Massimiliano Moruzzi, Założyciel i Dyrektor Generalny Xaba – Seria Wywiadów

Massimiliano Moruzzi, założyciel i dyrektor generalny Xaba, to doświadczony menedżer w branży automatyki przemysłowej i sztucznej inteligencji, z głęboką wiedzą obejmującą robotykę, systemy produkcyjne, maszyny CNC i kontrolę przemysłową opartą na sztucznej inteligencji. Przed założeniem Xaba w 2022 roku, pełnił funkcje kierownicze w Augmenta, gdzie kierował badaniami i rozwojem w dziedzinie automatyki opartej na sztucznej inteligencji, a wcześniej zajmował stanowiska inżynierskie i rozwojowe w Ingersoll Machine Tools i IMTA. Przez ponad dwie dekady w branży technologii przemysłowych, Moruzzi koncentrował się na zamykaniu lukę pomiędzy zaawansowaną robotyką a praktycznym wdrożeniem produkcyjnym, ze szczególnym naciskiem na umożliwienie maszynom działania w sposób bardziej inteligentny, adaptacyjny i autonomiczny.

Xaba to torontońska firma przemysłowa zajmująca się sztuczną inteligencją, rozwijająca tzw. „syntetyczne mózgi” dla robotów przemysłowych i systemów fabrycznych. Platforma firmy łączy generatywną sztuczną inteligencję, uczenie wzmocnione, kontrolę robotów i automatykę przemysłową, aby umożliwić robotom, maszynom CNC i systemom sterowanym przez PLC samoprogramowanie i adaptację w czasie rzeczywistym bez konieczności ręcznego programowania. Flagowe technologie, w tym xCognition i PLCfy, są zaprojektowane do automatyzacji programowania robotów, optymalizacji przepływów produkcyjnych i przyspieszenia wdrożenia w branżach takich jak lotnictwo, motoryzacja i zaawansowana produkcja. Xaba prezentuje swoją technologię jako sposób na zmodernizowanie automatyki fabrycznej, zastępując sztywne, ręcznie programowane systemy kontrolą opartą na sztucznej inteligencji, która może uczyć się z danych operacyjnych i dynamicznie dostosowywać się do zmieniających się środowisk produkcyjnych.

Czym było pierwsze zainspirowanie do stworzenia Xaba, i kiedy zrozumiałeś, że roboty przemysłowe potrzebują zasadniczo innego podejścia – w zasadzie syntetycznego mózgu zamiast kolejnych linii kodu?

Pomysł narodził się z obserwacji, jak większość robotów przemysłowych zawodzi na podstawowym poziomie zmienności. Te maszyny są mechanicznie precyzyjne, ale poznawczo kruche. Niewielkie zmiany w tolerancjach części, parametrach procesu lub zachowaniu materiału mogą zakłócić całą operację.

Odpowiedź branży była konsekwentna: napisać więcej kodu, dodać drogie sztywne urządzenia, aby wyeliminować zmienność, nałożyć więcej reguł, polegać na nadzorze ludzkim i ciągle kalibrować system.

To było momentem, w którym dotarło do mnie: to nie jest problem oprogramowania – to brakujący mózg.

Dziś roboty przemysłowe i kontrolery wykonywają polecenia bez zrozumienia, czy efekt jest naprawdę dobry czy zły. Nie rozumieją świata fizycznego wokół siebie.

Roboty nie zawodzą, ponieważ brakuje im poleceń; zawodzą, ponieważ brakuje im zrozumienia. Ludzie nie polegają na tysiącach linii kodu, aby zaciąć śrubę lub nałożyć klej. Dostosowujemy się instynktownie w oparciu o siłę, ruch i informację zwrotną.

Stało się jasne, że roboty przemysłowe potrzebują systemu rozumowania syntetycznego opartego na fizyce, a nie tylko kolejnej warstwy programowania.

Jak Twoje doświadczenie w Augmenta AI i wcześniejszych rolach ukształtowało Twoją perspektywę wchodząc w Xaba, i jakie konkretnie luki lub spostrzeżenia skłoniły Cię do budowy tej firmy?

W Augmenta AI byliśmy głęboko zaangażowani w podejmowanie decyzji opartych na sztucznej inteligencji, optymalizacji i autonomii. To, co stało się oczywiste, to fakt, że większość systemów sztucznej inteligencji działała w sposób abstrakcyjny, tzn. optymalizowały one reprezentacje danych, a nie interakcje z rzeczywistością fizyczną.

W wcześniejszych rolach widziałem, jak projekty automatyki zatrzymywały się lub zawodziły nie dlatego, że roboty nie były w stanie, ale dlatego, że nakład inżynierski był nie do utrzymania. Lukę tę wypełnia Xaba, dając maszynom możliwość rozumienia siły, ruchu, ograniczeń i wyników w tym samym sposób, w jaki robią to ludzie.

Xaba buduje pierwszy na świecie system sztucznej inteligencji oparty na fizyce dla robotów przemysłowych. Jak ten podejście różni się od tradycyjnego programowania robotów i od współczesnych modeli sztucznej inteligencji?

Tradycyjne programowanie robotów opiera się na przeddefiniowanych ścieżkach, parametrach procesu, siłach i sekwencjach działań. Zakłada, że środowisko zachowuje się zawsze w ten sam sposób, jak model CAD.

Współczesne modele sztucznej inteligencji stosują inne podejście, ale nadal są w dużej mierze statystyczne. Są dobre w predykcji i imitacji, ale nie rozumieją prawdziwych przyczyn i skutków fizycznych.

Podejście Xaba wprowadza trzeci paradygmat. Zamiast polegania głównie na danych wizualnych lub statycznych instrukcjach, wykorzystujemy dane czasowe z czujników, takich jak siła, temperatura, przyspieszenie, napięcie, akustyka i drgania, aby zrozumieć podstawową fizykę procesu.

To daje systemowi zrozumienie, jak działania wpływają na wyniki. Zamiast po prostu wykonywać polecenia, maszyna może dostosować się w czasie rzeczywistym, gdy warunki się zmieniają.

Przenosimy roboty przemysłowe z sztywnej automatyki do systemów, które mogą rozumieć fizycznie pracę, którą wykonują.

Jak syntetyczne rozumowanie poprawia jakość, powtarzalność i dostosowanie w czasie rzeczywistym na podłodze fabrycznej?

Syntetyczne rozumowanie umożliwia robotom dostosowanie się podczas zadania. Jeśli opór się zmienia, robot kompensuje odpowiednio. Jeśli zachowanie materiału się zmienia, dostosowuje ruch. To prowadzi do wyższej jakości, ponieważ robot reaguje na rzeczywistość, a nie na założenia.

Powtarzalność się poprawia, ponieważ system nie odtwarza kruchych trajektorii; rozwiązuje zadanie ponownie każdy raz na podstawie fizycznej intencji. I dostosowanie staje się rodzime, a nie wyjątkiem, które wymaga ponownego programowania.

Dlaczego uważasz, że następny wielki przełom w sztucznej inteligencji nastąpi w systemach fizycznych, a nie w czysto cyfrowych?

Ponieważ rzeczywisty świat opiera się na fizyce, a nie na korelacjach. Większość dzisiejszej sztucznej inteligencji jest zbudowana wokół rozpoznawania wzorców i predykcji.

Największe dotychczasowe przełomy w sztucznej inteligencji miały miejsce w środowiskach cyfrowych, gdzie rozpoznawanie wzorców często jest wystarczające. Ale systemy fizyczne, takie jak spawanie, obróbka i montaż, działają inaczej. Zależą one od przyczynowo-skutkowych relacji między siłą, energią, temperaturą, ruchem i zachowaniem materiału. W tych środowiskach niewielkie zmiany mogą złamać proces, a błędy mają realne konsekwencje.

Dlatego następny przełom wymaga przesunięcia od predykcji opartej na danych do rozumowania opartego na fizyce.

Sztuczna inteligencja oparta na fizyce umożliwia to przesunięcie. Wykorzystując dane czasowe z czujników do wyodrębnienia rządzących równań procesu, sztuczna inteligencja może przenieść się od zgadywania wyników do zrozumienia, jak system zachowuje się. To pozwala maszynom dostosować się w czasie rzeczywistym, nawet pod zmiennością.

• Sztuczna inteligencja cyfrowa → w dużej mierze zbudowana wokół korelacji, predykcji i generacji treści.
• Sztuczna inteligencja oparta na fizyce → umożliwia maszynom rozumowanie, dostosowanie i reagowanie na warunki świata rzeczywistego w czasie rzeczywistym.

Następna fala sztucznej inteligencji nie zostanie zdefiniowana przez lepsze modele językowe lub gry imitacyjne, ale przez maszyny, które mogą zrozumieć i kontrolować rzeczywistość.

Co sprawia, że dzisiejsza infrastruktura automatyki jest przestarzała, i co jest potrzebne, aby to naprawić na skalę całej branży?

Dzisiejsza infrastruktura jest zbudowana na założeniu, że zmienność jest wrogiem. Wszystko jest sztywne, przestarzałe i drogie w utrzymaniu. Nie skaluje się dobrze, ponieważ każda nowa odmiana produktu lub procesu wymaga ogromnej interwencji ludzkiej.

Naprawienie tego wymaga przesunięcia od programowania do poznania. Potrzebna jest warstwa inteligencji, która może siedzieć na górze istniejącego sprzętu i sprawić, że stanie się on adaptacyjny. To jest sposób, w jaki modernizuje się automatykę, nie wyrywając dziesiątek lat inwestycji.

Wielu producentów boryka się z zadaniami, które nadal wymagają tysiąca linii kodu i tygodni kalibracji. Jak Xaba eliminuje ten wąskie gardło?

Producenci napotykają to wąskie gardło, ponieważ dzisiejsze systemy są napędzane kodem i oparte na imitacji, a nie na zrozumieniu. Opierają się na tysiącach linii logiki lub na modelach sztucznej inteligencji szkolonych na pikselach i filmach, co nazywamy grą imitacyjną. Te podejścia capture wzorce, ale nie rozumieją podstawowego procesu.

Xaba podejmuje zasadniczo odmienne podejście.

Wykorzystujemy dane czasowe z czujników, siły, temperatury, prądu i wibracji, aby zbudować nową klasę modeli podstawowych opartych na fizyce. Zamiast uczenia się korelacji, nasza sztuczna inteligencja oparta na fizyce wyodrębnia rządzące równania procesu. To daje systemowi prawdziwe zrozumienie przyczynowe, jak działania wpływają na wyniki.

Z tego miejsca system generuje fizycznie poprawne działania w czasie rzeczywistym. Robot nie odtwarza przykładów ani nie wykonuje przeddefiniowanego kodu; rozumie proces przed podjęciem działania i dostosowuje się ciągle pod zmienność.

W praktyce oznacza to, że nie ma już tysiąca linii kodu, nie ma polegania na imitacji opartej na pikselach i nie ma ciągłej kalibracji, gdy warunki się zmieniają. Zamiast tego, otrzymujesz system, który rozumie fizykę i ją kontroluje. To jest sposób, w jaki przechodzimy od programowania i imitacji do prawdziwego rozumowania fizycznego i kontroli autonomicznej.

Roboty uczące się z demonstracji to odważne przesunięcie. Jakie kamienie milowe techniczne umożliwiły to, i jakie ograniczenia nadal istnieją dzisiaj?

Roboty uczące się z demonstracji są ważnym krokiem, ale nadal opierają się na podejściu imitacyjnym. Te systemy mapują obserwacje (takie jak piksele lub trajektorie) na działania bez zrozumienia podstawowej fizyki zadania.

Z perspektywy sztucznej inteligencji opartej na fizyce, prawdziwym kamieniem milowym jest przejście od imitacji do zrozumienia przyczynowego.

To, co umożliwiło to, to:

• Postępy w percepcji (modele językowo-wizualne, dane multimodalne)
• Duże zbiory danych zachowania ludzi i robotów
• Poprawione polityki, które mogą mapować obserwacje na działania

Ale te systemy nadal opierają się fundamentalnie na korelacjach. Mogą odtwarzać to, co widziały, ale mają trudności, gdy:

• Materiały zachowują się inaczej
• Parametry procesu się zmieniają
• Geometria lub tolerancje się różnią
• Fizyka świata rzeczywistego odbiega od danych szkoleniowych

To jest miejsce, w którym ograniczenia stają się widoczne.

W Xaba podejmujemy inne podejście. Zamiast uczyć się, co robić z demonstracji, uczymy się, dlaczego to działa.

Wykorzystując dane czasowe z czujników, Xaba wyodrębnia rządzące równania fizyczne procesu. To tworzy model sztucznej inteligencji oparty na fizyce, który rozumie, jak system zachowuje się pod różnymi warunkami.

Prawdziwy przełom pochodzi z możliwości maszyny do rozumowania o siłach, energii i zachowaniu materiału, dostosowywania się w czasie rzeczywistym i generowania fizycznie poprawnych działań.

Jak system Xaba dostosowuje się do nieprzewidywalnych warunków świata rzeczywistego – zmian materiałów, zużycia narzędzi lub subtelnych zmian środowiskowych?

Ponieważ system ciągle rozumie siłę, ruch i wyniki, może wykryć, gdy rzeczywistość odbiega od oczekiwań, i dostosować się w czasie rzeczywistym. Zużycie narzędzi staje się zmienną, a nie awarią. Zmienność materiału staje się częścią pętli rozumowania.

To jest fundamentalnie różne od obsługi błędów opartej na progach – to jest ciągłe dostosowanie.

Spójrzając w przyszłość, przez pięć lat, jak widzisz ewolucję sztucznej inteligencji opartej na fizyce, i jaki wygląda w pełni autonomiczna fabryka wyposażona w syntetyczne rozumowanie?

Z mojej perspektywy, następne pięć lat będzie oznaczać przejście od automatyki do prawdziwej produkcji kognitywnej.

Sztuczna inteligencja oparta na fizyce ewoluuje od optymalizacji poszczególnych zadań do budowy modeli podstawowych dla całych systemów przemysłowych. Zamiast uczyć się na pikselach lub przeszłych trajektoriach, te systemy będą ciągle uczyć się z siły, temperatury, energii i dynamiki, umożliwiając zrozumienie przyczynowe każdej operacji.

Przesunięcie jest głębokie:

• Od programowania → generowania strategii kontroli
• Od modeli statycznych → systemów ciągle uczących się
• Od korelacji → rozumowania opartego na fizyce

W pełni autonomiczna fabryka wyposażona w syntetyczne rozumowanie będzie wyglądać fundamentalnie inaczej. Maszyny będą samoprogramować się na podstawie pożądanych wyników, dostosowywać się w czasie rzeczywistym do zmienności materiałów i geometrii, i wewnętrznie kontrolować jakość, zamiast ją sprawdzać po fakcie. Wiedza nie będzie izolowana – będzie się przenosić między maszynami, liniami i nawet fabrykami, poprawiając wydajność ciągle.

Ale najważniejsza transformacja jest ludzka. Z prawdziwym syntetycznym mózgiem dla produkcji, relacja między ludźmi a maszynami staje się dwukierunkowa. Ludzie nie tylko będą programować maszyny, ale będą się od nich uczyć, tak jak maszyny uczą się od ludzkiej intencji i doświadczenia.

Automatyka przestaje być funkcją pracy i staje się platformą dla rozwoju kariery, ciągłego uczenia się i odkrywania. Inżynierowie, operatorzy i technicy będą współpracować z systemami, które wyjaśniają, dostosowują i podnoszą ich zrozumienie procesów fizycznych.

W tym świecie nie ma tygodni kalibracji ani tysiąca linii kodu. Fabryka działa jako skoordynowany, fizycznie świadomy system, który wzmacnia ludzką zdolność i wgląd.

Ostatecznie przechodzimy od fabryk, które wykonują polecenia, do fabryk, które rozumieją, rozumują i ewoluują z ludźmi. To jest przyszłość, którą budujemy w Xaba.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Xaba.