インタビュー
マッシミリアーノ・モルッツィ、Xabaの創設者兼CEO – インタビュー・シリーズ
マッシミリアーノ・モルッツィ、Xabaの創設者兼CEOは、ロボティクス、製造システム、CNC機械、AI駆動の産業用制御などの分野で深い専門知識を持つ、産業自動化とAIのベテランエグゼクティブです。Xabaを2022年に設立する前に、アウゲンタで研究開発を担当し、AI駆動の自動化に焦点を当てたリーダーシップ役割を務めました。また、インゴールマシンツールズとIMTAでは、シニアエンジニアとソフトウェアR&Dの役割を務めました。産業技術における20年以上のキャリアの中で、モルッツィは、先端のロボティクスと実用的製造導入の間にあるギャップを埋めることに重点を置いてきました。特に、機械がより賢く、適応性があり、自律的に動作できるようにすることに重点を置いてきました。
Xabaは、トロントを拠点とする産業用AI企業で、産業用ロボットとファクトリーシステム向けの「合成脳」を開発しています。同社のプラットフォームは、生成的AI、強化学習、ロボティクス制御、産業用自動化を組み合わせて、ロボット、CNCマシン、プログラマブルロジックコントローラ(PLC)制御システムが、手動でのプログラミングなしにリアルタイムで自己プログラミングし、適応できるようにします。同社の主な技術であるxCognitionとPLCfyは、ロボットプログラミングの自動化、製造ワークフローの最適化、航空宇宙、自動車、先端製造などの業界での導入の加速化を目的としています。Xabaは、自社の技術を、硬直した手動プログラミングされたシステムを、運用データから学習し、変化する生産環境に動的に適応できるAI駆動の認知制御に置き換えることで、ファクトリーオートメーションを近代化する手段として位置付けます。
Xabaのアイデアは何から生まれたのか、それが産業用ロボットに根本的に異なるアプローチ、つまり「合成脳」ではなく、単にコードを追加するのではなく、どのようなプロセスだったのか。
そのアイデアは、ほとんどの産業用ロボットが最も基本的なレベルの変動性で失敗するのを見て生まれた。これらの機械は機械的に正確ですが、認知的に脆い。部品の公差、プロセスパラメータ、材料の挙動などの小さな変化が、全体的な作業を狂わせることがある。
業界の対応は一貫していた。より多くのコードを書く、硬直した固定具を追加して変動性を除去する、より多くのルールを追加する、人間の監視に頼る、システムを再調整する、というものだった。
その時、私に気づいたのは、これはソフトウェアの問題ではなく、脳の欠如であるということだった。
今日の産業用ロボットとコントローラーは、結果が実際に良いか悪いかを理解することなく、指示を盲目的に実行する。彼らは周囲の物理的な世界について推論しない。
ロボットは指示が不足しているため失敗するのではなく、理解が不足しているため失敗する。人間はボルトを締めたり、接着剤を適用したりするために、千行のコードに頼ることはない。私たちは直感的に、力、動き、物理的なフィードバックに基づいて適応する。
産業用ロボットが合成的な推論システム、物理学に基づいたものが必要であることが明らかになった。
アウゲンタAIでのあなたの経験や以前の役割は、Xabaに入る前にあなたの視点をどのように形成したのか。どのようなギャップや洞察があなたをこの会社を設立するよう駆り立てたのか。
アウゲンタAIでは、AI駆動の意思決定、最適化、自律性に深く焦点を当てていました。明らかになったのは、ほとんどのAIシステムが抽象的な方法で動作していることだった。つまり、データの表現を最適化するのではなく、物理的な現実とやり取りするのである。
以前の役割では、ロボットが能力不足ではないのに、自動化プロジェクトが停滞したり失敗したりするのを見た。ギャップは明らかだった。高レベルの意図を現実の物理学と接続できる知能層がなかった。Xabaはそのギャップを埋めるために存在する。機械に、熟練した人間と同じように、力、運動、制約、結果について推論する能力を与える。
Xabaは、産業用ロボット向けの世界初の物理学ベースのGenAIシステムを構築しています。このアプローチは、従来のロボットプログラミングや現在の主流AIモデルとどのように異なるのか。
従来のロボットプログラミングは、定義されたパス、プロセスパラメータ、力、行動のシーケンスに依存する。環境が毎回同じように動作することを前提としている。CADモデルのようなものだ。
主流AIモデルは異なるアプローチを取るが、依然として主に統計的である。予測と模倣には優れているが、物理的な原因と結果を真正に理解しているわけではない。
Xabaの物理学AIは、第三のパラダイムを導入する。視覚データや静的な指示に頼るのではなく、センサーからの時間系列データ、力、温度、加速度、電圧、音響、振動を使用して、プロセスの根底にある物理学を理解する。
これにより、システムは行動が結果に与える影響を理解できる。指示に従うのではなく、機械は条件が変化したときにリアルタイムで適応できる。
産業用ロボットを、硬直した自動化から、物理的に推論できるシステムに移行させている。
合成的な推論は、品質、繰り返し性、リアルタイムの適応性をどのように向上させるのか。
合成的な推論により、ロボットはタスク中に適応できる。抵抗が変化した場合、ロボットはそれに応じて補償する。材料の挙動が変化した場合、ロボットは動きを適応させる。結果の品質は高くなる。ロボットは現実に応じて対応するのではなく、仮定に応じて対応するのである。
繰り返し性も向上する。システムは繊細な軌道を再生するのではなく、物理的な意図に基づいてタスクを解決するからである。適応性もネイティブになる。再プログラミングを必要とする例外ではなくなる。
なぜ、次の大きなAIのブレークスルーは物理システムではなく、純粋なデジタルシステムで起こるのではなく、物理システムで起こるのか。
現実の世界は物理学に基づいているからだ。物理学に基づいていない。今日のAIの多くは、パターン認識と予測に基づいている。
デジタル環境では、パターン認識がしばしば十分である。物理システム、溶接、機械加工、組み立て作業は、力、エネルギー、温度、運動、材料の挙動の因果関係に依存する。小さな変化がプロセスを壊し、エラーには現実的な結果がある。
これが、予測に基づくデータ駆動から物理学に基づく推論へのシフトが必要な理由だ。
物理学AIにより、このシフトが可能になる。時間系列センサー数据を使用して、プロセスの支配方程式を抽出することで、AIは結果を予測するのではなく、システムの挙動を理解することができる。これにより、機械は変動下でもリアルタイムに適応できるようになる。
- デジタルAI → ほとんどが相関、予測、コンテンツ生成に基づいている。
- 物理学AI → 機械が推論し、リアルタイムに適応し、現実の条件に応じて対応できるようにする。
次のAIの波は、より優れたLLMやイミテーションゲームではなく、物理的な現実を理解し、制御できる機械によって定義されるだろう。
今日の自動化インフラストラクチャは、どのようにして古くなったものとなり、どのようにして業界全体の規模でそれを修正することができるのか。
今日のインフラストラクチャは、変動性が敵であるという仮定に基づいて構築されている。すべてが硬直的で、維持するのが高価で、スケーラビリティが悪い。新しい製品やプロセスの変化ごとに、人間の介入が大量に必要になる。
これを修正するには、プログラミングから認知へのシフトが必要だ。既存のハードウェアの上に適応性を持たせることができる、普遍的な知能層が必要だ。そうすることで、自動化を近代化することができる。数十年の投資をすべて取り替える必要はない。
多くの製造業者は、まだ数千行のコードと数週間のキャリブレーションが必要なタスクに苦労しています。Xabaはこのボトルネックをどのように排除するのか。
製造業者は、今日のシステムがコード駆動型であり、模倣に基づいているから、ボトルネックに陥る。AIモデルは、ピクセルやビデオに基づいてトレーニングされている。パターンを捉えることはできるが、根本的なプロセスを理解していない。
Xabaは、根本的に異なるアプローチを取る。
時間系列センサー数据、力、温度、電流、振動を使用して、物理学に基づいた新しい基礎モデルを構築する。AIは、相関を学習するのではなく、プロセスの支配方程式を抽出する。システムは、行動が結果に与える影響を真正に理解することができる。
システムは、物理的に妥当なアクションをリアルタイムで生成する。ロボットは、事例を再生したり、定義されたコードに従ったりするのではなく、プロセスについて推論し、継続的に適応する。
実践では、数千行のコードが不要になる。ピクセルに基づく模倣に頼る必要もない。条件が変化したときの再調整も不要になる。代わりに、物理学を理解し、制御するシステムが得られる。そうすることで、プログラミングと模倣から、真正の物理的な推論と自律制御への移行が可能になる。
ロボットがデモンストレーションから学ぶことは、勇気あるシフトです。どのような技術的マイルストーンがこれを可能にしたのか。どのような制約が今日でも存在するのか。
ロボットがデモンストレーションから学ぶことは、重要なステップですが、依然として模倣に基づいたアプローチである。これらのシステムは、物理的なタスクの根本的な物理学を理解するのではなく、観察（ピクセルや軌道など）を行動にマッピングする。
物理学AIの観点から、真正のマイルストーンは、模倣から因果的な理解への移行である。
これを可能にしたのは、
- パーセプション（ビジョン言語モデル、多モーダルデータ）の進歩
- 人間とロボットの行動の大量データセット
- 観察を行動にマッピングできる方策の改善
しかし、これらのシステムは依然として相関に基づいている。見たことを複製することはできるが、
- 材料が異なるとき
- プロセスパラメータが変化するとき
- 幾何学や公差が異なるとき
- 現実の物理学がトレーニングデータから逸脱するとき
そこで、制限が明らかになる。
Xabaでは、異なるアプローチを取る。デモンストレーションから何を学ぶかではなく、 почему それが機能するかを学ぶ。
時間系列センサー数据を使用して、プロセスの支配方程式を抽出することで、物理学AIモデルを構築する。システムは、力、エネルギー、材料の挙動について推論し、リアルタイムに適応し、物理的に妥当なアクションを生成することができる。
真正のブレークスルーは、機械が力、エネルギー、材料の挙動について推論し、リアルタイムに適応し、物理的に妥当なアクションを生成する能力にある。
Xabaのシステムは、材料の変動、工具の磨耗、または微妙な環境の変化などの予測不可能な現実の条件にどのように適応するのか。
システムは、力、運動、結果について継続的に推論するため、現実が期待と異なるときに検出してリアルタイムで調整することができる。工具の磨耗は、故障ではなく、変数となる。材料の変動は、推論ループの一部となる。
これは、しきい値に基づくエラーハンドリングとは根本的に異なる。継続的な適応である。
5年先を見て、物理学ベースのGenAIはどのように進化するのか。合成的な推論によって完全に自律的なファクトリーはどのようなものになるのか。
私の観点から見ると、次の5年は、自動化から真正の認知型製造への移行を示すだろう。
物理学ベースのGenAIは、個々のタスクの最適化から、全体的な産業システムの基礎モデルを構築するように進化するだろう。ピクセルや過去の軌道ではなく、力、温度、エネルギー、ダイナミクスから継続的に学習することで、毎回の作業について因果的な理解を可能にする。
シフトは深刻だ。
- プログラミング → 自己生成制御戦略
- 静的なモデル →継続的に学習するシステム
- 相関 → 物理学に基づいた推論
合成的な推論によって完全に自律的なファクトリーは、根本的に異なったものになる。機械は、望ましい結果に基づいて自己プログラミングし、材料や幾何学の変動にリアルタイムで適応し、品質を内在的に制御する。知識は、機械、ライン、さらにはファクトリー全体にわたって共有され、継続的にパフォーマンスを向上させる。
最も重要な変化は、人間のものだ。真正の合成脳を持つ製造システムでは、人間と機械の関係は双方向になる。人間は機械をプログラムするだけでなく、機械から学び、機械は人間の意図と経験から学ぶ。
自動化は、単なるジョブ機能ではなく、キャリア成長、継続的な学習、発見のためのプラットフォームになる。エンジニア、オペレーター、テクニシャンは、物理的なプロセスについて説明し、適応し、理解を高めるシステムと協力することになる。
その世界では、数週間のキャリブレーションや数千行のコードは不要だ。ファクトリーは、人間の能力と洞察を高める、物理学に基づいた、調整されたシステムとして動作する。
最終的に、指示を実行するファクトリーから、理解し、推論し、人間と共進化するファクトリーへと移行する。Xabaでは、その未来を構築している。
素晴らしいインタビュー、ありがとうございました。読者がもっと詳しく知りたい場合は、Xabaを訪問してください。
