Massimiliano Moruzzi, grunnlegger og CEO av Xaba – Intervju-serie

Massimiliano Moruzzi, grunnlegger og CEO av Xaba, er en erfaren industriell automasjon og AI-ekspert med dypt kunnskap innen robotikk, produksjonssystemer, CNC-maskiner og AI-drevet industriell kontroll. Før han grunnla Xaba i 2022, hadde han ledende roller i Augmenta, der han ledet forsknings- og utviklingsarbeid med fokus på AI-drevet automasjon, og tidligere tjenestegjorde i senior ingeniør- og programvareutviklingsstillinger i Ingersoll Machine Tools og IMTA. Over mer enn to tiår i industriell teknologi har Moruzzi fokusert på å brygge gapet mellom avansert robotikk og praktisk produksjonsutvikling, med særlig vekt på å enable maskiner til å operere mer intelligente, adaptive og autonome.

Xaba er et Toronto-basert industrielt AI-selskap som utvikler hva de beskriver som “syntetiske hjerner” for industrielle roboter og fabrikksystemer. Selskapets plattform kombinerer generativ AI, forsterkingslæring, robotkontroll og industriell automasjon for å tillate roboter, CNC-maskiner og PLC-styrte systemer å selvprogrammere og tilpasse seg i sanntid uten manuell kode. Deres flaggskips-teknologier, inkludert xCognition og PLCfy, er designet for å automatisere robotprogrammering, optimalisere produksjonsflyter og akselerere implementering over industrier som luftfart, bilindustri og avansert produksjon. Xaba stiller sin teknologi som en måte å modernisere fabrikksautomatisering ved å erstatte stive, manuelt programmerbare systemer med AI-drevet kognitiv kontroll som kan lære fra operasjonsdata og dynamisk tilpasse seg endringer i produksjonsmiljøet.

Hva var det som først utløste ideen til Xaba, og når ble du klar over at industrielle roboter trengte en fundamentalt annen tilnærming — essensielt en syntetisk hjerne i stedet for mer kode?

Ignitten kom fra å observere hvordan de fleste industrielle roboter feiler på det mest grunnleggende nivået av variasjon. Disse maskinene er mekanisk presise, men kognitivt skjøre. Små endringer i deltoleranser, prosessparametere eller materialegenskaper kan kaste av hele operasjonen.

Industriens respons har vært konsistent: skriv mer kode, legg til dyre, stive fikseringer for å eliminere variasjon, lag på flere regler, avheng av menneskelig tilsyn og hold på å rekalkulere systemet.

Da var det at erkjennelsen traff meg: dette er ikke et programvareproblem — det er en manglende hjerne.

I dag utfører industrielle roboter og kontrollere blindt instruksjoner uten å forstå om utfallet er godt eller dårlig. De resonerer ikke om den fysiske verden rundt seg.

Robotene feiler ikke fordi de mangler instruksjoner; de feiler fordi de mangler forståelse. Mennesker avhenger ikke av tusenvis av linjer med kode for å stramme en bolt eller påføre lim. Vi tilpasser oss instinktivt basert på kraft, bevegelse og fysisk tilbakemelding.

Det ble klart at industrielle roboter trenger et syntetisk resoneringsystem basert på fysikk, ikke bare et annet lag med programmering.

Hvordan har din erfaring i Augmenta AI og tidligere roller formet din perspektiv før du kom til Xaba, og hva var det spesifikke hull eller innsikt som førte deg til å bygge dette selskapet?

I Augmenta AI var vi dypt fokusert på AI-drevet beslutningstaking, optimalisering og autonomi. Det som ble åpenbart var at de fleste AI-systemer opererte på en abstrakt måte, det vil si at de optimerte datarepresentasjoner i stedet for å interagere med fysisk virkelighet.

I tidligere roller hadde jeg sett automatiseringsprosjekter stoppe eller feile ikke fordi robotene ikke var kapable, men fordi ingeniørarbeidet var ikke bærekraftig. Hullene var åpenbare: det var ingen intelligenslag som kunne koble høynivå-intent med fysisk virkelighet. Xaba eksisterer for å brygge dette gapet, og gi maskinene evnen til å resonnere om kraft, bevegelse, begrensninger og resultater på samme måte som dyktige mennesker.

Xaba bygger verdens første fysikk-baserte GenAI-system for industrielle roboter. Hvordan adskiller denne tilnærmingen seg fra tradisjonell robotprogrammering og fra dagens mainstream AI-modeller?

Tradisjonell robotprogrammering avhenger av forhåndsdefinerte baner, prosessparametere, krefter og sekvenser av handlinger. Den antar at miljøet oppfører seg på samme måte hver gang, som en CAD-modell.

Mainstream AI-modeller tar en annen tilnærming, men de er fortsatt hovedsakelig statistiske. De er gode til prediksjon og imitasjon, men de forstår ikke virkelig fysisk årsak og virkning.

Xabas Fysikk-AI introduserer en tredje paradigm. I stedet for å avhenge primært av visuell data eller statiske instruksjoner, bruker vi tidsseriedata fra sensorer som kraft, temperatur, akselerasjon, spenning, akustikk og vibrasjon for å forstå de underliggende fysikkene i en prosess.

Dette gir systemet en forståelse av hvordan handlinger påvirker resultater. I stedet for å bare følge instruksjoner, kan maskinen tilpasse seg i sanntid når forholdene endrer seg.

Vi flytter industrielle roboter fra stiv automatisering til systemer som kan resonnere fysisk om arbeidet de utfører.

Hvordan forbedrer syntetisk resonnement kvalitet, gjentakelse og sanntids-tilpasning på fabrikkgulvet?

Syntetisk resonnement enablet roboter til å tilpasse seg under oppgaven. Hvis motstanden endrer seg, kompenserer roboten deretter. Hvis materialegenskaper endrer seg, tilpasser den bevegelsen. Dette fører til høyere kvalitet fordi roboten reagerer på virkeligheten, ikke antagelser.

Gjentakelse forbedres fordi systemet ikke avspiller skjøre baner; det løser oppgaven hver gang basert på fysisk intent. Og tilpasning blir naturlig, ikke en unntak som krever omprogrammering.

Hvorfor tror du at den neste store gjennombruddet i AI vil skje i fysiske systemer, i stedet for ren digitale?

Fordi den virkelige verden kjører på fysikk, ikke korrelasjoner. De fleste av dagens AI er bygget rundt mønstergjenkjenning og prediksjon.

De største AI-gjennombruddene så langt har skjedd i digitale miljøer der mønstergjenkjenning ofte er nok. Men fysiske systemer som sveising, maskinering og montering fungerer annerledes. De avhenger av årsakssammenhenger mellom kraft, energi, temperatur, bevegelse og materialegenskaper. I disse miljøene kan små variasjoner bryte en prosess, og feil har reelle konsekvenser.

Dette er hvorfor det neste gjennombruddet krever en skifte fra datadrevet prediksjon til fysikk-basert resonnement.

Fysikk-AI enablet denne skiftet. Ved å bruke tidsseriedata fra sensorer til å trekke ut de styrende likningene i en prosess, kan AI flytte fra å gjette utfall til å forstå hvordan systemet oppfører seg. Dette tillater maskiner til å tilpasse seg i sanntid, selv under variasjon.

• Digital AI → hovedsakelig bygget rundt korrelasjon, prediksjon og innholdsgenerering.
• Fysikk-AI → Enablet maskiner til å resonnere, tilpasse og reagere på virkelige forhold i sanntid.

Det neste bølget av AI vil ikke bli definert av bedre LLM eller Imitation Games, men av maskiner som kan forstå og kontrollere virkeligheten.

Hva gjør dagens automatiserings-infrastruktur foreldet, og hva kreves det for å fikse det på en industriell skala?

Dagens infrastruktur er bygget på antagelsen at variasjon er fienden. Alt er stift, overingeniørt og dyrt å vedlikeholde. Det skalerer ikke godt fordi hver ny produkt- eller prosessvariasjon krever massiv menneskelig inngripen.

For å fikse dette kreves en skifte fra programmering til kognition. Du trenger et universelt intelligenslag som kan sitte på toppen av eksisterende maskinvare og gjøre den tilpasningsdyktig. Det er hvordan du moderniserer automatisering uten å rive ut tiår av investeringer.

Mange produsenter sliter med oppgaver som fortsatt krever tusenvis av linjer med kode og uker med kalibrering. Hvordan eliminerer Xaba denne flaskehalsen?

Produsenter treffer denne flaskehalsen fordi dagens systemer er kode-drevne og imitasjons-baserte, ikke forståelses-drevne. De avhenger av tusenvis av linjer med logikk eller av AI-modeller trent på piksler og videoer, som vi ofte kaller en imitasjonslek. Disse tilnærmingene fanger mønster, men de forstår ikke den underliggende prosessen.

Xaba tar en fundamentalt annen vei.

Vi bruker tidsseriedata fra sensorer, kraft, temperatur, strøm og vibrasjon for å bygge en ny klasse av grunnleggende modeller basert på fysikk. I stedet for å lære korrelasjoner, trekker vår Fysikk-AI ut de styrende likningene i prosessen. Dette gir systemet en virkelig årsakssammenhengende forståelse av hvordan handlinger påvirker utfall.

Fra der genererer systemet fysisk gyldige handlinger i sanntid. Roboten avspiller ikke eksempler eller følger forhåndsdefinert kode; den resonerer om prosessen før den handler og tilpasser seg kontinuerlig under variasjon.

I praksis betyr det at det ikke er noen tusenvis av linjer med kode, ingen avhengighet av piksel-basert imitasjon og ingen konstant rekalkulering når forholdene endrer seg. I stedet får du et system som forstår fysikken og kontrollerer den. Det er hvordan vi flytter fra programmering og imitasjon til sant fysisk resonnement og autonom kontroll.

Robotene som lærer fra demonstrasjon er en dristig skifte. Hva tekniske milepæler gjorde dette mulig, og hva begrensninger eksisterer fortsatt i dag?

Robotene som lærer fra demonstrasjon er et viktig skritt, men det er fortsatt hovedsakelig en imitasjons-basert tilnærming. Disse systemene kartlegger observasjoner (som piksler eller baner) til handlinger uten å forstå den underliggende fysikken i oppgaven.

Fra et Fysikk-AI-perspektiv er den virkelige milepælen å flytte fra imitasjon til årsakssammenhengende forståelse.

Hva gjorde dette mulig er:

• Fremgang i persepsjon (visuelt-språk-modeller, multimodal data)
• Storskala datasett av menneskelig og robot-atferd
• Forbedrede politikker som kan kartlegge observasjoner til handlinger

Men disse systemene er fortsatt fundamentalt korrelasjons-drevne. De kan replikere hva de har sett, men de sliter når:

• Materialegenskaper oppfører seg annerledes
• Prosessparametere endrer seg
• Geometri eller toleranser varierer
• Virkelige fysikk avviker fra treningdata

Det er der begrensningene blir åpenbare.

I Xaba tar vi en annen tilnærming.

Vi lærer ikke hva å gjøre fra demonstrasjoner, men hvorfor det fungerer.

Ved å bruke tidsseriedata fra sensorer, trekker Xaba ut de styrende fysikk-likningene i prosessen. Dette skaper en grunnleggende Fysikk-AI-modell som forstår hvordan systemet oppfører seg under forskjellige forhold.

Det virkelige gjennombruddet kommer fra maskinens evne til å resonnere om krefter, energi og materialegenskaper, tilpasse seg i sanntid og generere fysisk gyldige handlinger.

Hvordan tilpasser Xabas system seg uforutsigbare virkelige forhold — materialegenskapsvariasjoner, verktøy-slitasje eller subtile miljøendringer?

Fordi systemet kontinuerlig resonerer om kraft, bevegelse og resultater, kan det detektere når virkeligheten avviker fra forventninger og justere i sanntid. Verktøy-slitasje blir en variabel, ikke en feil. Materialegenskapsvariasjon blir en del av resonnementssykkelen.

Dette er fundamentalt annerledes enn terskel-basert feilhåndtering — det er kontinuerlig tilpasning.

Seende fremover fem år, hvordan ser du for deg at fysikk-basert GenAI vil utvikle seg, og hva vil en fullstendig autonom fabrikk enablet av syntetisk resonnement se ut som?

Fra min perspektiv vil de neste fem årene markere overgangen fra automatisering til sant kognitiv produksjon.

Fysikk-basert GenAI vil utvikle seg fra å optimalisere enkelt-oppgaver til å bygge grunnleggende modeller for hele industrielle systemer. I stedet for å trene på piksler eller tidligere baner, vil disse systemene kontinuerlig lære fra kraft, temperatur, energi og dynamikk, og enablet årsakssammenhengende forståelse av hver operasjon.

Skiftet er profunt:

• Fra programmering → selv-genererende kontrollstrategier
• Fra statiske modeller → kontinuerlig lærings-systemer
• Fra korrelasjon → fysikk-basert resonnement

En fullstendig autonom fabrikk enablet av syntetisk resonnement vil se fundamentalt annerledes ut. Maskiner vil selv-programmere basert på ønskede resultater, tilpasse seg i sanntid til variasjoner i materialer og geometri, og innebygget kontrollere kvalitet i stedet for å inspisere den etterpå. Kunnskap vil ikke være siloet — det vil spre seg over maskiner, linjer og selv fabrikker, og forbedre ytelsen kontinuerlig.

Men den viktigste transformasjonen er menneskelig. Med en sant syntetisk hjerne for produksjon, blir forholdet mellom mennesker og maskiner toveisk. Mennesker vil ikke bare programmere maskiner, men også lære fra dem, like maskiner lærer fra menneskelig intent og erfaring.

Automatisering stopper å være en jobbfunksjon og blir en plattform for karriere-utvikling, kontinuerlig læring og oppdagelse. Ingeniører, operatører og tekniske eksperter vil samarbeide med systemer som forklarer, tilpasser og forbedrer deres forståelse av fysiske prosesser.

I den verden er det ingen uker med kalibrering eller tusenvis av linjer med kode. Fabrikken opererer som et koordinert, fysikk-basert system som forbedrer menneskelig evne og innsikt.

Til slutt flytter vi fra fabrikker som utfører instruksjoner til fabrikker som forstår, resonerer og sam-evolverer med mennesker. Det er fremtiden vi bygger i Xaba.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Xaba.