Massimiliano Moruzzi, Xaban perustaja ja toimitusjohtaja – Haastattelusarja

Massimiliano Moruzzi, Xaban perustaja ja toimitusjohtaja, on pitkäaikainen teollisen automaation ja tekoälyjohtaja, jolla on syvä asiantuntemus, joka kattaa robotiikan, valmistusjärjestelmät, CNC-koneet ja tekoälyohjatun teollisen ohjauksen. Ennen Xaban perustamista vuonna 2022 hän toimi johtotehtävissä Augmenta AI:ssa, jossa hän johti tutkimus- ja kehitystoimintaa, joka keskittyi tekoälyvoimaiseen automaatioon, ja aiemmin hän toimi seniori-insinöörinä ja ohjelmistokehitystehtävissä Ingersoll Machine Toolsissa ja IMTAssa. Yli kaksi vuosikymmentä kestäneen uransa aikana Moruzzi on keskittynyt siihen, miten voidaan yhdistää edistynyt robotiikka ja käytännön valmistus, erityisesti keskittyen siihen, miten koneet voivat toimia älykkäämmin, sopeutuvammin ja itsenäisemmin.

Xaba on torontolainen teollinen tekoälyyritys, joka kehittää ns. “synthetic brains” -teknologiaa teollisiin roboteihin ja tehdasjärjestelmiin. Yrityksen alusta yhdistää generatiivisen tekoälyn, vahvistusoppimisen, robotin ohjauksen ja teollisen automaation, jotta robotit, CNC-koneet ja PLC-ohjatut järjestelmät voivat itseohjelmoida ja sopeutua reaaliajassa ilman manuaalista koodaamista. Sen lippulaivatuotteet, kuten xCognition ja PLCfy, on suunniteltu automatisoimaan robotin ohjelmointi, optimoida valmistusprosesseja ja nopeuttaa käyttöönottoa eri teollisuusaloilla, kuten ilmailu-, auto- ja edistyneessä valmistuksessa. Xaba esittää teknologiansa modernisoivan tehdasautomaatiota korvaamalla joustamattomat, manuaalisesti ohjelmoitavat järjestelmät tekoälyohjatuilla kognitiivisilla ohjausjärjestelmillä, jotka voivat oppia toimintatietojen perusteella ja sopeutua dynaamisesti muuttuviin tuotantoympäristöihin.

Mikä ensin herätti idean Xaballe, ja milloin tajusit, että teolliset robotit tarvitsevat perustavanlaatuisesti erilaisen lähestymistavan — perustavanlaatuisesti syntetisen aivon sijaan vain lisää koodirivejä?

Kipinä tuli havainnosta, kuinka useimmat teolliset robotit epäonnistuvat perustasolla variabiliteetissa. Nämä koneet ovat mekaanisesti tarkkoja, mutta kognitiivisesti hauraita. Pienten muutosten osalta, kuten osien sallimissa, prosessimuuttujissa tai materiaalin käyttäytymisessä, voidaan koko toiminto häikäistä.

Teollisuuden vastaus on ollut johdonmukainen: kirjoita enemmän koodia, lisää kalliita joustamattomia kiinnikkeitä variabiliteetin poistamiseksi, lisää sääntöjä, turvaa ihmisen valvontaa ja jatka järjestelmän uudelleenkalibrointia.

Silloin tajusin: tämä ei ole ohjelmistoprobleema — tämä on puuttuva aivot.

Nykyiset teolliset robotit ja ohjaimet suorittavat sokeasti ohjeita ilman ymmärtämistä, onko lopputulos hyvä vai huono. Ne eivät pysty päättämään fyysistä maailmaa ympärillään.

Robotit eivät epäonnistu, koska niiden ohjeita puuttuu; ne epäonnistuvat, koska niiden ymmärrys puuttuu. Ihmiset eivät turvaa tuhansiin koodiriveihin kiristääkseen ruuvia tai soveltamaan liimaa. Me sopeudumme vaistomaisesti voiman, liikkeen ja fyysisen palautteen perusteella.

Tuli selväksi, että teolliset robotit tarvitsevat syntetisen päättelyjärjestelmän, joka perustuu fysiikkaan, ei pelkästään ohjelmointiin.

Kuinka kokemuksesi Augmenta AI:ssa ja aiemmissa rooleissa muovasi näkemyksesi Xaban perustamiseen, ja mitkä tarkat aukot tai oivallukset johtivat sinut perustamaan tämän yrityksen?

Augmenta AI:ssa keskityimme syvällisesti tekoälyohjattuihin päätöksiin, optimointiin ja autonomiaan. Mitä selkeäksi tuli, oli se, että useimmat tekoälyjärjestelmät toimivat abstraktilla tavalla, eli ne optimoivat datan esityksiä eikä vuorovaikuta fyysiseen todellisuuteen.

Aiemmista rooleista olin nähnyt, kuinka automaatiohankkeet tyrehtyivät tai epäonnistuivat, koska insinöörien työmäärä oli kestämätön. Aukko oli selvä: ei ollut älykäs kerros, joka voisi yhdistää korkean tason aikomukset ja fyysisen maailman. Xaba on olemassa tämän aukon sulkemiseksi ja antamaan koneille kyvyn päättää voimasta, liikkeestä, rajoituksista ja lopputuloksista samalla tavalla kuin taitavat ihmiset.

Xaba on rakentamassa maailman ensimmäistä fysiikkaan perustuvaa GenAI-järjestelmää teollisiin roboteihin. Miten tämä lähestymistapa eroaa perinteisestä robotti-ohjelmoinnista ja nykyisistä mainstream-tekoälymallista?

Perinteinen robotti-ohjelmointi perustuu ennalta määriteltyihin polkuihin, prosessimuuttujiin, voimiin ja toimien järjestykseen. Se olettaa, että ympäristö käyttäytyy aina samalla tavalla, kuten CAD-mallissa.

Nykyiset tekoälymallit noudattavat toisenlaista lähestymistapaa, mutta ne ovat edelleen pääasiassa tilastollisia. Ne ovat hyviä ennustamisessa ja jäljittelyssä, mutta eivät todella ymmärrä fyysistä syy-seuraussuhdetta.

Xaban fysiikkaan perustuva tekoäly esittää kolmannen paradigman. Sen sijaan, että riippuisi pääasiassa visuaalisesta datasta tai staattisista ohjeista, käytämme aikasarjadataa anturien kautta, kuten voimaa, lämpötilaa, kiihtyvyyttä, jännitettä, akustiikkaa ja värähtelyä, ymmärtääksemme prosessin taustalla olevaa fysiikkaa.

Tämä antaa järjestelmälle ymmärryksen siitä, miten toimet vaikuttavat lopputuloksiin. Sen sijaan, että seuraamme ohjeita, kone voi sopeutua reaaliajassa, kun olosuhteet muuttuvat.

Siirrymme teollisia roboteja joustamattomasta automaatiosta järjestelmiin, jotka voivat päättää fyysisesti työstä, jonka ne suorittavat.

Kuinka syntetinen päättely parantaa laatua, toistettavuutta ja reaaliaikaisia sopeutumiskykyjä tehdasläänityksellä?

Syntetinen päättely mahdollistaa robotin sopeutumisen tehtävän aikana. Jos vastus muuttuu, robotti kompensoi sen vastaavasti. Jos materiaalin käyttäytyminen muuttuu, se sopeutuu liikkeeseen. Tämä johtaa korkeampaan laatuun, koska robotti reagoi todellisuuteen, ei oletuksiin.

Toistettavuus paranee, koska järjestelmä ei toista hauraita polkuja; se ratkaisee tehtävän uudelleen jokaisella kerralla fyysisten aikomusten perusteella. Soveltuvuus muuttuu luonnolliseksi, ei poikkeukseksi, joka vaatii uudelleenohjelmointia.

Miksi uskot, että seuraava suuri läpimurto tekoälyssä tapahtuu fyysisten järjestelmien sijaan puhtaasti digitaalisten järjestelmien parissa?

Koska todellinen maailma toimii fysiikan mukaan, ei korrelaatioiden mukaan. Useimmat nykyiset tekoälyjärjestelmät on rakennettu tunnistamaan kuvioita ja tekemään ennusteita.

Suurimmat tekoälyläpimurrot ovat tapahtuneet digitaalisissa ympäristöissä, joissa kuvion tunnistaminen usein riittää. Mutta fyysiset järjestelmät, kuten hitsaus, koneistus ja kokoonpano, toimivat toisin. Ne riippuvat kausaalisista suhteista voiman, energian, lämpötilan, liikkeen ja materiaalin käyttäytymisen välillä. Näissä ympäristöissä pienet muutokset voivat rikkoa prosessin, ja virheet voivat johtaa todellisiin seurauksiin.

Tämä on syystä, miksi seuraava läpimurto vaatii siirtymisen datalähtöisestä ennustamisesta fysiikkaan perustuvaan päättelyyn.

Fysiikkaan perustuva tekoäly mahdollistaa tämän siirtymän. Käyttämällä aikasarjadataa anturien kautta prosessin hallitsevien yhtälöiden poistamiseksi, tekoäly voi siirtyä tulosten arvauksesta ymmärtämään, miten järjestelmä käyttäytyy. Tämä mahdollistaa koneiden sopeutumisen reaaliajassa, myös variabiliteetin alla.

• Digitaalinen tekoäly → pääasiassa rakennettu korrelaatioon, ennustamiseen ja sisällön luomiseen.
• Fysiikkaan perustuva tekoäly → Mahdollistaa koneiden päättelyn, sopeutumisen ja reagoinnin todellisiin olosuhteisiin reaaliajassa.

Seuraava aalto tekoälyssä ei määritellä paremmista LLM:stä tai jäljittelypeleistä, vaan koneista, jotka voivat ymmärtää ja hallita todellisuutta.

Mikä tekee nykyisestä automaatio-infrastruktuurista vanhentuneen, ja mitä vaaditaan sen korjaamiseen laajassa mittakaavassa?

Nykyinen infrastruktuuri on rakennettu oletukseen, että variabiliteetti on vihollinen. Kaikki on joustamatonta, yli-insinöörittyä ja kallista ylläpitää. Se ei skaalaa hyvin, koska jokainen uusi tuote tai prosessin variointi vaatii massiivista ihmisen väliintuloa.

Sen korjaaminen vaatii siirtymistä ohjelmoinnista kognitioon. Tarvitaan yleinen älykäs kerros, joka voi sijoittua olemassa olevan laitteiston päälle ja tehdä sen sopeutuvaksi. Se on tapa, jolla voidaan modernisoida automaatiota ilman siirtymistä vuosikymmenien sijoituksista.

Monet valmistajat kamppailevat tehtävien kanssa, jotka edelleen vaativat tuhansia koodirivejä ja viikkoja kalibrointia. Miten Xaba poistaa tämän pullonkaulan?

Valmistajat törmäisevät tähän pullonkaulaan, koska nykyiset järjestelmät ovat koodin ohjattuja ja jäljittelypohjaisia, eivät ymmärryspohjaisia. Ne turvautuvat tuhansiin koodiriveihin tai tekoälymalleihin, jotka on koulutettu kuvien ja videoiden perusteella, joita usein kutsutaan jäljittelypeliksi. Nämä lähestymistavat havaitsevat kuvioita, mutta eivät ymmärrä prosessin taustalla olevaa fysiikkaa.

Xaba ottaa perustavanlaatuisesti toisenlainen lähestymistapan.

Käytämme aikasarjadataa anturien kautta, kuten voimaa, lämpötilaa, virtaa ja värähtelyä, luomaan uuden perustavanlaatuisen mallin, joka perustuu fysiikkaan. Sen sijaan, että opimme korrelaatioita, fysiikkaan perustuva tekoäly poistaa prosessin hallitsevat yhtälöt. Tämä antaa järjestelmälle todellisen kausaalis-ymmärryksen siitä, miten toimet vaikuttavat lopputuloksiin.

Käytännössä se tarkoittaa, ettei tarvita tuhansia koodirivejä, ei riipuvuutta kuvapohjaisesta jäljittelystä ja ei jatkuvaa uudelleenkalibrointia, kun olosuhteet muuttuvat. Sen sijaan saadaan järjestelmä, joka ymmärtää fysiikan ja hallitsee sen. Se on tapa, jolla siirrytään ohjelmoinnista ja jäljittelystä todelliseen fyysiseen päättelyyn ja autonomiseen ohjaamiseen.

Robotit, jotka oppivat esimerkin perusteella, on rohkea askel. Mitkä tekniset merkkipaalut mahdollistivat tämän, ja mitkä rajoitukset ovat edelleen olemassa tänään?

Robotit, jotka oppivat esimerkin perusteella, on tärkeä askel, mutta se on edelleen pääasiassa jäljittelypohjainen lähestymistapa. Nämä järjestelmät kartoittavat havaintoja (kuten kuvia tai polkuja) toimiin ilman ymmärtämistä prosessin taustalla olevasta fysiikasta.

Fysiikkaan perustuvan tekoälyn näkökulmasta merkittävin merkkipaalu on siirtymisen jäljittelystä kausaalis-ymmärrykseen.

Se, mikä mahdollisti tämän, on:

• Havainnon edistysaskel (näkemys-kielimallit, monimodaalinen data)
• Laajat tietokannat ihmisen ja robotin käyttäytymisestä
• Parannetut politiikat, jotka voivat kartoittaa havaintoja toimiin

Nämä järjestelmät ovat edelleen perustavanlaatuisesti korrelaatiopohjaisia. Ne voivat toistaa, mitä ovat nähneet, mutta ne kamppailevat, kun:

• Materiaalit käyttäytyvät toisin
• Prosessiparametrit muuttuvat
• Geometria tai toleranssit vaihtelevat
• Todellinen fysiikka poikkeaa koulutusdatasta

Xabassa otamme toisenlainen lähestymistapan. Sen sijaan, että opimme, mitä tehdä esimerkin perusteella, opimme, miksi se toimii.

Käyttämällä aikasarjadataa anturien kautta, Xaba poistaa prosessin hallitsevat fysiikan yhtälöt. Tämä luo perustavanlaatuisen fysiikkaan perustuvan tekoälymallin, joka ymmärtää, miten järjestelmä käyttäytyy eri olosuhteissa.

Todellinen läpimurto tulee koneen kyvystä päättää voimasta, energiasta ja materiaalin käyttäytymisestä, sopeutua reaaliajassa ja luoda fyysisesti validit toimet.

Kuinka Xaban järjestelmä sopeutuu ennalta arvaamattomiin todellisiin olosuhteisiin — materiaalivariointiin, työkalun kulumiseen tai hienoihin ympäristömuutoksiin?

Koska järjestelmä jatkuvasti päättää voimasta, liikkeestä ja lopputuloksista, se voi havaita, kun todellisuus poikkeaa odotuksista, ja sopeutua reaaliajassa. Työkalun kulumista tulee muuttuja, ei epäonnistuminen. Materiaalivariointi tulee osaksi päättelyprosessia.

Tämä on perustavanlaatuisesti erilainen kuin kynnyksellinen virheenkäsittely — se on jatkuva sopeutuminen.

Viiden vuoden kuluttua, miten näet fysiikkaan perustuvan GenAI:n kehittyvän, ja miltä täysin autonominen tehdas, joka on mahdollistettu syntetisellä päättelyllä, näyttää?

Omasta näkökulmastani viiden vuoden kuluttua tapahtuu siirtymä automaatiosta todelliseen kognitiiviseen valmistukseen.

Fysiikkaan perustuva GenAI kehittyy yksittäisten tehtävien optimoinnista koko teollisten järjestelmien perustavanlaatuisiin malleihin. Sen sijaan, että koulutetaan kuvien tai aiempien polkujen perusteella, nämä järjestelmät oppivat jatkuvasti voimasta, lämpötilasta, energiasta ja dynamiikasta, mahdollistaen kausaalis-ymmärryksen jokaisesta toiminnasta.

Siirtymä on merkittävä:

• Ohjelmoinnista → itsegeneroivat ohjausstrategiat
• Staattisista malleista → jatkuvasti oppivat järjestelmät
• Korrelaatiosta → fysiikkaan perustuva päättely

Täysin autonominen tehdas, joka on mahdollistettu syntetisellä päättelyllä, näyttää perustavanlaatuisesti toisin. Koneet ohjelmoivat itseään halutuista lopputuloksista, sopeutuvat reaaliajassa materiaalien ja geometrian variointeihin ja ohjaavat laadun luonnostaan, eikä tarkasteta sitä jälkikäteen. Tieto ei ole eristynyttä — se leviää koneiden, linjojen ja jopa tehtaiden välillä, parantaen suorituskykyä jatkuvasti.

Tärkein muutos on kuitenkin inhimillinen. Syntetisen aivon avulla valmistuksessa suhde ihmisten ja koneiden välillä muuttuu kaksisuunnaiseksi. Ihmiset eivät ainoastaan ohjelmoi koneita, vaan myös oppivat niistä, samalla kun koneet oppivat ihmisten aikomusten ja kokemusten perusteella.

Automaatio loppuu olemasta pelkästään työtehtävä ja muuttuu urakehityksen, jatkuvaan oppimiseen ja löytämiseen alustaksi. Insinöörit, operaattorit ja tekniset asiantuntijat työskentelevat järjestelmien kanssa, jotka selittävät, sopeutuvat ja kehittävät heidän ymmärrystään fyysisten prosessien perusteella.

Tässä maailmassa ei ole viikkoja kalibrointia tai tuhansia koodirivejä. Tehdas toimii koordinoituna, fysiikkaan perustuvana järjestelmänä, joka vahvistaa ihmisen kykyä ja ymmärrystä.

Lopulta siirrymme tehtailta, jotka suorittavat ohjeita, tehtaisiin, jotka ymmärtävät, päättävät ja kehittyvät yhdessä ihmisten kanssa. Se on tulevaisuus, jonka rakennamme Xabassa.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Xaballa.