Entrevistas
Massimiliano Moruzzi, Fundador y CEO de Xaba – Serie de Entrevistas
Massimiliano Moruzzi, fundador y CEO de Xaba, es un ejecutivo de automatización industrial y AI con una larga trayectoria y una profunda experiencia que abarca la robótica, los sistemas de fabricación, la maquinaria CNC y el control industrial impulsado por AI. Antes de fundar Xaba en 2022, ocupó puestos de liderazgo en Augmenta, donde dirigió esfuerzos de investigación y desarrollo centrados en la automatización impulsada por AI, y anteriormente se desempeñó en puestos de ingeniería y desarrollo de software senior en Ingersoll Machine Tools y IMTA. A lo largo de más de dos décadas en tecnología industrial, Moruzzi se ha centrado en cerrar la brecha entre la robótica avanzada y el despliegue de fabricación práctico, con un énfasis particular en permitir que las máquinas operen de manera más inteligente, adaptativa y autónoma.
Xaba es una empresa de AI industrial con sede en Toronto que desarrolla lo que describe como “cerebros sintéticos” para robots industriales y sistemas de fábrica. La plataforma de la empresa combina AI generativa, aprendizaje por refuerzo, control de robótica y automatización industrial para permitir que los robots, las máquinas CNC y los sistemas controlados por PLC se auto-programen y se adapten en tiempo real sin codificación manual. Sus tecnologías insignia, incluidas xCognition y PLCfy, están diseñadas para automatizar la programación de robótica, optimizar los flujos de trabajo de fabricación y acelerar el despliegue en industrias como la aeroespacial, la automotriz y la fabricación avanzada. Xaba posiciona su tecnología como una forma de modernizar la automatización de fábricas reemplazando los sistemas rígidos y programados manualmente con un control cognitivo impulsado por AI capaz de aprender de los datos operativos y ajustarse dinámicamente a entornos de producción en constante cambio.
¿Qué fue lo que inicialmente despertó la idea para Xaba, y cuándo se dio cuenta de que los robots industriales necesitaban un enfoque fundamentalmente diferente, esencialmente un cerebro sintético en lugar de más líneas de código?
La chispa surgió al observar cómo la mayoría de los robots industriales fallan a nivel básico de variabilidad. Estas máquinas son mecánicamente precisas, pero cognitivamente frágiles. Pequeños cambios en las tolerancias de las piezas, los parámetros del proceso o el comportamiento de los materiales pueden desbaratar toda una operación.
La respuesta de la industria ha sido consistente: escribir más código, agregar costosos accesorios rígidos para eliminar la variabilidad, capas de más reglas, confiar en la supervisión humana y mantener recalibrando el sistema.
Fue entonces cuando me di cuenta: este no es un problema de software, es un cerebro que falta.
Hoy en día, los robots industriales y los controladores ejecutan ciegamente instrucciones sin entender si el resultado es realmente bueno o malo. No razonan sobre el mundo físico que los rodea.
Los robots no fallan porque les falta codificación; fallan porque les falta comprensión. Los humanos no confiamos en miles de líneas de código para apretar un tornillo o aplicar adhesivo. Nos adaptamos instintivamente según la fuerza, el movimiento y la retroalimentación física.
Se hizo evidente que los robots industriales necesitan un sistema de razonamiento sintético basado en la física, no solo otra capa de programación.
¿Cómo influyó su experiencia en Augmenta AI y en roles anteriores en su perspectiva al entrar en Xaba, y qué brechas o perspicacias específicas lo impulsaron a construir esta empresa?
En Augmenta AI, nos centrábamos profundamente en la toma de decisiones impulsada por AI, la optimización y la autonomía. Lo que se hizo obvio es que la mayoría de los sistemas de AI operaban de manera abstracta, es decir, optimizaban representaciones de datos en lugar de interactuar con la realidad física.
En roles anteriores, había visto proyectos de automatización estancarse o fallar no porque los robots no fueran capaces, sino porque la carga de ingeniería era insostenible. La brecha era clara: no había una capa de inteligencia que pudiera conectar la intención de alto nivel con la física del mundo real. Xaba existe para cerrar esa brecha, dando a las máquinas la capacidad de razonar sobre la fuerza, el movimiento, las restricciones y los resultados de la misma manera que los humanos habilidosos.
Xaba está construyendo el primer sistema de GenAI basado en física para robots industriales. ¿Cómo se diferencia este enfoque de la programación de robots tradicional y de los modelos de AI actuales?
La programación de robots tradicional depende de rutas predefinidas, parámetros de proceso, fuerzas y secuencias de acciones. Asume que el entorno se comporta de la misma manera cada vez, como un modelo CAD.
Los modelos de AI actuales toman un enfoque diferente, pero todavía son en gran medida estadísticos. Son buenos para la predicción y la imitación, pero no entienden verdaderamente la causa y el efecto físico.
El enfoque de Xaba introduce un tercer paradigma. En lugar de confiar principalmente en datos visuales o instrucciones estáticas, utilizamos datos de sensores en serie como la fuerza, la temperatura, la aceleración, la tensión, la acústica y la vibración para entender la física subyacente de un proceso.
Esto le da al sistema una comprensión de cómo las acciones impactan los resultados. En lugar de seguir simplemente instrucciones, la máquina puede adaptarse en tiempo real cuando las condiciones cambian.
Estamos moviendo a los robots industriales desde la automatización rígida hacia sistemas que pueden razonar físicamente sobre el trabajo que están realizando.
¿Cómo mejora el razonamiento sintético la calidad, la repetibilidad y la adaptabilidad en tiempo real en el piso de la fábrica?
El razonamiento sintético permite que los robots se adapten durante la tarea. Si la resistencia cambia, el robot se ajusta en consecuencia. Si el comportamiento del material cambia, adapta el movimiento. Esto conduce a una mayor calidad porque el robot responde a la realidad, no a suposiciones.
La repetibilidad mejora porque el sistema no reproduce trayectorias frágiles; resuelve la tarea cada vez basándose en la intención física. Y la adaptabilidad se vuelve nativa, no una excepción que requiere reprogramación.
¿Por qué cree que el próximo gran avance en AI ocurrirá en sistemas físicos, en lugar de sistemas puramente digitales?
Porque el mundo real funciona según la física, no según correlaciones. La mayoría de la AI de hoy se construye alrededor del reconocimiento de patrones y la predicción.
Los mayores avances en AI hasta ahora han ocurrido en entornos digitales donde el reconocimiento de patrones a menudo es suficiente. Pero los sistemas físicos como la soldadura, el mecanizado y el ensamblaje funcionan de manera diferente. Dependen de relaciones causales entre la fuerza, la energía, la temperatura, el movimiento y el comportamiento de los materiales. En estos entornos, pequeñas variaciones pueden romper un proceso, y los errores tienen consecuencias reales.
Es por eso que el próximo avance requiere un cambio de la predicción basada en datos a un razonamiento basado en la física.
La AI basada en física permite este cambio. Al utilizar datos de sensores en serie para extraer las ecuaciones gobernantes de un proceso, la AI puede moverse de adivinar resultados a entender cómo se comporta el sistema. Esto permite que las máquinas se adapten en tiempo real, incluso bajo variabilidad.
- AI digital → en gran medida construida alrededor de la correlación, la predicción y la generación de contenido.
- AI basada en física → Permite que las máquinas razonen, se adapten y respondan a condiciones del mundo real en tiempo real.
La próxima ola de AI no estará definida por mejores LLM o Juegos de Imitación, sino por máquinas que puedan entender y controlar la realidad.
¿Qué hace que la infraestructura de automatización actual esté desactualizada, y qué se necesita para arreglarla a escala industrial?
La infraestructura actual se basa en la suposición de que la variabilidad es el enemigo. Todo es rígido, sobreingenierizado y costoso de mantener. No se escala bien porque cada nueva variación de producto o proceso requiere una gran intervención humana.
Arreglar esto requiere un cambio de la programación a la cognición. Necesitas una capa de inteligencia universal que pueda sentarse sobre el hardware existente y hacerlo adaptable. Esa es la forma de modernizar la automatización sin desechar décadas de inversión.
Muchas empresas manufactureras luchan con tareas que todavía requieren miles de líneas de código y semanas de calibración. ¿Cómo elimina Xaba este cuello de botella?
Las empresas manufactureras llegan a ese cuello de botella porque los sistemas actuales están impulsados por código y basados en la imitación, no en la comprensión. Confían en miles de líneas de lógica o en modelos de AI entrenados en píxeles y videos, a lo que a menudo llamamos un juego de imitación. Estos enfoques capturan patrones, pero no entienden el proceso subyacente.
Xaba toma un camino fundamentalmente diferente.
Utilizamos datos de sensores en serie, fuerza, temperatura, corriente y vibración para construir una nueva clase de modelos fundamentales basados en la física. En lugar de aprender correlaciones, nuestra AI basada en física extrae las ecuaciones gobernantes del proceso. Esto le da al sistema una comprensión causal verdadera de cómo las acciones afectan los resultados.
A partir de ahí, el sistema genera acciones físicamente válidas en tiempo real. El robot no reproduce ejemplos o sigue código predefinido; razona sobre el proceso antes de actuar y se adapta continuamente bajo variabilidad.
En la práctica, eso significa no miles de líneas de código, no confianza en la imitación basada en píxeles y no recalibración constante cuando las condiciones cambian. En su lugar, obtienes un sistema que entiende la física y la controla. Esa es la forma de moverse de la programación y la imitación al verdadero razonamiento físico y el control autónomo.
Los robots que aprenden de demostraciones es un cambio audaz. ¿Qué hitos técnicos hicieron que esto fuera posible, y qué limitaciones aún existen hoy en día?
Los robots que aprenden de demostraciones son un paso importante, pero todavía es en gran medida un enfoque basado en la imitación. Estos sistemas mapean observaciones (como píxeles o trayectorias) a acciones sin entender la física subyacente de la tarea.
Desde una perspectiva de AI basada en física, el hito real es moverse de la imitación a la comprensión causal.
Lo que hizo que esto fuera posible es:
- Avances en la percepción (modelos de visión-lenguaje, datos multimodales)
- Conjuntos de datos a gran escala de comportamiento humano y de robots
- Políticas mejoradas que pueden mapear observaciones a acciones
Pero estos sistemas todavía son fundamentalmente impulsados por la correlación. Pueden replicar lo que han visto, pero luchan cuando:
- Los materiales se comportan de manera diferente
- Los parámetros del proceso cambian
- La geometría o las tolerancias varían
- La física del mundo real se desvía de los datos de entrenamiento
Esa es donde se hacen evidentes las limitaciones.
En Xaba, tomamos un enfoque diferente. En lugar de aprender qué hacer a partir de demostraciones, aprendemos por qué funciona.
Utilizando datos de sensores en serie, Xaba extrae las ecuaciones físicas gobernantes del proceso. Esto crea un modelo de AI basado en física que entiende cómo se comporta el sistema bajo diferentes condiciones.
El verdadero avance proviene de la capacidad de la máquina para razonar sobre fuerzas, energía y comportamiento de materiales, adaptarse en tiempo real y generar acciones físicamente válidas.
¿Cómo se adapta el sistema de Xaba a condiciones del mundo real impredecibles, como variaciones de materiales, desgaste de herramientas o cambios ambientales sutiles?
Porque el sistema razona continuamente sobre la fuerza, el movimiento y los resultados, puede detectar cuando la realidad se desvía de las expectativas y ajustarse en tiempo real. El desgaste de herramientas se convierte en una variable, no en un fallo. La variación del material se convierte en parte del bucle de razonamiento.
Esto es fundamentalmente diferente del manejo de errores basado en umbrales; es una adaptación continua.
Mirando hacia adelante cinco años, ¿cómo ve el futuro de la GenAI basada en física, y qué aspecto tendrá una fábrica completamente autónoma habilitada por el razonamiento sintético?
Desde mi perspectiva, los próximos cinco años marcarán la transición de la automatización a la verdadera fabricación cognitiva.
La GenAI basada en física evolucionará desde la optimización de tareas individuales a la construcción de modelos fundamentales para sistemas industriales completos. En lugar de entrenar en píxeles o trayectorias pasadas, estos sistemas aprenderán continuamente de la fuerza, la temperatura, la energía y la dinámica, permitiendo una comprensión causal de cada operación.
El cambio es profundo:
- De la programación → estrategias de control auto-generadas
- De modelos estáticos → sistemas que aprenden continuamente
- De la correlación → razonamiento basado en la física
Una fábrica completamente autónoma habilitada por el razonamiento sintético será fundamentalmente diferente. Las máquinas se auto-programarán según los resultados deseados, se adaptarán en tiempo real a la variabilidad en materiales y geometría, y controlarán inherentemente la calidad en lugar de inspeccionarla después del hecho. El conocimiento no estará aislado; se propagará a través de máquinas, líneas y incluso fábricas, mejorando el rendimiento continuamente.
Pero la transformación más importante es humana. Con un verdadero cerebro sintético para la fabricación, la relación entre humanos y máquinas se vuelve bidireccional. Los humanos no solo programarán máquinas, sino que también aprenderán de ellas, al igual que las máquinas aprenden de la intención y la experiencia humanas.
La automatización deja de ser una función de trabajo y se convierte en una plataforma para el crecimiento de carrera, el aprendizaje continuo y el descubrimiento. Ingenieros, operadores y técnicos colaborarán con sistemas que explican, se adaptan y elevan su comprensión de los procesos físicos.
En ese mundo, no hay semanas de calibración ni miles de líneas de código. La fábrica opera como un sistema coordinado, consciente de la física, que amplifica la capacidad y la perspicacia humana.
En última instancia, nos movemos de fábricas que ejecutan instrucciones a fábricas que entienden, razonan y evolucionan con los humanos. Ese es el futuro que estamos construyendo en Xaba.
Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Xaba.
