至18个月将验证其“推理优先”之路能否从引人注目的研究转变为企业级就绪的系统。