Since 2018, we have been conducting fundamental research and experimental development of innovative AI architectures. These activities form the technological and methodological basis of the Conclusion Cognitive Models (CCMs).
In mid-2025, we spun off our research into a separate research unit—the Advanced Cognitive Systems Lab—to focus and intensify our research even more strongly. For us, CCMs are not the goal, but the beginning of a new class of cognitive systems—powerful, controllable, and safe.
Our research follows a clear vision: Machines that can think—
traceably, controllably, and safely. CCMs are just the first step.
We research cognitive architectures that represent a symbiosis of Artificial Intelligence, Cognitive Science, and sophisticated System Engineering, in order to design powerful and reliable reasoning architectures for AI systems.
We research how AI models can reflect on their own reasoning process and autonomously optimize it within human-defined boundaries. This creates resource efficiency and expanded capabilities for our CCMs.
Powerful AI systems require special attention regarding all safety-relevant aspects. We develop and research architecturally embedded safeguarding and control mechanisms that are insurmountable for AI systems. In our cognitive architectures, safety is not a feature—but a design principle.
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
Um Denk- und Handlungs-KI strategisch kontrollierbar zu machen, haben wir ihre grundlegende Architektur neu gedacht — nicht in Modellen, sondern in Systemen. Dazu stellen wir Sprachmodellen mit unserer eigenständigen Cognitive Control Unit ein Denk-Zentrum an die Seite, welches die Hypothesen des Sprachmodells zerlegt, analysiert und überprüft. Im Ergebnis entstehen logisch nachvollziehbare und begründete Denkpfade.
Cognitive Memory ist der dynamische Arbeitsspeicher unserer Thinking- / Conclusion-Machines, der alle Denk-Artefakte zwischenspeichert und der Cognitive Control Unit zur Verfügung stellt. Dieser wird in Lang- & Kurzzeitspeicher unterteilt, der den zu verarbeitenden Kontext aktiv steuert, um die entsprechende Artefakte zu generieren und zu validieren. Diese Steuerung ermöglicht es, gezielt und strukturiert Zusammenhänge zu ziehen und zu erschließen.
Wahre Souveränität bedeutet, starke KI dort nutzen zu können, wo sie gebraucht wird – auch auf ressourcenschonender Low-End-Hardware. Wir forschen an Methoden, um anspruchsvolle KI-Modelle auf solchen „Low-Profile“-Umgebungen hocheffizient zu betreiben. Dies maximiert nicht nur Ihre Unabhängigkeit, sondern ermöglicht auch völlig neue Anwendungsfälle direkt am Ort des Geschehens.
Um Denk- und Handlungs-KI strategisch kontrollierbar zu machen, haben wir ihre grundlegende Architektur neu gedacht — nicht in Modellen, sondern in Systemen. Dazu stellen wir Sprachmodellen mit unserer eigenständigen Reasoning Engine einen Gegenspieler an die Seite, der die Hypothesen des Sprachmodells zerlegt, analysiert und überprüft. Im Ergebnis entstehen logisch nachvollziehbare und begründete Schlussfolgerungen, die als Grundlage belastbarer Entscheidungen dienen.
Die Qualität von Trainings-Daten hat einen maßgeblichen Einfluss auf das Verhalten von KI-Systemen. Statt uns auf externe Quellen zu verlassen, erzeugen wir mit unserer Open-Source-Pipeline SynthIOS unsere eigenen hochqualitativen Trainingsdaten. So stellen wir sicher, dass die hinterlegten Modelle auf der bestmöglichen und relevantesten Wissensbasis operieren und frei von unerwünschten Verzerrungen sind. Wir entwickeln unsere Daten-Pipelines kontinuierlich weiter.
Um Kognitive Modelle strategisch kontrollierbar zu machen, haben wir ihre grundlegende Architektur neu gedacht — nicht rein auf Basis von Transformen, sondern in Modell-Systemen. Dazu stellen wir Sprachmodellen mit unserer eigenständigen Cognitive Control Unit ein Denk-Zentrum an die Seite, welches die Hypothesen des Sprachmodells zerlegt, analysiert und überprüft. Im Ergebnis entstehen logisch nachvollziehbare und begründete Denkpfade.
Cognitive Memory ist der dynamische Arbeitsspeicher unserer Conclusion Models , der alle Cognitive Artifacts zwischenspeichert und der Cognitive Control Unit zur Verfügung stellt. Dieser wird in Lang- & Kurzzeitspeicher unterteilt, der den zu verarbeitenden Kontext aktiv steuert, um die entsprechende Artefakte zu generieren und zu validieren. Diese Steuerung ermöglicht es, gezielt und strukturiert Zusammenhänge zu ziehen und zu erschließen.
Wahre Souveränität bedeutet, starke KI dort nutzen zu können, wo sie gebraucht wird – auch auf ressourcenschonender Low-End-Hardware. Wir forschen an Methoden, um anspruchsvolle KI-Modelle auf solchen „Low-Profile“-Umgebungen hocheffizient zu betreiben. Dies maximiert nicht nur Ihre Unabhängigkeit, sondern ermöglicht auch völlig neue Anwendungsfälle direkt am Ort des Geschehens.
Um unsere Mission weiter voranzutreiben, arbeiten wir gezielt an der Optimierung der zentralen Stellschrauben. Damit verschieben wir die Grenzen des Machbaren, ohne dabei die Sicherheit und Zuverlässigkeit aus den Augen zu verlieren. Bei unserer Tochtergesellschaft ACSL betreiben wir Grundlagenforschung, um die heutigen modellzentrierten KI-Architekturen zu architektonisch fundierten Kognitiven Modellen weiterzuentwickeln. Dies basiert auf unserer innovativen Leibniz-von-Neumann-Architektur – einem spezifischen Entwurf für Verbundsystemstrukturen, der die Stärken der Sprachmodell-Technologie aufgreift und zugleich deren strukturelle Grenzen in Bezug auf Sicherheit, Zuverlässigkeit und menschliche Kontrolle überwindet.
Die Leistungsfähigkeit von kognitiver Intelligenz wird u.a. durch die Qualität der hinterlegten Cognitive Schemata bestimmt. Das Ziel der ACSL ist es, diese Schemata kontinuierlich zu verbessern und auch für komplexeste Denk-Pfade nutzbar zu machen. Wir praktizieren experimentelle Forschung, wie wir diese Steigerung der Intelligenz bei gleichzeitiger Beibehaltung von Sicherheit und Kontrolle als durchgängigem Grund-Prinzip erreichen können. Die Ergebnisse werden öffentlich publiziert und für die Nutzbarmachung in der Wirtschaft dokumentiert und aufbereitet.
Die Qualität von Trainings-Daten hat einen maßgeblichen Einfluss auf das Verhalten von KI-Systemen. Statt uns auf externe Quellen zu verlassen, erzeugen wir mit unserer Open-Source-Pipeline SynthIOS unsere eigenen hochqualitativen Trainingsdaten. So stellen wir sicher, dass die hinterlegten Modelle auf der bestmöglichen und relevantesten Wissensbasis operieren und frei von unerwünschten Verzerrungen sind. Wir entwickeln unsere Daten-Pipelines kontinuierlich weiter.
Eine kontrollierbare Architektur verdient eine präzise Sprache. Damit unsere Systeme nicht nur logisch korrekt, sondern auch in Ihrer spezifischen Domäne exzellent kommunizieren, passen wir Open-Weight-Sprachmodelle mit LoRA (Low-Rank Adaptation) an. Außerdem forschen wir an innovativen Methoden, das Kontextfenster signifikant (Faktor x2, x4 oder gar x8) zu erweitern. Damit erweitern wir gezielt die Fähigkeiten von EU AI Act konformen Open-Source Modellen, um diese für den Business-Einsatz verwend- & anpassbar zu machen.
Die Qualität von Trainings-Daten hat einen maßgeblichen Einfluss auf das Verhalten von KI-Systemen. Statt uns auf externe Quellen zu verlassen, erzeugen wir mit unserer Open-Source-Pipeline SynthIOS unsere eigenen hochqualitativen Trainingsdaten. So stellen wir sicher, dass die hinterlegten Modelle auf der bestmöglichen und relevantesten Wissensbasis operieren und frei von unerwünschten Verzerrungen sind. Wir entwickeln unsere Daten-Pipelines kontinuierlich weiter.
Eine kontrollierbare Architektur verdient eine präzise Sprache. Damit unsere Systeme nicht nur logisch korrekt, sondern auch in Ihrer spezifischen Domäne exzellent kommunizieren, passen wir Open-Weight-Sprachmodelle mit LoRA (Low-Rank Adaptation) an. Außerdem forschen wir an innovativen Methoden, das Kontextfenster signifikant (Faktor x2, x4 oder gar x8) zu erweitern. Damit erweitern wir gezielt die Fähigkeiten von EU AI Act konformen Open-Source Modellen, um diese für den Business-Einsatz verwend- & anpassbar zu machen.
Die Qualität von Trainings-Daten hat einen maßgeblichen Einfluss auf das Verhalten von KI-Systemen. Statt uns auf externe Quellen zu verlassen, erzeugen wir mit unserer Open-Source-Pipeline SynthIOS unsere eigenen hochqualitativen Trainingsdaten. So stellen wir sicher, dass die hinterlegten Modelle auf der bestmöglichen und relevantesten Wissensbasis operieren und frei von unerwünschten Verzerrungen sind. Wir entwickeln unsere Daten-Pipelines kontinuierlich weiter.
Unsere Forschungsagenda verfolgt ein klares, strategisches Ziel: wir machen kontrollierbare KI intelligenter, zugänglicher und leistungsfähiger. Indem wir die Denkfähigkeit der Architektur vertiefen, ihre Effizienz auf jeder Hardware maximieren und die Fähigkeiten konformer Open-Source-Modelle gezielt erweitern, gestalten wir aktiv die nächste Generation souveräner Kognitiver Modelle.
So stellen wir sicher, dass unsere Technologie nicht nur heute führend ist, sondern auch morgen die Standards für vertrauenswürdige künstliche Intelligenz setzt.
