Massimiliano Moruzzi, Oprichter en CEO van Xaba – Interviewreeks

Massimiliano Moruzzi, oprichter en CEO van Xaba, is een ervaren professional in industriële automatisering en AI met diepgaande expertise op het gebied van robottechniek, productiesystemen, CNC-machines en AI-gestuurde industriële besturing. Voordat hij Xaba in 2022 oprichtte, bekleedde hij leidinggevende functies bij Augmenta, waar hij onderzoek en ontwikkelingsinspanningen leidde gericht op AI-gestuurde automatisering, en eerder senior engineering- en softwareontwikkelingsfuncties bij Ingersoll Machine Tools en IMTA. Gedurende meer dan twee decennia in industriële technologie heeft Moruzzi zich gericht op het overbruggen van de kloof tussen geavanceerde robottechniek en praktische productie-implementatie, met een bijzondere nadruk op het mogelijk maken van machines om slimmer, adaptiever en autonoom te functioneren.

Xaba is een in Toronto gevestigd industrieel AI-bedrijf dat een zogenaamde “synthetische hersenen” voor industriële robots en fabriekssystemen ontwikkelt. Het platform van het bedrijf combineert generatieve AI, versterking van het leren, robotbesturing en industriële automatisering om robots, CNC-machines en PLC-gestuurde systemen in staat te stellen om zichzelf te programmeren en aan te passen in real-time zonder handmatige codering. De vlaggenschiptechnologieën van het bedrijf, waaronder xCognition en PLCfy, zijn ontworpen om robotprogrammering te automatiseren, productieprocessen te optimaliseren en implementatie te versnellen in sectoren zoals de lucht- en ruimtevaart, de automotive en geavanceerde productie. Xaba positioneert zijn technologie als een manier om fabrieksautomatisering te moderniseren door rigide, handmatig geprogrammeerde systemen te vervangen door AI-gestuurde cognitieve besturing die in staat is om van operationele gegevens te leren en dynamisch aan te passen aan veranderende productieomgevingen.

Wat was de eerste vonk die het idee voor Xaba deed ontstaan, en wanneer realiseerde u zich dat industriële robots een fundamenteel andere aanpak nodig hadden – eigenlijk een synthetische hersenen in plaats van meer code?

De vonk kwam voort uit het observeren van hoe de meeste industriële robots op het meest basale niveau van variabiliteit falen. Deze machines zijn mechanisch precies, maar cognitief kwetsbaar. Kleine veranderingen in onderdeeltoleranties, procesparameters of materiaalgedrag kunnen een hele operatie in de war sturen.

De reactie van de industrie is consistent geweest: meer code schrijven, dure rigide bevestigingen toevoegen om variabiliteit te elimineren, meer regels toevoegen, afhankelijk zijn van menselijke toezicht en het systeem blijven herbekijken.

Dat is wanneer de realisatie bij me kwam: dit is geen softwareprobleem – het is een ontbrekende hersenen.

Vandaag de dag voeren industriële robots en controllers blind instructies uit zonder te begrijpen of het resultaat daadwerkelijk goed of slecht is. Ze redeneren niet over de fysieke wereld om hen heen.

Robots falen niet omdat ze instructies missen; ze falen omdat ze begrip missen. Mensen vertrouwen niet op duizenden regels code om een bout vast te draaien of lijm aan te brengen. We passen ons instinctief aan op basis van kracht, beweging en fysieke feedback.

Het werd duidelijk dat industriële robots een synthetisch redeneringssysteem nodig hebben dat gebaseerd is op fysica, niet alleen nog een laag programmering.

Hoe heeft uw ervaring bij Augmenta AI en eerdere rollen uw perspectief beïnvloed toen u Xaba oprichtte, en welke specifieke lacunes of inzichten hebben u ertoe aangezet om dit bedrijf op te richten?

Bij Augmenta AI waren we diep gefocust op AI-gestuurde besluitvorming, optimalisatie en autonomie. Wat duidelijk werd, is dat de meeste AI-systemen op een abstracte manier werkten, waarbij ze gegevensrepresentaties optimaliseerden in plaats van met de fysieke realiteit om te gaan.

In eerdere rollen had ik gezien dat automatiseringsprojecten stil kwamen te staan of faalden, niet omdat de robots niet in staat waren, maar omdat de technische overhead niet te behappen was. De lacune was duidelijk: er was geen intelligentie-laag die hoogwaardige intentie met fysieke realiteit kon verbinden. Xaba bestaat om die lacune te overbruggen, machines de mogelijkheid te geven om te redeneren over kracht, beweging, beperkingen en resultaten op dezelfde manier als ervaren mensen.

Xaba bouwt het eerste fysica-gebaseerde GenAI-systeem voor industriële robots. Hoe verschilt deze aanpak van traditionele robotprogrammering en van de huidige mainstream AI-modellen?

Traditionele robotprogrammering is afhankelijk van vooraf gedefinieerde paden, procesparameters, krachten en actiesequenties. Het gaat ervan uit dat de omgeving zich hetzelfde gedraagt elke keer, zoals een CAD-model.

Mainstream AI-modellen nemen een andere aanpak, maar ze zijn nog steeds grotendeels statistisch. Ze zijn goed in voorspelling en imitatie, maar ze begrijpen de fysieke oorzaak en gevolg niet echt.

Xaba’s Fysica-AI introduceert een derde paradigma. In plaats van voornamelijk te vertrouwen op visuele gegevens of statische instructies, gebruiken we tijdsreeksgegevens van sensoren zoals kracht, temperatuur, versnelling, voltage, akoestiek en trilling om de onderliggende fysica van een proces te begrijpen.

Dit geeft het systeem een begrip van hoe acties resultaten beïnvloeden. In plaats van alleen instructies te volgen, kan de machine zich aanpassen in real-time wanneer omstandigheden veranderen.

We bewegen industriële robots van rigide automatisering naar systemen die fysiek over hun werk kunnen redeneren.

Hoe verbetert synthetische redenering de kwaliteit, herhaalbaarheid en real-time adaptatie op de fabrieksvloer?

Synthetische redenering stelt robots in staat om zich aan te passen tijdens de taak. Als de weerstand verandert, compenseert de robot dienovereenkomstig. Als het materiaalgedrag verandert, past de robot de beweging aan. Dit leidt tot hogere kwaliteit omdat de robot reageert op de realiteit, niet op aannamen.

Herhaalbaarheid verbetert omdat het systeem niet kwetsbare trajecten afspelt; het lost de taak elke keer opnieuw op op basis van fysieke intentie. En adaptatie wordt inheems, niet een uitzondering die opnieuw moet worden geprogrammeerd.

Waarom denkt u dat de volgende grote doorbraak in AI zal plaatsvinden in fysieke systemen, in plaats van zuiver digitale?

Omdat de echte wereld werkt op fysica, niet op correlaties. De meeste AI van vandaag is gebouwd rond patroonherkenning en voorspelling.

De grootste AI-doorbraken tot nu toe hebben plaatsgevonden in digitale omgevingen waar patroonherkenning vaak voldoende is. Maar fysieke systemen zoals lassen, machinaal bewerken en assembleren werken anders. Ze zijn afhankelijk van oorzakelijke relaties tussen kracht, energie, temperatuur, beweging en materiaalgedrag. In deze omgevingen kunnen kleine variaties een proces breken, en fouten hebben echte gevolgen.

Dit is waarom de volgende doorbraak een verschuiving van gegevensgestuurde voorspelling naar fysica-gebaseerde redenering vereist.

Fysica-AI maakt deze verschuiving mogelijk. Door tijdsreeks sensorgegevens te gebruiken om de regelende vergelijkingen van een proces te extraheren, kan AI overstappen van het raden van resultaten naar het begrijpen van hoe het systeem zich gedraagt. Dit stelt machines in staat om in real-time aan te passen, zelfs onder variabiliteit.

• Digitale AI → grotendeels gebouwd rond correlatie, voorspelling en inhoudsgeneratie.
• Fysica-AI → Stelt machines in staat om te redeneren, aan te passen en te reageren op echte omstandigheden in real-time.

De volgende golf van AI zal niet worden gedefinieerd door betere LLM’s of Imitation Games, maar door machines die de realiteit kunnen begrijpen en controleren.

Wat maakt de huidige automatiseringsinfrastructuur verouderd, en wat is er nodig om dit op industrieel niveau te corrigeren?

De huidige infrastructuur is gebouwd op de veronderstelling dat variabiliteit de vijand is. Alles is rigide, over-geëngineerd en duur om te onderhouden. Het schaalt niet goed omdat elke nieuwe product- of procesvariatie massive menselijke interventie vereist.

Het corrigeren hiervan vereist een verschuiving van programmeren naar cognitie. U hebt een universele intelligentie-laag nodig die bovenop bestaande hardware kan zitten en deze adaptief kan maken. Dat is hoe u automatisering moderniseert zonder decennia aan investeringen te vernietigen.

Veel fabrikanten worstelen met taken die nog steeds duizenden regels code en weken van kalibratie vereisen. Hoe elimineert Xaba deze bottleneck?

Fabrikanten lopen tegen deze bottleneck aan omdat de huidige systemen code-gedreven en imitatie-gebaseerd zijn, niet begripsgericht. Ze vertrouwen op duizenden regels logica of op AI-modellen getraind op pixels en video’s, die we vaak een imitatie spel noemen. Deze benaderingen vangen patronen, maar begrijpen het onderliggende proces niet.

Xaba neemt een fundamenteel andere route.

We gebruiken tijdsreeks sensorgegevens, kracht, temperatuur, stroom en trilling om een nieuwe klasse van fundamentele modellen te bouwen die gebaseerd zijn op fysica. In plaats van correlaties te leren, extraheren onze Fysica-AI-modellen de regelende vergelijkingen van het proces. Dit geeft het systeem een echte oorzakelijke begrip van hoe acties resultaten beïnvloeden.

Van daaruit genereert het systeem fysiek geldige acties in real-time. De robot speelt geen voorbeelden af of volgt geen vooraf gedefinieerde code; het redeneert over het proces voordat het handelt en past zich voortdurend aan onder variabiliteit.

In de praktijk betekent dit geen duizenden regels code, geen afhankelijkheid van pixel-gebaseerde imitatie en geen constante herbekijken wanneer omstandigheden veranderen. In plaats daarvan krijgt u een systeem dat de fysica begrijpt en controleert. Dat is hoe we overstappen van programmeren en imitatie naar echte fysieke redenering en autonome controle.

Robots die leren van demonstraties is een moedige verschuiving. Welke technische mijlpalen hebben dit mogelijk gemaakt, en welke beperkingen bestaan er nog steeds vandaag?

Robots die leren van demonstraties is een belangrijke stap, maar het is nog steeds grotendeels een imitatie-gebaseerde benadering. Deze systemen kaarten observaties (zoals pixels of trajecten) naar acties zonder de onderliggende fysica van de taak te begrijpen.

Vanuit een Fysica-AI-perspectief is de echte mijlpaal het overstappen van imitatie naar oorzakelijke begrip.

Wat dit mogelijk maakte, is:

• Vooruitgang in perceptie (visuele-taalmodellen, multimodale gegevens)
• Grote datasets van menselijk en robotgedrag
• Verbeterde beleidsregels die observaties naar acties kunnen kaarten

Maar deze systemen zijn nog steeds fundamenteel correlatie-gedreven. Ze kunnen repliceren wat ze hebben gezien, maar ze worstelen wanneer:

• Materialen zich anders gedragen
• Procesparameters veranderen
• Geometrie of toleranties variëren
• Echte fysica afwijkt van trainingsgegevens

Dat is waar de beperkingen duidelijk worden.

Bij Xaba nemen we een andere aanpak. In plaats van te leren wat te doen van demonstraties, leren we waarom het werkt.

Met behulp van tijdsreeks sensorgegevens, extracteert Xaba de regelende fysica-vergelijkingen van het proces. Dit creëert een fundamentele Fysica-AI-model dat begrijpt hoe het systeem zich gedraagt onder verschillende omstandigheden.

De echte doorbraak komt van de mogelijkheid van een machine om te redeneren over krachten, energie en materiaalgedrag, aan te passen in real-time en fysiek geldige acties te genereren.

Hoe past Xaba’s systeem zich aan onvoorspelbare echte omstandigheden aan – materiaalvariaties, gereedschapsverschijnselen of subtiele omgevingsveranderingen?

Omdat het systeem voortdurend redeneert over kracht, beweging en resultaten, kan het detecteren wanneer de realiteit afwijkt van verwachtingen en aanpassen in real-time. Gereedschapsverschijnselen wordt een variabele, niet een fout. Materiaalvariatie wordt onderdeel van de redenering.

Dit is fundamenteel anders dan drempel-gebaseerde foutafhandeling – het is continue aanpassing.

Kijkend naar de toekomst, over vijf jaar, hoe ziet u de fysica-gebaseerde GenAI evolueren, en wat ziet een volledig autonome fabriek eruit die is ingeschakeld door synthetische redenering?

Vanuit mijn perspectief zal de komende vijf jaar de overgang markeren van automatisering naar echte cognitieve productie.

Fysica-gebaseerde GenAI zal evolueren van het optimaliseren van individuele taken naar het bouwen van fundamentele modellen voor hele industriële systemen. In plaats van te trainen op pixels of eerder trajecten, zullen deze systemen voortdurend leren van kracht, temperatuur, energie en dynamica, waardoor een oorzakelijke begrip van elke operatie mogelijk wordt.

De verschuiving is diepgaand:

• Van programmeren → zelf gegenereerde besturingsstrategieën
• Van statische modellen → voortdurend leren systemen
• Van correlatie → fysica-gebaseerde redenering

Een volledig autonome fabriek die is ingeschakeld door synthetische redenering, zal er fundamenteel anders uitzien. Machines zullen zichzelf programmeren op basis van gewenste resultaten, aanpassen in real-time aan variabiliteit in materialen en geometrie, en inherent kwaliteit controleren in plaats van te inspecteren na het feit. Kennis zal niet worden geïsoleerd – het zal zich verspreiden over machines, lijnen en zelfs fabrieken, waardoor de prestaties voortdurend worden verbeterd.

Maar de belangrijkste transformatie is menselijk. Met een echte synthetische hersenen voor productie, wordt de relatie tussen mensen en machines tweerichtingsverkeer. Mensen zullen niet alleen machines programmeren, maar ook leren van hen, net zoals machines leren van menselijke intentie en ervaring.

Automatisering stopt met het zijn van een functie en wordt een platform voor carrièregroei, voortdurend leren en ontdekking. Ingenieurs, operators en technici zullen samenwerken met systemen die verklaren, aanpassen en hun begrip van fysieke processen verhogen.

In die wereld zijn er geen weken van kalibratie of duizenden regels code. De fabriek werkt als een gecoördineerd, fysica-gebaseerd systeem dat menselijke capaciteit en inzicht versterkt.

Uiteindelijk gaan we van fabrieken die instructies uitvoeren naar fabrieken die begrijpen, redeneren en samen evolueren met mensen. Dat is de toekomst die we bij Xaba aan het bouwen zijn.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Xaba bezoeken Xaba.