kausable 獲 €1200 萬融資 開發無需重新訓練嘅「推理優先」AI

現代AI有一個好大嘅問題：每次個世界有啲變化——感應器漂移、生產線重組、病毒變異——大多數模型都要花好多錢同時間重新訓練。一間叫 kausable 嘅海德堡深度科技初創，就係要話俾你聽：呢件事唔一定要咁樣發生。

2026年7月23日，kausable 宣佈完成 €1200 萬種子輪融資。呢輪由德國創投 UVC Partners 同比利時投資者 Entourage 共同領投，之前嘅種子前投資者 HTGF（High-Tech Gründerfonds）同 Mätch VC 亦有跟投 。呢間2025年成立嘅公司，之前已經籌咗 €150 萬種子前資金，而家累計融資總額達到 €1350 萬 。

唔同嘅做法：用因果世界模型代替重新訓練

kausable 嘅做法好特別：佢哋唔係不斷更新模型嘅內部權重，而係先訓練好一個基礎模型，然後用因果「世界模型」——建基於合成數據同埋情境學習——去推斷一個新系統嘅底層結構，而只需要好短時間嘅觀察 。公司聲稱，當環境改變嘅時候，呢個模型仍然可以繼續運作，唔使再跑一次昂貴嘅訓練 。

佢哋嘅核心論點係：而家嘅AI系統本質上係靜態嘅——佢哋只係記住訓練數據入面嘅模式，一旦個世界變咗，就會失效。kausable 將佢哋嘅方案稱為「推理優先」AI——模仿人類嘅學習同適應方式，用因果推理去理解一個系統點解咁樣運作，然後相應調整 。

主要創辦人

kausable 由三位海德堡大學出身嘅物理學家創立：

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

三位創辦人都喺海德堡大學做過學術研究，亦喺網絡安全、銀行業同初創領域有實戰經驗 。呢間公司係由海德堡大學物理及天文學系衍生出來，同一個研究環境亦產生咗另一間著名AI公司 Black Forest Labs 。

投資者同支持者

種子輪由 UVC Partners（德國）同 Entourage（比利時）共同領投，之前嘅種子前投資者 HTGF 同 Mätch VC 繼續跟投 。其他機構投資者包括 Black Forest Labs（BFL）、ELLIS（歐洲學習與智能系統實驗室）、Campione Venture 同 Secunet 。

天使投資者嘅陣容相當強勁，來自頂尖AI機構：

• Black Forest Labs 嘅聯合創辦人 Robin Rombach 同 Andreas Blattmann
• Sandro Gianella（OpenAI 國際策略及營運）
• Dorothy Chou（DeepMind 策略顧問）
• 其他來自 Noxtua 同 ELLIS 嘅天使投資者

TipPFN — 零樣本預測模型

kausable 嘅第一個產品係 TipPFN（Tipping Point Prior-data Fitted Network），一個可以偵測系統是否接近臨界轉變（即「 tipping point」）嘅零樣本預測模型 。重點細節：

• 論文與哥倫比亞大學合作發表（arXiv 2605.12308）
• 使用情境學習框架同先驗數據擬合網絡，從短時間、有雜訊嘅時間序列中推斷系統是否接近臨界轉變
• 聲稱可以 提前偵測從未見過嘅動態系統嘅臨界轉變，包括模擬到真實嘅轉移同真實世界觀察
• 喺14個領域展示出強大性能，甚至可以零樣本泛化到冇特別訓練過嘅系統
• 目標係預測 「黑天鵝」事件——即罕見但影響巨大嘅事件——應用範疇包括 醫療、能源、金融同氣候

公司網站話 TipPFN「喺14個領域證實咗其優越性，甚至展現出零樣本能力」。不過，截至融資公佈為止，kausable 仲未推出自助式商業產品、公開定價、生產客戶或者獨立驗證嘅部署結果 。

規劃嘅應用場景

kausable 專注三個靜態AI模型經常失效嘅領域：

• 機械人技術 — 世界模型可以適應不斷變化嘅環境而唔使重新訓練，令機械人可以即時處理新情況
• 預測分析 — 用 TipPFN 偵測複雜系統嘅 tipping point（例如電網故障、疾病爆發、金融危機）
• 工業系統 — 可擴展嘅AI，可以大規模部署成個工業景觀，而唔係變成一系列昂貴嘅一次性重新訓練項目

公司將使命形容為「與世界變化同步嘅前沿AI」——將AI由靜態、依賴重新訓練嘅模型，變成可以廣泛部署、環境變化時仍然可以持續運作嘅系統 。

總結

kausable 嘅 €1200 萬種子輪融資，係對一種根本唔同嘅AI路線嘅信心投票——強調因果推理、合成數據同情境學習，而唔係一味追求更大規模嘅訓練。公司嘅主張好進取：模型可以從少數例子中適應新情況、預測罕見嘅災難性事件，以及喺世界改變時繼續運作。TipPFN 嘅學術論文提供咗學術驗證，但係呢間初創仲未推出商業產品，亦未展示到真實世界大規模部署嘅成果 。未來12至18個月，將會證明呢種「推理優先」嘅方法，能否由令人興奮嘅研究變成企業級嘅實用系統。