Massimiliano Moruzzi, grundlægger og administrerende direktør for Xaba – Interviewserie

Massimiliano Moruzzi, grundlægger og administrerende direktør for Xaba, er en erfaren industrial automation og AI-ekspert med dyb viden indenfor robotteknologi, produktionsystemer, CNC-maskiner og AI-drevet industrial kontrol. Før han grundlagde Xaba i 2022, havde han ledende stillinger hos Augmenta, hvor han ledte forsknings- og udviklingsindsatsen med fokus på AI-drevet automation, og tidligere havde han senior ingeniør- og softwareudviklingsstillinger hos Ingersoll Machine Tools og IMTA. Gennem mere end to årtier i industrial teknologi har Moruzzi fokuseret på at brobygge mellem avanceret robotteknologi og praktisk produktionsudførelse, med særlig vægt på at give maskiner mulighed for at fungere mere intelligently, adaptivt og autonomt.

Xaba er et Toronto-baseret industrial AI-selskab, der udvikler, hvad de beskriver som “syntetiske hjerner” til industrielle robotter og fabrikssystemer. Selskabets platform kombinerer generativ AI, forstærkningslæring, robotkontrol og industrial automation for at give robotter, CNC-maskiner og PLC-styrede systemer mulighed for at selvprogrammere og tilpasse sig i realtid uden manuel kodning. Deres flagskibsteknologier, herunder xCognition og PLCfy, er designet til at automatisere robotprogrammering, optimere produktionsflow og accelerere implementering på tværs af brancher som luftfart, bilindustri og avanceret produktion. Xaba positionerer deres teknologi som en måde at modernisere fabriksautomation ved at erstatte stive, manuelt programmerede systemer med AI-drevet kognitiv kontrol, der kan lære af operationsdata og dynamisk tilpasse sig ændringer i produktionsmiljøet.

Hvad var det, der først fik idéen til Xaba til at blive sparket i gang, og hvornår gik det op for dig, at industrielle robotter havde brug for en fundamentalt anderledes tilgang — essentielt en syntetisk hjernel i stedet for flere linjer kode?

Sparken kom fra iagttagelsen af, hvordan de fleste industrielle robotter fejler på det mest grundlæggende niveau af variation. Disse maskiner er mekanisk præcise, men kognitivt skrøbelige. Små ændringer i dele-tolerancer, procesparametre eller materialeopførsel kan bringe en hel operation i uorden.

Branchens svar har været konsekvent: skriv mere kode, tilføj dyre, stive fikseringer for at eliminere variation, lag på flere regler, afhæng af menneskelig overvågning og fortsæt med at kalibrere systemet.

Det var da, at det gik op for mig: dette er ikke et softwareproblem — det er en manglende hjernel.

I dag udfører industrielle robotter og kontrolsystemer blindt instruktioner uden at forstå, om resultatet er godt eller dårligt. De forstår ikke den fysiske verden omkring dem.

Robotterne fejler ikke, fordi de mangler instruktioner; de fejler, fordi de mangler forståelse. Mennesker afhænger ikke af tusinder af linjer kode for at stramme en bolte eller påføre lim. Vi tilpasser os instinktivt baseret på kraft, bevægelse og fysisk feedback.

Det blev klart, at industrielle robotter har brug for et syntetisk resonemssystem, der er baseret på fysik, ikke kun endnu en lag programmering.

Hvordan har din erfaring hos Augmenta AI og tidligere stillinger formet din perspektiv, da du gik ind i Xaba, og hvilke specifikke huller eller indsigt fik dig til at bygge dette selskab?

Hos Augmenta AI var vi dybt fokuseret på AI-drevet beslutningstagning, optimering og autonomi. Det, der blev åbenbart, var, at de fleste AI-systemer opererede på en abstrakt måde, hvilket betyder, at de optimerede datarepræsentationer i stedet for at interagere med den fysiske virkelighed.

I tidligere stillinger havde jeg set automatiseringsprojekter stagnere eller fejle, ikke fordi robotterne ikke var i stand til det, men fordi den tekniske overhæng var uholdbar. Hullerne var klare: der var ingen intelligenslag, der kunne forbinde højt niveau-intention med fysisk virkelighed. Xaba eksisterer for at brobygge dette hul, og give maskiner mulighed for at forstå og resonere omkring kraft, bevægelse, begrænsninger og resultater på samme måde, som dygtige mennesker gør.

Xaba bygger verdens første fysik-baserede GenAI-system til industrielle robotter. Hvordan adskiller denne tilgang sig fra traditionel robotprogrammering og fra dagens mainstream AI-modeller?

Traditionel robotprogrammering afhænger af foruddefinerede baner, procesparametre, kræfter og sekvenser af handlinger. Det antager, at miljøet opfører sig på samme måde hver gang, som en CAD-model.

Mainstream AI-modeller tager en anden tilgang, men de er stadig overvejende statistiske. De er gode til forudsigelse og imitation, men de forstår ikke rigtigt den fysiske årsag og virkning.

Xabas Fysik-AI introducerer en tredje paradigm. I stedet for at afhænge primært af visuel data eller statiske instruktioner, bruger vi tidsrække-data fra sensorer som kraft, temperatur, acceleration, spænding, akustik og vibration for at forstå den underliggende fysik i en proces.

Dette giver systemet en forståelse af, hvordan handlinger påvirker resultater. I stedet for blot at følge instruktioner, kan maskinen tilpasse sig i realtid, når betingelserne ændrer sig.

Vi flytter industrielle robotter fra stiv automation til systemer, der kan resonere fysisk omkring det arbejde, de udfører.

Hvordan forbedrer syntetisk resonemssystem kvalitet, gentagelighed og realtids-tilpasning på fabriksgulvet?

Syntetisk resonemssystem giver robotter mulighed for at tilpasse sig under opgaven. Hvis modstand ændrer sig, kompenserer robotten derefter. Hvis materialeopførsel ændrer sig, tilpasser den bevægelsen. Dette fører til højere kvalitet, fordi robotten reagerer på virkeligheden, ikke antagelser.

Gentagelighed forbedres, fordi systemet ikke afspiller skrøbelige baner; det løser opgaven igen hver gang baseret på fysisk intention. Og tilpasning bliver naturlig, ikke en undtagelse, der kræver omprogrammering.

Hvorfor tror du, at den næste store gennembrud i AI vil ske i fysiske systemer, snarere end ren digitale?

Fordi den virkelige verden kører på fysik, ikke korrelationer. Det meste af dagens AI er bygget op omkring mønstergenkendelse og forudsigelse.

De største AI-gennembrud indtil nu er sket i digitale miljøer, hvor mønstergenkendelse ofte er nok. Men fysiske systemer som svejsning, maskinbearbejdning og samling fungerer anderledes. De afhænger af årsagsforhold mellem kraft, energi, temperatur, bevægelse og materialeopførsel. I disse miljøer kan små variationer bryde en proces, og fejl har reelle konsekvenser.

Dette er hvorfor det næste gennembrud kræver en skift fra data-drevet forudsigelse til fysik-baseret resonemssystem.

Fysik-AI muliggør dette skift. Ved at bruge tidsrække-data fra sensorer til at trække de styrende ligninger for en proces, kan AI flytte fra at gætte resultater til at forstå, hvordan systemet opfører sig. Dette giver maskiner mulighed for at tilpasse sig i realtid, selv under variation.

• Digital AI → overvejende bygget op omkring korrelation, forudsigelse og indholdsgenerering.
• Fysik-AI → giver maskiner mulighed for at resonere, tilpasse sig og reagere på virkelige betingelser i realtid.

Det næste bølge af AI vil ikke blive defineret af bedre LLM’er eller Imitation Games, men af maskiner, der kan forstå og kontrollere virkeligheden.

Hvad gør i dagens automatiseringsinfrastruktur forældet, og hvad kræver det at rette til på en branchøomfattende skala?

I dagens infrastruktur er bygget op på antagelsen, at variation er fjenden. Alt er stift, overingeniøret og dyrt at vedligeholde. Det skalerer ikke godt, fordi hver ny produkt- eller procesvariation kræver massiv menneskelig intervention.

At rette til dette kræver en skift fra programmering til kognition. Du har brug for et universelt intelligenslag, der kan sidde på toppen af eksisterende hardware og gøre den adaptiv. Det er, hvordan du moderniserer automation uden at rive ud af årtiers investering.

Mange fabrikanter kæmper med opgaver, der stadig kræver tusinder af linjer kode og uger af kalibrering. Hvordan eliminerer Xaba denne flaskehals?

Fabrikanter rammer denne flaskehals, fordi dagens systemer er kode-drevne og imitation-baserede, ikke forståelses-drevne. De afhænger af tusinder af linjer logik eller af AI-modeller trænet på pixels og videoer, som vi ofte kalder en imitationsskue. Disse tilgange fanger mønstre, men de forstår ikke den underliggende proces.

Xaba tager en fundamentalt anderledes vej.

Vi bruger tidsrække-data fra sensorer, kraft, temperatur, strøm og vibration til at bygge en ny klasse af grundlæggende modeller baseret på fysik. I stedet for at lære korrelationer, trækker vores Fysik-AI de styrende ligninger for processen. Dette giver systemet en sand årsagsforståelse af, hvordan handlinger påvirker resultater.

Fra derfra genererer systemet fysisk gyldige handlinger i realtid. Robotten afspiller ikke eksempler eller følger foruddefineret kode; den resonerer omkring processen, før den handler, og tilpasser sig kontinuerligt under variation.

I praksis betyder det, at der ikke er brug for tusinder af linjer kode, ikke afhæng af pixel-baseret imitation og ikke konstant kalibrering, når betingelserne ændrer sig. I stedet får du et system, der forstår fysikken og kontrollerer den. Det er, hvordan vi flytter fra programmering og imitation til sand fysisk resonemssystem og autonom kontrol.

Robotter, der lærer af demonstration, er en dristig skift. Hvordan tekniske milepæle gjorde dette muligt, og hvilke begrænsninger findes der stadig i dag?

Robotter, der lærer af demonstration, er et vigtigt skridt, men det er stadig overvejende en imitation-baseret tilgang. Disse systemer mapper observationer (som pixels eller baner) til handlinger uden at forstå den underliggende fysik i opgaven.

Fra et Fysik-AI-perspektiv er det rigtige milepæl at flytte fra imitation til årsagsforståelse.

Hvad gjorde dette muligt er:

• Fremgang i perception (vision-sprog-modeller, multimodal data)
• Større datasets af menneskelig og robotadfærd
• Forbedrede politikker, der kan kortlægge observationer til handlinger

Men disse systemer er stadig overvejende korrelations-drevne. De kan replikere, hvad de har set, men de kæmper, når:

• Materialer opfører sig anderledes
• Procesparametre ændrer sig
• Geometri eller tolerancer varierer
• Virkelige fysik afviger fra træningsdata

Det er, hvor begrænsningerne bliver klare.

Hos Xaba tager vi en anden vej.

I stedet for at lære, hvad man skal gøre af demonstrationer, lærer vi, hvorfor det virker.

Vi bruger tidsrække-data fra sensorer til at trække de styrende fysikligninger for processen. Dette skaber en grundlæggende Fysik-AI-model, der forstår, hvordan systemet opfører sig under forskellige betingelser.

Det rigtige gennembrud kommer fra maskinens evne til at resonere omkring kræfter, energi og materialeopførsel, tilpasse sig i realtid og generere fysisk gyldige handlinger.

Hvordan tilpasser Xabas system sig til uforudsigelige virkelige betingelser — materialevariationer, værktøjs-slitage eller subtile miljøændringer?

Fordi systemet kontinuerligt resonerer omkring kraft, bevægelse og resultater, kan det registrere, når virkeligheden afviger fra forventningerne, og justere i realtid. Værktøjs-slitage bliver en variabel, ikke en fejl. Materialevariation bliver en del af resonemssystemet.

Dette er fundamentalt anderledes end threshold-baseret fejlhåndtering — det er kontinuerlig tilpasning.

Om fem år, hvordan ser du, at fysik-baseret GenAI udvikler sig, og hvad ser en fuldt autonom fabrik, der er aktiveret af syntetisk resonemssystem, ud som?

Fra mit perspektiv vil de næste fem år markere overgangen fra automation til sand kognitiv produktion.

Fysik-baseret GenAI vil udvikle sig fra at optimere enkeltopgaver til at bygge grundlæggende modeller for hele industrielle systemer. I stedet for at træne på pixels eller tidligere baner vil disse systemer kontinuerligt lære af kraft, temperatur, energi og dynamik, og muliggøre årsagsforståelse af hver operation.

Skiftet er dybt:

• Fra programmering → selv-genererende kontrolstrategier
• Fra statiske modeller → kontinuerligt lærings-systemer
• Fra korrelation → fysik-baseret resonemssystem

En fuldt autonom fabrik, der er aktiveret af syntetisk resonemssystem, vil se fundamentalt anderledes ud. Maskiner vil selvprogrammere baseret på ønskede resultater, tilpasse sig i realtid til variationer i materialer og geometri, og inherent kontrollere kvalitet i stedet for at inspicere det efterfølgende. Viden vil ikke være siloet — den vil sprede sig over maskiner, linjer og selv fabrikker, og forbedre ydeevnen kontinuerligt.

Men den vigtigste transformation er menneskelig. Med en sand syntetisk hjernel til produktion bliver forholdet mellem mennesker og maskiner to-vejs. Mennesker vil ikke kun programmere maskiner, men også lære af dem, ligesom maskiner lærer af menneskelig intention og erfaring.

Automation stopper med at være en arbejdsfunktion og bliver en platform for karriereudvikling, kontinuerlig læring og opdagelse. Ingeniører, operatører og tekniske specialister vil samarbejde med systemer, der forklarer, tilpasser sig og forhøjer deres forståelse af fysiske processer.

I den verden er der ingen uger af kalibrering eller tusinder af linjer kode. Fabrikken opererer som et koordineret, fysik-bevidst system, der forstærker menneskelig evne og indsigt.

Ultimat vil vi flytte fra fabrikker, der udfører instruktioner, til fabrikker, der forstår, resonerer og sam-evolverer med mennesker. Det er fremtiden, vi bygger hos Xaba.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Xaba.