Massimiliano Moruzzi, fondateur et PDG de Xaba – Série d’entretiens

Massimiliano Moruzzi, fondateur et PDG de Xaba, est un ancien dirigeant de l’automatisation industrielle et de l’IA avec une expertise approfondie dans les domaines de la robotique, des systèmes de fabrication, des machines CNC et de la commande industrielle pilotée par l’IA. Avant de fonder Xaba en 2022, il a occupé des postes de direction chez Augmenta, où il a dirigé les efforts de recherche et développement axés sur l’automatisation pilotée par l’IA, et a précédemment occupé des postes d’ingénierie et de développement de logiciels chez Ingersoll Machine Tools et IMTA. Au cours de plus de deux décennies dans la technologie industrielle, Moruzzi s’est concentré sur le pont entre la robotique avancée et le déploiement de la fabrication pratique, avec un accent particulier sur la capacité des machines à fonctionner de manière plus intelligente, adaptative et autonome.

Xaba est une entreprise d’IA industrielle basée à Toronto qui développe ce qu’elle appelle des « cerveaux synthétiques » pour les robots et les systèmes de fabrication industrielle. La plate-forme de l’entreprise combine l’IA générative, l’apprentissage par renforcement, la commande de robotique et l’automatisation industrielle pour permettre aux robots, aux machines CNC et aux systèmes contrôlés par PLC de s’auto-programmer et de s’adapter en temps réel sans codage manuel. Ses technologies phares, notamment xCognition et PLCfy, sont conçues pour automatiser la programmation de la robotique, optimiser les flux de fabrication et accélérer le déploiement dans des secteurs tels que l’aérospatiale, l’automobile et la fabrication avancée. Xaba positionne sa technologie comme un moyen de moderniser l’automatisation des usines en remplaçant les systèmes rigides et programmés manuellement par une commande cognitive pilotée par l’IA capable d’apprendre à partir des données opérationnelles et de s’adapter dynamiquement aux environnements de production changeants.

Qu’est-ce qui a déclenché l’idée de Xaba, et quand avez-vous réalisé que les robots industriels avaient besoin d’une approche fondamentalement différente – essentiellement un cerveau synthétique plutôt que davantage de lignes de code ?

L’étincelle est venue de l’observation de la façon dont la plupart des robots industriels échouent au niveau le plus bas de la variabilité. Ces machines sont précises sur le plan mécanique, mais fragiles sur le plan cognitif. De petits changements dans les tolérances des pièces, les paramètres de processus ou le comportement des matériaux peuvent perturber toute une opération.

La réponse de l’industrie a été constante : écrire plus de code, ajouter des dispositifs rigides coûteux pour éliminer la variabilité, superposer davantage de règles, compter sur la surveillance humaine et recalibrer constamment le système.

C’est alors que la réalisation m’a frappé : ce n’est pas un problème de logiciel – c’est un cerveau manquant.

Aujourd’hui, les robots et les contrôleurs industriels exécutent aveuglément les instructions sans comprendre si le résultat est réellement bon ou mauvais. Ils ne raisonnent pas sur le monde physique qui les entoure.

Les robots ne font pas défaut parce qu’ils manquent d’instructions ; ils font défaut parce qu’ils manquent de compréhension. Les humains ne s’appuient pas sur des milliers de lignes de code pour serrer un boulon ou appliquer de l’adhésif. Nous nous adaptons instinctivement en fonction de la force, du mouvement et de la rétroaction physique.

Il est devenu clair que les robots industriels ont besoin d’un système de raisonnement synthétique ancré dans la physique, et non pas simplement d’une autre couche de programmation.

Comment votre expérience chez Augmenta AI et vos précédents rôles ont-ils façonné votre perspective en arrivant chez Xaba, et quels sont les écarts ou les idées spécifiques qui vous ont poussé à créer cette entreprise ?

Chez Augmenta AI, nous nous sommes concentrés sur la prise de décision pilotée par l’IA, l’optimisation et l’autonomie. Ce qui est devenu évident, c’est que la plupart des systèmes d’IA fonctionnent de manière abstraite, c’est-à-dire qu’ils optimisent les représentations de données plutôt qu’interagir avec la réalité physique.

Dans mes précédents rôles, j’avais vu des projets d’automatisation stagner ou échouer non pas parce que les robots n’étaient pas capables, mais parce que la charge d’ingénierie était insoutenable. L’écart était clair : il n’y avait pas de couche d’intelligence qui puisse relier l’intention de haut niveau à la physique du monde réel. Xaba existe pour combler cet écart, en donnant aux machines la capacité de raisonner sur la force, le mouvement, les contraintes et les résultats de la même manière que les humains qualifiés.

Xaba est en train de créer le premier système d’IA basé sur la physique pour les robots industriels. Comment cette approche diffère-t-elle de la programmation traditionnelle des robots et des modèles d’IA actuels ?

La programmation traditionnelle des robots repose sur des chemins prédéfinis, des paramètres de processus, des forces et des séquences d’actions. Elle suppose que l’environnement se comporte de la même manière à chaque fois, comme un modèle CAD.

Les modèles d’IA actuels adoptent une approche différente, mais ils sont encore largement statistiques. Ils sont bons pour la prédiction et l’imitation, mais ils ne comprennent pas vraiment la cause et l’effet physiques.

Xaba introduit un troisième paradigme. Au lieu de s’appuyer principalement sur les données visuelles ou les instructions statiques, nous utilisons des données de capteurs en série temporelle telles que la force, la température, l’accélération, la tension, les acoustiques et les vibrations pour comprendre la physique sous-jacente d’un processus.

Cela donne au système une compréhension de la façon dont les actions impactent les résultats. Au lieu de simplement suivre les instructions, la machine peut s’adapter en temps réel lorsque les conditions changent.

Nous passons des robots industriels d’une automatisation rigide à des systèmes qui peuvent raisonner physiquement sur le travail qu’ils effectuent.

Comment le raisonnement synthétique améliore-t-il la qualité, la reproductibilité et l’adaptabilité en temps réel sur le plan de fabrication ?

Le raisonnement synthétique permet aux robots de s’adapter pendant la tâche. Si la résistance change, le robot compense en conséquence. Si le comportement du matériau change, il adapte le mouvement. Cela conduit à une qualité supérieure car le robot répond à la réalité, et non à des hypothèses.

La reproductibilité s’améliore car le système ne répète pas des trajectoires fragiles ; il résout à nouveau la tâche chaque fois en fonction de l’intention physique. Et l’adaptabilité devient native, et non une exception qui nécessite une reprogrammation.

Pourquoi pensez-vous que la prochaine avancée majeure de l’IA se produira dans les systèmes physiques, plutôt que dans les systèmes purement numériques ?

Parce que le monde réel fonctionne sur la physique, et non sur les corrélations. La plupart de l’IA actuelle est construite autour de la reconnaissance de modèles et de la prédiction.

Les plus grandes avancées de l’IA jusqu’à présent sont survenues dans des environnements numériques où la reconnaissance de modèles est souvent suffisante. Mais les systèmes physiques comme la soudure, l’usinage et l’assemblage fonctionnent différemment. Ils dépendent de relations causales entre la force, l’énergie, la température, le mouvement et le comportement des matériaux. Dans ces environnements, de petites variations peuvent casser un processus, et les erreurs ont de réelles conséquences.

C’est pourquoi la prochaine avancée nécessite un passage de la prédiction basée sur les données à la raison basée sur la physique.

L’IA basée sur la physique permet ce passage. En utilisant des données de capteurs en série temporelle pour extraire les équations de gouvernance d’un processus, l’IA peut passer de la prédiction des résultats à la compréhension de la façon dont le système se comporte. Cela permet aux machines de s’adapter en temps réel, même sous variabilité.

• L’IA numérique → largement construite autour de la corrélation, de la prédiction et de la génération de contenu.
• L’IA basée sur la physique → permet aux machines de raisonner, de s’adapter et de répondre aux conditions du monde réel en temps réel.

La prochaine vague de l’IA ne sera pas définie par de meilleurs LLM ou des jeux d’imitation, mais par des machines qui peuvent comprendre et contrôler la réalité.

Qu’est-ce qui rend l’infrastructure d’automatisation actuelle obsolète, et qu’est-ce qu’il faut pour la réparer à l’échelle de l’industrie ?

L’infrastructure actuelle est construite sur l’hypothèse que la variabilité est l’ennemi. Tout est rigide, sur-ingénierisé et coûteux à maintenir. Elle ne s’adapte pas bien car chaque nouveau produit ou variation de processus nécessite une intervention humaine massive.

Pour la réparer, il faut passer de la programmation à la cognition. Vous avez besoin d’une couche d’intelligence universelle qui puisse s’asseoir sur le matériel existant et le rendre adaptable. C’est ainsi que vous modernisez l’automatisation sans détruire des décennies d’investissement.

De nombreux fabricants luttent avec des tâches qui nécessitent encore des milliers de lignes de code et des semaines de calibration. Comment Xaba élimine-t-il ce goulet d’étranglement ?

Les fabricants rencontrent ce goulet d’étranglement parce que les systèmes actuels sont pilotés par le code et basés sur l’imitation, et non sur la compréhension. Ils s’appuient sur des milliers de lignes de logique ou sur des modèles d’IA formés sur des pixels et des vidéos, que nous appelons souvent un jeu d’imitation. Ces approches capturent des modèles, mais elles ne comprennent pas le processus sous-jacent.

Xaba prend un chemin fondamentalement différent.

Nous utilisons des données de capteurs en série temporelle, de la force, de la température, du courant et des vibrations pour construire une nouvelle classe de modèles fondamentaux ancrés dans la physique. Au lieu d’apprendre des corrélations, notre IA basée sur la physique extrait les équations de gouvernance du processus. Cela donne au système une véritable compréhension causale de la façon dont les actions affectent les résultats.

À partir de là, le système génère des actions physiquement valides en temps réel. Le robot ne répète pas des exemples ou ne suit pas des instructions prédéfinies ; il raisonne sur le processus avant d’agir et s’adapte continuellement sous variabilité.

Dans la pratique, cela signifie pas de milliers de lignes de code, pas de dépendance à l’imitation basée sur les pixels, et pas de recalibration constante lorsque les conditions changent. Au lieu de cela, vous obtenez un système qui comprend la physique et la contrôle. C’est ainsi que nous passons de la programmation et de l’imitation à une véritable raison et à un contrôle autonome physiques.

Les robots qui apprennent par démonstration constituent un changement audacieux. Quels sont les jalons techniques qui ont rendu cela possible, et quels sont les contraintes qui existent encore aujourd’hui ?

Les robots qui apprennent par démonstration constituent une étape importante, mais c’est encore largement une approche basée sur l’imitation. Ces systèmes cartographient les observations (telles que des pixels ou des trajectoires) sur des actions sans comprendre la physique sous-jacente de la tâche.

Du point de vue de l’IA basée sur la physique, le véritable jalon est le passage de l’imitation à la compréhension causale.

Ce qui a rendu cela possible, c’est :

• Les progrès de la perception (modèles de vision-langage, données multimodales)
• Les grands ensembles de données de comportement humain et robotique
• Les politiques améliorées qui peuvent mapper les observations sur des actions

Mais ces systèmes sont encore fondamentalement basés sur la corrélation. Ils peuvent répliquer ce qu’ils ont vu, mais ils luttent lorsque :

• Les matériaux se comportent différemment
• Les paramètres de processus changent
• La géométrie ou les tolérances varient
• La physique réelle s’écarte des données d’entraînement

C’est là que les limites deviennent claires.

Chez Xaba, nous prenons une approche différente. Au lieu d’apprendre ce qu’il faut faire à partir de démonstrations, nous apprenons pourquoi cela fonctionne.

En utilisant des données de capteurs en série temporelle, Xaba extrait les équations de gouvernance physiques du processus. Cela crée un modèle d’IA basé sur la physique qui comprend comment le système se comporte sous différentes conditions.

La véritable avancée vient de la capacité de la machine à raisonner sur les forces, l’énergie et le comportement des matériaux, à s’adapter en temps réel et à générer des actions physiquement valides.

Comment le système de Xaba s’adapte-t-il à des conditions réelles imprévisibles – variations de matériaux, usure d’outils ou changements environnementaux subtils ?

Parce que le système raisonne continuellement sur la force, le mouvement et les résultats, il peut détecter lorsque la réalité s’écarte des attentes et s’ajuster en temps réel. L’usure de l’outil devient une variable, et non une défaillance. La variation des matériaux devient partie intégrante de la boucle de raisonnement.

Cela est fondamentalement différent de la gestion des erreurs basée sur les seuils – c’est une adaptation continue.

En regardant cinq ans à l’avance, comment voyez-vous l’IA basée sur la physique évoluer, et à quoi ressemblera une usine entièrement autonome dotée d’un raisonnement synthétique ?

De mon point de vue, les cinq prochaines années marqueront la transition de l’automatisation à la véritable fabrication cognitive.

L’IA basée sur la physique évoluera de l’optimisation des tâches individuelles à la construction de modèles fondamentaux pour l’ensemble des systèmes industriels. Au lieu de s’entraîner sur des pixels ou des trajectoires passées, ces systèmes apprendront continuellement à partir de la force, de la température, de l’énergie et de la dynamique, permettant une compréhension causale de chaque opération.

Le changement est profond :

• De la programmation → des stratégies de contrôle auto-générées
• Des modèles statiques → des systèmes qui apprennent continuellement
• De la corrélation → un raisonnement ancré dans la physique

Une usine entièrement autonome dotée d’un raisonnement synthétique aura un aspect fondamentalement différent. Les machines s’auto-programmeront en fonction des résultats souhaités, s’adapteront en temps réel aux variations de matériaux et de géométrie, et contrôleront inhéremment la qualité plutôt que de l’inspecter après coup. Les connaissances ne seront pas cloisonnées – elles se propageront à travers les machines, les lignes et même les usines, améliorant continuellement les performances.

Mais la transformation la plus importante est humaine. Avec un véritable cerveau synthétique pour la fabrication, la relation entre les humains et les machines deviendra bidirectionnelle. Les humains ne programmeront pas seulement les machines, mais apprendront d’elles, tout comme les machines apprendront de l’intention et de l’expérience humaines.

L’automatisation cesse d’être une fonction et devient une plate-forme de croissance de carrière, d’apprentissage continu et de découverte. Les ingénieurs, les opérateurs et les techniciens collaboreront avec des systèmes qui expliquent, s’adaptent et élèvent leur compréhension des processus physiques.

Dans ce monde, il n’y a pas de semaines de calibration ou de milliers de lignes de code. L’usine fonctionne comme un système coordonné, conscient de la physique, qui amplifie les capacités et les connaissances humaines.

Finalement, nous passons des usines qui exécutent des instructions à des usines qui comprennent, raisonnent et coévoluent avec les humains. C’est l’avenir que nous construisons chez Xaba.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Xaba.