Massimiliano Moruzzi, zakladatel a generální ředitel Xaba – Interview Series

Massimiliano Moruzzi, zakladatel a generální ředitel Xaba, je dlouholetý odborník v oblasti průmyslové automatizace a umělé inteligence s hlubokými znalostmi v oblasti robotiky, výrobních systémů, CNC strojů a AI řízené průmyslové kontroly. Před založením Xaba v roce 2022 zastával vedoucí pozice v Augmenta AI, kde vedl výzkum a vývoj zaměřený na AI poháněnou automatizaci, a dříve působil ve vedoucích inženýrských a softwarových pozicích ve společnostech Ingersoll Machine Tools a IMTA. Během více než dvou desetiletí v oblasti průmyslové technologie se Moruzzi zaměřil na překlenutí mezery mezi pokročilou robotikou a praktickou výrobní implementací, se zvláštním důrazem na umožnění strojům fungovat inteligentněji, adaptivněji a autonomněji.

Xaba je torontská průmyslová AI společnost, která vyvíjí to, co označuje jako „syntetické mozky“ pro průmyslové roboty a výrobní systémy. Platforma společnosti kombinuje generativní AI, učení s posilováním, řízení robotiky a průmyslovou automatizaci, aby umožnila robotům, CNC strojům a PLC řízeným systémům samo-programování a adaptaci v reálném čase bez manuálního kódování. Jejich vlajkové technologie, včetně xCognition a PLCfy, jsou navrženy tak, aby automatizovaly programování robotů, optimalizovaly výrobní procesy a urychlovaly nasazení v různých odvětvích, jako je letecký průmysl, automobilový průmysl a pokročilá výroba. Xaba позициuje svou technologii jako způsob, jak modernizovat výrobní automatizaci nahrazováním rigidních, manuálně programovaných systémů AI poháněnou kognitivní kontrolou, která je schopna učit se z provozních dat a dynamicky přizpůsobovat se měnícím se výrobním podmínkám.

Co poprvé vyvolalo nápad na Xaba, a kdy jste si uvědomili, že průmyslové roboty potřebují fundamentálně jiný přístup — vlastně syntetický mozek místo dalších řádků kódu?

Impuls přišel z pozorování, jak většina průmyslových robotů selhává na základní úrovni variability. Tyto stroje jsou mechanicky přesné, ale kognitivně křehké. Malé změny v tolerancích dílů, procesních parametrech nebo chování materiálu mohou vyřadit整个 operaci.

Průmysl reagoval konzistentně: napsat více kódu, přidat drahé rigidní příslušenství k eliminaci variability, přidat více pravidel, spoléhat se na lidský dohled a neustále přeprogramovávat systém.

To je okamžik, kdy mě napadlo: toto není softwareový problém — je to chybějící mozek.

Dnešní průmyslové roboty a kontroléry slepě vykonávají instrukce bez understanding, zda výsledek je skutečně dobrý nebo špatný. Nerozumí fyzickému světu kolem nich.

Roboty neselhávají kvůli nedostatku instrukcí; selhávají kvůli nedostatku understanding. Lidé se nespoléhají na tisíce řádků kódu, aby utáhli šroub nebo aplikovali lepidlo. Adaptují se instinktivně na základě síly, pohybu a fyzické zpětné vazby.

Stalo se jasné, že průmyslové roboty potřebují syntetický rozumový systém založený na fyzice, ne jen další vrstvu programování.

Jak vaše zkušenosti v Augmenta AI a dřívějších rolích ovlivnily váš pohled na Xaba, a jaké konkrétní mezery nebo poznatky vás vedly k založení této společnosti?

V Augmenta AI jsme se soustředili na AI poháněné rozhodování, optimalizaci a autonomii. Stalo se zřejmým, že většina AI systémů funguje abstraktně, tj. optimalizuje datové reprezentace místo interakce s fyzickou realitou.

V dřívějších rolích jsem viděl, jak automatizační projekty uvízly nebo selhaly ne kvůli tomu, že roboty nebyly schopné, ale kvůli neudržitelné inženýrské zátěži. Mezera byla zřejmá: chyběla inteligentní vrstva, která by mohla propojit vysoké úrovně záměru s fyzickou realitou. Xaba existuje, aby tuto mezeru překlenula, a dala strojům schopnost rozumět fyzice, pohybu, omezením a výsledkům stejně jako zkušení lidé.

Xaba buduje první fyzikálně založený GenAI systém pro průmyslové roboty. Jak se tento přístup liší od tradičního programování robotů a od dnešních hlavních AI modelů?

Tradiční programování robotů závisí na předdefinovaných cestách, procesních parametrech, silách a sekvencích akcí. Předpokládá, že prostředí se chová stejně pokaždé, jako CAD model.

Hlavní AI modely používají jiný přístup, ale jsou stále převážně statistické. Jsou dobré v předpovídání a imitaci, ale ne真正 rozumí fyzické příčině a účinku.

Xabaův Physics-AI představuje třetí paradigm. Místo toho, aby se spoléhal primárně na vizuální data nebo statické instrukce, používáme časové řady dat ze senzorů, jako je síla, teplota, zrychlení, napětí, akustika a vibrace, abychom pochopili základní fyziku procesu.

To dává systému understanding, jak akce ovlivňují výsledky. Místo toho, aby následoval instrukce, stroj se může přizpůsobit v reálném čase, když se podmínky mění.

Přestáváme průmyslové roboty z rigidní automatizace na systémy, které mohou rozumět fyzice práce, kterou vykonávají.

Jak syntetický rozum zlepšuje kvalitu, opakovatelnost a reálnou adaptabilitu na výrobní ploše?

Syntetický rozum umožňuje robotům přizpůsobit se během úkolu. Pokud se odpor změní, robot kompenzuje odpovídajícím způsobem. Pokud se změní chování materiálu, přizpůsobí pohyb.

To vede k vyšší kvalitě, protože robot reaguje na realitu, ne na předpoklady.

Opakovatelnost se zlepšuje, protože systém není přehráván křehké trajektorie; řeší úkol znovu každým okamžikem na základě fyzického záměru. A adaptabilita se stává nativní, ne výjimkou, která vyžaduje přeprogramování.

Proč věříte, že další velký průlom v AI nastane ve fyzických systémech, a ne pouze v digitálních?

Protože skutečný svět funguje na fyzice, ne na korelacích. Většina dnešní AI je postavena kolem rozpoznávání vzorců a předpovídání.

Největší AI průlomy dosud nastaly v digitálních prostředích, kde rozpoznávání vzorců často stačí. Ale fyzické systémy, jako je svařování, obrábění a montáž, fungují jinak. Závisí na kauzálních vztazích mezi silou, energií, teplotou, pohybem a chováním materiálu. V těchto prostředích mohou malé variace rozbit proces a chyby mají skutečné důsledky.

To je důvod, proč další průlom vyžaduje posun od datově řízené předpovědi k fyzice založenému rozumění.

Physics-AI umožňuje tento posun. Používáním časových řad dat ze senzorů k extrahování základních rovnic procesu může AI přejít od hádání výsledků k understanding, jak systém funguje. To umožňuje strojům přizpůsobit se v reálném čase, i při variabilitě.

• Digitální AI → převážně postavená na korelaci, předpovědi a generaci obsahu.
• Physics-AI → umožňuje strojům rozumět, přizpůsobit se a reagovat na reálné podmínky v reálném čase.

Další vlna AI nebude definována lepšími LLM nebo Imitation Games, ale stroji, které mohou rozumět a řídit realitu.

Co dělá dnešní infrastrukturu automatizace zastaralou, a co je potřeba udělat, aby se to napravilo na úrovni celého průmyslu?

Dnešní infrastruktura je postavena na předpokladu, že variabilita je nepřítelem. Vše je rigidní, nadměrně inženýrsky navržené a drahé na údržbu. Nefunguje dobře, protože každá nová produktová nebo procesní variace vyžaduje masivní lidskou intervenci.

Nappravění tohoto stavu vyžaduje posun od programování k kognici. Potřebujete univerzální inteligentní vrstvu, která může sedět na stávající hardwaru a udělat ho adaptivním. To je způsob, jak modernizovat automatizaci bez odstranění desetiletí investic.

Mnozí výrobci bojují s úkoly, které stále vyžadují tisíce řádků kódu a týdny kalibrace. Jak Xaba eliminuje tuto úzkou místa?

Výrobci narazí na tuto úzkou místa, protože dnešní systémy jsou řízeny kódem a založeny na imitaci, ne na understanding. Spoléhají se na tisíce řádků logiky nebo na AI modely trénované na pixelech a videích, které často nazýváme imitační hrou. Tyto přístupy zachycují vzorce, ale nerozumí základnímu procesu.

Xaba jde fundamentálně jinou cestou.

Používáme časové řady dat ze senzorů, síly, teploty, proudu a vibrace, abychom vytvořili novou třídu základních modelů založených na fyzice. Místo učení korelací naše Physics-AI extrahuje základní rovnice procesu. To dává systému skutečné kauzální understanding, jak akce ovlivňují výsledky.

Z toho systém generuje fyzicky platné akce v reálném čase. Robot nepřehrává příklady nebo nenásleduje předdefinovaný kód; rozumí procesu před akcí a přizpůsobuje se neustále při variabilitě.

V praxi to znamená, že nejsou potřeba tisíce řádků kódu, není potřeba spoléhat se na pixelovou imitaci a není potřeba neustálé přeprogramování, když se podmínky mění. Místo toho máte systém, který rozumí fyzice a řídí ji. To je způsob, jak se přesunout od programování a imitace k skutečnému fyzickému rozumění a autonomnímu řízení.

Roboty, které se učí z demonstrace, jsou odvážným krokem. Jaké technické milníky umožnily tuto změnu, a jaké omezení stále existují dnes?

Roboty, které se učí z demonstrace, jsou důležitým krokem, ale stále je to převážně imitační přístup. Tyto systémy mapují pozorování (jako pixely nebo trajektorie) na akce bez understanding základního fyzického procesu.

Z pohledu Physics-AI je skutečným milníkem posun od imitace k kauzálnímu understanding.

Co to umožnilo, je:

• Pokroky v percepční technologii (modely vizuálního jazyka, multimodální data)
• Velké datové sady lidského a robotického chování
• Vylepšené politiky, které mohou mapovat pozorování na akce

Ale tyto systémy jsou stále fundamentálně korelační. Mohou replikovat to, co viděli, ale bojují, když:

• Materiály se chovají jinak
• Procesní parametry se mění
• Geometrie nebo tolerance se liší
• Skutečná fyzika se odchyluje od trénovacích dat

To je místo, kde se omezení stávají zřejmými.

V Xaba jdeme jinou cestou. Místo toho, abychom se učili, co dělat z demonstrací, se učíme, proč to funguje.

Používáním časových řad dat ze senzorů Xaba extrahuje základní fyzické rovnice procesu. To vytváří základ Physics-AI modelu, který rozumí, jak systém funguje za různých podmínek.

Skutečný průlom přichází ze schopnosti stroje rozumět silám, energii a chování materiálu, přizpůsobit se v reálném čase a generovat fyzicky platné akce.

Jak systém Xaba přizpůsobuje se nepředvídatelným reálným podmínkám — variacím materiálu, opotřebení nástrojů nebo jemným změnám prostředí?

Protože systém neustále rozumí síle, pohybu a výsledkům, může detekovat, když realita se odchyluje od očekávání, a přizpůsobit se v reálném čase. Opotřebení nástrojů se stává proměnnou, ne selháním. Variace materiálu se stává součástí rozumovací smyčky.

To je fundamentálně odlišné od prahových chybových zpracování — je to kontinuální adaptace.

Pohledem do budoucna, pět let, jak vidíte vývoj fyzikálně založené GenAI, a co vypadá plně autonomní továrna, vybavená syntetickým rozumem?

Z mé perspektivy budou příští pět let znamenat přechod od automatizace k skutečné kognitivní výrobě.

Fyzikálně založená GenAI se bude vyvíjet z optimalizace jednotlivých úkolů na vytváření základních modelů pro celé průmyslové systémy. Místo trénování na pixelech nebo minulých trajektoriích budou tyto systémy neustále učit se ze síly, teploty, energie a dynamiky, umožňující kauzální understanding každé operace.

Změna je zásadní:

• Od programování → samo-generování kontrolních strategií
• Od statických modelů → kontinuálně se učí systémy
• Od korelace → fyzice založenému rozumění

Plně autonomní továrna, vybavená syntetickým rozumem, bude vypadat fundamentálně jinak. Stroje se budou samo-programovat na základě požadovaných výsledků, přizpůsobovat se v reálném čase variacím materiálu a geometrie, a vnitřně řídit kvalitu, místo toho, aby ji kontrolovali dodatečně. Znalosti nebudou izolované — budou se šířit napříč stroji, linkami a dokonce i továrnami, zlepšujíce výkon neustále.

Ale nej重要nější transformace je lidská. S skutečným syntetickým mozkem pro výrobu se vztah mezi lidmi a stroji stává oboustranným. Lidé nebudou pouze programovat stroje, ale budou se učit od nich, stejně jako stroje se učí od lidského záměru a zkušeností.

Automatizace přestává být funkcí a stává se platformou pro kariérní růst, kontinuální učení a objevování. Inženýři, operátoři a technici budou spolupracovat se systémy, které vysvětlují, přizpůsobují se a zvyšují jejich understanding fyzických procesů.

V tom světě nejsou týdny kalibrace nebo tisíce řádků kódu. Továrna funguje jako koordinovaný, fyzice vědomý systém, který zvyšuje lidské schopnosti a understanding.

Nakonec se přesuneme od továren, které vykonávají instrukce, k továrnám, které rozumí, rozumují a ko-evoluují s lidmi. To je budoucnost, kterou stavíme v Xaba.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Xaba.