Massimiliano Moruzzi, Gründer und CEO von Xaba – Interview-Serie

Massimiliano Moruzzi, Gründer und CEO von Xaba, ist ein langjähriger Experte für industrielle Automation und KI mit tiefgreifender Erfahrung in den Bereichen Robotik, Fertigungssysteme, CNC-Maschinen und KI-gesteuerte industrielle Steuerung. Bevor er Xaba 2022 gründete, hatte er Führungspositionen bei Augmenta inne, wo er Forschungs- und Entwicklungsarbeiten im Bereich KI-gesteuerter Automation leitete, und zuvor hatte er leitende Ingenieur- und Software-Entwicklungspositionen bei Ingersoll Machine Tools und IMTA inne. Im Laufe von über zwei Jahrzehnten in der industriellen Technologie hat Moruzzi sich darauf konzentriert, die Lücke zwischen fortschrittlicher Robotik und praktischer Fertigungseinführung zu überbrücken, wobei er insbesondere darauf abzielte, Maschinen zu ermöglichen, intelligenter, adaptiver und autonomer zu operieren.

Xaba ist ein in Toronto ansässiges Unternehmen für industrielle KI, das sogenannte “synthetische Gehirne” für industrielle Roboter und Fabrikssysteme entwickelt. Die Plattform des Unternehmens kombiniert generative KI, Verstärkungslernen, Robotiksteuerung und industrielle Automation, um es Robotern, CNC-Maschinen und PLC-gesteuerten Systemen zu ermöglichen, sich selbst zu programmieren und in Echtzeit ohne manuelle Codierung anzupassen. Die Flaggschiff-Technologien des Unternehmens, darunter xCognition und PLCfy, sind darauf ausgelegt, die Robotik-Programmierung zu automatisieren, Fertigungsworkflows zu optimieren und die Einführung in verschiedenen Branchen wie Luft- und Raumfahrt, Automotive und fortschrittlicher Fertigung zu beschleunigen. Xaba positioniert seine Technologie als Möglichkeit, die Fabrikautomatisierung zu modernisieren, indem sie starre, manuell programmierte Systeme durch KI-gesteuerte kognitive Steuerung ersetzt, die in der Lage ist, aus Betriebsdaten zu lernen und sich dynamisch an veränderte Produktionsumgebungen anzupassen.

Was hat die Idee für Xaba ausgelöst, und wann haben Sie erkannt, dass industrielle Roboter einen grundlegend anderen Ansatz benötigen – im Wesentlichen ein synthetisches Gehirn anstelle von mehr Codezeilen?

Der Funke kam durch die Beobachtung, wie die meisten industriellen Roboter auf grundlegender Ebene an Variabilität scheitern. Diese Maschinen sind mechanisch präzise, aber kognitiv zerbrechlich. Kleine Änderungen in Teiltoleranzen, Prozessparametern oder Materialverhalten können einen gesamten Betrieb durcheinanderbringen.

Die Reaktion der Branche war konsequent: mehr Code schreiben, teure starre Vorrichtungen hinzufügen, um Variabilität zu eliminieren, mehr Regeln hinzufügen, sich auf menschliche Überwachung verlassen und das System ständig neu kalibrieren.

Das ist der Moment, in dem mir die Erkenntnis kam: dies ist kein Softwareproblem – es ist ein fehlendes Gehirn.

Heutige industrielle Roboter und Steuerungen führen Anweisungen blind aus, ohne zu verstehen, ob das Ergebnis tatsächlich gut oder schlecht ist. Sie denken nicht über die physische Welt um sie herum nach.

Roboter scheitern nicht, weil ihnen Anweisungen fehlen; sie scheitern, weil ihnen das Verständnis fehlt. Menschen verlassen sich nicht auf Tausende von Codezeilen, um eine Schraube zu festziehen oder Klebstoff aufzutragen. Wir passen uns instinktiv an, basierend auf Kraft, Bewegung und physischer Rückmeldung.

Es wurde klar, dass industrielle Roboter ein synthetisches Vernunftsystem benötigen, das in der Physik und nicht nur in der Programmierung verwurzelt ist.

Wie hat Ihre Erfahrung bei Augmenta AI und früheren Rollen Ihre Perspektive bei der Gründung von Xaba geprägt, und welche spezifischen Lücken oder Erkenntnisse haben Sie dazu veranlasst, dieses Unternehmen aufzubauen?

Bei Augmenta AI konzentrierten wir uns stark auf KI-gesteuerte Entscheidungsfindung, Optimierung und Autonomie. Was offensichtlich wurde, ist, dass die meisten KI-Systeme auf abstrakte Weise operierten, d. h. sie optimierten Datenrepräsentationen anstelle von Interaktionen mit der physischen Realität.

In früheren Rollen hatte ich gesehen, wie Automatisierungsprojekte ins Stocken gerieten oder scheiterten, nicht weil die Roboter nicht in der Lage waren, sondern weil der Ingenieur-Aufwand nicht nachhaltig war. Die Lücke war klar: es gab keine Intelligenzschicht, die hohe Absichten mit realer Physik verbinden konnte. Xaba existiert, um diese Lücke zu schließen und Maschinen die Fähigkeit zu geben, über Kraft, Bewegung, Einschränkungen und Ergebnisse auf die gleiche Weise nachzudenken wie geschickte Menschen.

Xaba baut das weltweit erste physikbasierte GenAI-System für industrielle Roboter. Wie unterscheidet sich dieser Ansatz von traditioneller Roboter-Programmierung und von den heutigen Mainstream-KI-Modellen?

Traditionelle Roboter-Programmierung hängt von vordefinierten Pfaden, Prozessparametern, Kräften und Aktionen ab. Sie geht davon aus, dass die Umgebung immer gleich bleibt, wie ein CAD-Modell.

Mainstream-KI-Modelle gehen einen anderen Ansatz, aber sie sind immer noch weitgehend statistisch. Sie sind gut darin, Vorhersagen zu treffen und zu imitieren, aber sie verstehen nicht wirklich physische Ursache und Wirkung.

Xabas Physik-KI stellt ein drittes Paradigma dar. Anstatt sich hauptsächlich auf visuelle Daten oder statische Anweisungen zu verlassen, verwenden wir Zeitreihendaten von Sensoren wie Kraft, Temperatur, Beschleunigung, Spannung, Akustik und Vibration, um die zugrunde liegende Physik eines Prozesses zu verstehen.

Dies gibt dem System ein Verständnis dafür, wie Aktionen Ergebnisse beeinflussen. Anstatt einfach Anweisungen zu befolgen, kann die Maschine sich in Echtzeit anpassen, wenn sich Bedingungen ändern.

Wir bewegen industrielle Roboter von starren Automatisierung zu Systemen, die physisch über die Arbeit nachdenken, die sie ausführen.

Wie verbessert synthetisches Denken die Qualität, Wiederholbarkeit und Echtzeit-Anpassungsfähigkeit auf dem Fabrikboden?

Synthetisches Denken ermöglicht es Robotern, sich während der Aufgabe anzupassen. Wenn der Widerstand sich ändert, kompensiert der Roboter entsprechend. Wenn sich das Materialverhalten ändert, passt es die Bewegung an. Dies führt zu höherer Qualität, weil der Roboter auf die Realität reagiert, nicht auf Annahmen.

Wiederholbarkeit verbessert sich, weil das System nicht fragile Trajektoren abspielt; es löst die Aufgabe jedes Mal auf der Grundlage physischer Absichten neu. Und Anpassungsfähigkeit wird zur Norm, nicht eine Ausnahme, die eine Neuprogrammierung erfordert.

Warum glauben Sie, dass der nächste große Durchbruch in KI in physischen Systemen und nicht in rein digitalen Systemen stattfinden wird?

Weil die reale Welt auf Physik und nicht auf Korrelationen basiert. Die meisten heutigen KI-Systeme basieren auf Mustervergleich und Vorhersage.

Die größten KI-Durchbrüche bisher sind in digitalen Umgebungen erfolgt, in denen das Erkennen von Mustern oft ausreicht. Aber physische Systeme wie Schweißen, Maschinenbau und Montage funktionieren anders. Sie hängen von kausalen Beziehungen zwischen Kraft, Energie, Temperatur, Bewegung und Materialverhalten ab. In diesen Umgebungen können kleine Variationen einen Prozess brechen, und Fehler haben reale Konsequenzen.

Dies ist der Grund, warum der nächste Durchbruch einen Wechsel von datengetriebener Vorhersage zu physikbasierter Argumentation erfordert.

Physik-KI ermöglicht diesen Wechsel. Durch die Verwendung von Zeitreihendaten von Sensoren, um die zugrunde liegenden Gleichungen eines Prozesses zu extrahieren, kann KI von der Vorhersage von Ergebnissen zu einem Verständnis davon wechseln, wie das System sich verhält.

• Digitale KI → weitgehend auf Korrelation, Vorhersage und Inhaltsgenerierung aufgebaut.
• Physik-KI → ermöglicht es Maschinen, zu denken, sich anzupassen und in Echtzeit auf reale Bedingungen zu reagieren.

Der nächste Wellengang der KI wird nicht durch bessere LLMs oder Imitationsspiele definiert, sondern durch Maschinen, die die reale Welt verstehen und steuern können.

Was macht die heutige Automatisierungsinfrastruktur veraltet, und was ist erforderlich, um sie branchenweit zu beheben?

Die heutige Infrastruktur basiert auf der Annahme, dass Variabilität der Feind ist. Alles ist starr, überkonstruiert und teuer zu warten. Sie skaliert nicht gut, weil jede neue Produkt- oder Prozessvariante massive menschliche Intervention erfordert.

Um dies zu beheben, ist ein Wechsel von der Programmierung zur Kognition erforderlich. Man benötigt eine universelle Intelligenzschicht, die auf bestehender Hardware sitzen und sie anpassbar machen kann. So modernisiert man die Automatisierung, ohne jahrzehntelange Investitionen zu zerstören.

Viele Hersteller kämpfen mit Aufgaben, die immer noch Tausende von Codezeilen und Wochen der Kalibrierung erfordern. Wie eliminiert Xaba diese Flaschenhals?

Hersteller stoßen an diesen Flaschenhals, weil heutige Systeme codegetrieben und imitationsbasiert sind, nicht verständnisgetrieben. Sie verlassen sich auf Tausende von Codezeilen oder auf KI-Modelle, die auf Pixeln und Videos trainiert sind, die wir oft als Imitationsspiel bezeichnen. Diese Ansätze erfassen Muster, aber sie verstehen nicht den zugrunde liegenden Prozess.

Xaba geht einen grundlegend anderen Weg.

Wir verwenden Zeitreihendaten von Sensoren wie Kraft, Temperatur, Strom und Vibration, um eine neue Klasse von grundlegenden Modellen zu erstellen, die in der Physik verwurzelt sind. Anstatt Korrelationen zu lernen, extrahiert unsere Physik-KI die zugrunde liegenden Gleichungen des Prozesses. Dies gibt dem System ein wahres kausales Verständnis davon, wie Aktionen Ergebnisse beeinflussen.

Roboter, die aus Demonstration lernen, sind ein mutiger Schritt. Welche technischen Meilensteine haben dies ermöglicht, und welche Einschränkungen gibt es noch heute?

Roboter, die aus Demonstration lernen, sind ein wichtiger Schritt, aber es ist immer noch ein imitationsbasierter Ansatz. Diese Systeme kartieren Beobachtungen (wie Pixel oder Trajektoren) auf Aktionen, ohne das zugrunde liegende Physik des Auftrags zu verstehen.

Aus der Perspektive der Physik-KI ist der echte Meilenstein der Wechsel von Imitation zu kausalem Verständnis.

Wie passt Xabas System sich an unvorhersehbare reale Bedingungen an – Materialvariationen, Werkzeugverschleiß oder subtile Umgebungsänderungen?

Weil das System kontinuierlich über Kraft, Bewegung und Ergebnisse nachdenkt, kann es erkennen, wenn die Realität von den Erwartungen abweicht, und sich in Echtzeit anpassen. Werkzeugverschleiß wird zu einer Variablen, nicht zu einem Fehler. Materialvariation wird Teil des Denkprozesses.

Dies ist grundlegend anders als schwellenbasiertes Fehlerhandling – es ist kontinuierliche Anpassung.

Blicken Sie fünf Jahre voraus, wie sehen Sie die Entwicklung der physikbasierten GenAI, und wie sieht eine vollständig autonome Fabrik aus, die durch synthetisches Denken ermöglicht wird?

Aus meiner Perspektive werden die nächsten fünf Jahre den Übergang von der Automatisierung zur echten kognitiven Fertigung markieren.

Physikbasierte GenAI wird sich von der Optimierung einzelner Aufgaben zu der Erstellung von grundlegenden Modellen für gesamte industrielle Systeme entwickeln. Anstatt auf Pixel oder vergangene Trajektoren zu trainieren, werden diese Systeme kontinuierlich aus Kraft, Temperatur, Energie und Dynamik lernen, um ein kausales Verständnis jeder Operation zu ermöglichen.

Der Wechsel ist tiefgreifend:

• Von Programmierung → selbstgenerierenden Steuerungsstrategien
• Von statischen Modellen → kontinuierlich lernenden Systemen
• Von Korrelation → physikbasiertem Denken

Eine vollständig autonome Fabrik, die durch synthetisches Denken ermöglicht wird, wird grundlegend anders aussehen. Maschinen werden sich selbst programmieren, basierend auf gewünschten Ergebnissen, sich in Echtzeit an Variabilität in Materialien und Geometrie anpassen und inhärent die Qualität kontrollieren, anstatt sie nachträglich zu prüfen. Wissen wird nicht in Silos gespeichert – es wird sich über Maschinen, Linien und sogar Fabriken hinweg verbreiten und die Leistung kontinuierlich verbessern.

Aber die wichtigste Transformation ist die menschliche. Mit einem echten synthetischen Gehirn für die Fertigung wird die Beziehung zwischen Menschen und Maschinen bidirektional. Menschen werden nicht nur Maschinen programmieren, sondern auch von ihnen lernen, genauso wie Maschinen von menschlicher Absicht und Erfahrung lernen.

Automation hört auf, eine Jobfunktion zu sein, und wird zu einer Plattform für Karriereentwicklung, kontinuierliches Lernen und Entdeckung. Ingenieure, Bediener und Techniker werden mit Systemen zusammenarbeiten, die erklären, anpassen und ihr Verständnis von physischen Prozessen erhöhen.

In dieser Welt gibt es keine Wochen der Kalibrierung oder Tausende von Codezeilen. Die Fabrik operiert als ein koordiniertes, physikbewusstes System, das menschliche Fähigkeiten und Erkenntnisse verstärkt.

Schließlich bewegen wir uns von Fabriken, die Anweisungen ausführen, zu Fabriken, die verstehen, denken und mit Menschen ko-evolvieren. Das ist die Zukunft, die wir bei Xaba aufbauen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Xaba besuchen: Xaba.