Massimiliano Moruzzi, Fundador e CEO da Xaba – Série de Entrevistas

Massimiliano Moruzzi, fundador e CEO da Xaba, é um executivo de automação industrial e inteligência artificial com experiência profunda em robótica, sistemas de manufatura, máquinas CNC e controle industrial baseado em IA. Antes de fundar a Xaba em 2022, ele ocupou cargos de liderança na Augmenta, onde liderou esforços de pesquisa e desenvolvimento focados em automação baseada em IA, e anteriormente atuou em posições de engenharia e desenvolvimento de software sênior na Ingersoll Machine Tools e IMTA. Ao longo de mais de duas décadas na tecnologia industrial, Moruzzi se concentrou em reduzir a lacuna entre robótica avançada e implantação de manufatura prática, com ênfase especial em permitir que as máquinas operem de forma mais inteligente, adaptativa e autônoma.

Xaba é uma empresa de inteligência artificial industrial com sede em Toronto que desenvolve o que descreve como “cérebros sintéticos” para robôs industriais e sistemas de fábrica. A plataforma da empresa combina inteligência artificial gerativa, aprendizado por reforço, controle de robótica e automação industrial para permitir que robôs, máquinas CNC e sistemas controlados por PLC se autoprogramem e adaptem em tempo real sem codificação manual. Suas tecnologias de ponta, incluindo xCognition e PLCfy, são projetadas para automatizar a programação de robótica, otimizar fluxos de trabalho de manufatura e acelerar a implantação em indústrias como aeroespacial, automotiva e manufatura avançada. A Xaba posiciona sua tecnologia como uma forma de modernizar a automação de fábrica, substituindo sistemas rígidos e programados manualmente por controle cognitivo baseado em IA capaz de aprender com dados operacionais e ajustar-se dinamicamente a ambientes de produção em constante mudança.

O que despertou a ideia para a Xaba, e quando você percebeu que os robôs industriais precisavam de uma abordagem fundamentalmente diferente — basicamente um cérebro sintético em vez de mais linhas de código?

A ideia surgiu ao observar como a maioria dos robôs industriais falha no nível mais básico de variabilidade. Essas máquinas são mecanicamente precisas, mas cognitivamente frágeis. Pequenas mudanças nas tolerâncias das peças, parâmetros do processo ou comportamento dos materiais podem interromper toda a operação.

A resposta da indústria tem sido consistente: escrever mais código, adicionar fixadores rígidos e caros para eliminar a variabilidade, adicionar mais regras, confiar na supervisão humana e continuar recalibrando o sistema.

Foi então que a percepção me atingiu: isso não é um problema de software — é um cérebro que falta.

Hoje, os robôs industriais e controladores executam cegamente as instruções sem entender se o resultado é realmente bom ou ruim. Eles não raciocinam sobre o mundo físico ao seu redor.

Os robôs não falham porque falta instruções; eles falham porque falta compreensão. Os seres humanos não confiam em milhares de linhas de código para apertar um parafuso ou aplicar adesivo. Nós nos adaptamos instintivamente com base na força, movimento e feedback físico.

Tornou-se claro que os robôs industriais precisam de um sistema de raciocínio sintético baseado em física, não apenas mais uma camada de programação.

Como sua experiência na Augmenta AI e em papéis anteriores moldou sua perspectiva ao entrar na Xaba, e quais lacunas ou insights específicos o levaram a construir essa empresa?

Na Augmenta AI, estávamos profundamente focados em tomada de decisão baseada em IA, otimização e autonomia. O que se tornou óbvio é que a maioria dos sistemas de IA operava de maneira abstrata, ou seja, otimizavam representações de dados em vez de interagir com a realidade física.

Em papéis anteriores, eu havia visto projetos de automação paralisados ou falhados, não porque os robôs não fossem capazes, mas porque a sobrecarga de engenharia era insustentável. A lacuna era clara: não havia uma camada de inteligência que pudesse conectar a intenção de alto nível com a física do mundo real. A Xaba existe para preencher essa lacuna, dando às máquinas a capacidade de raciocinar sobre força, movimento, restrições e resultados da mesma forma que os seres humanos habilidosos.

A Xaba está construindo o primeiro sistema de IA baseado em física do mundo para robôs industriais. Como essa abordagem difere da programação de robô tradicional e dos modelos de IA mainstream atuais?

A programação de robô tradicional depende de caminhos pré-definidos, parâmetros do processo, forças e sequências de ações. Ela assume que o ambiente se comporta da mesma maneira todas as vezes, como um modelo CAD.

Os modelos de IA mainstream adotam uma abordagem diferente, mas ainda são fundamentalmente estatísticos. Eles são bons em previsão e imitação, mas não entendem realmente a causa e efeito físico.

A abordagem da Xaba introduz um terceiro paradigma. Em vez de confiar principalmente em dados visuais ou instruções estáticas, usamos dados de série temporal de sensores como força, temperatura, aceleração, voltagem, acústica e vibração para entender a física subjacente de um processo.

Isso dá ao sistema uma compreensão de como as ações afetam os resultados. Em vez de seguir apenas instruções, a máquina pode se adaptar em tempo real quando as condições mudam.

Estamos movendo os robôs industriais da automação rígida para sistemas que podem raciocinar fisicamente sobre o trabalho que estão realizando.

Como o raciocínio sintético melhora a qualidade, a repetibilidade e a adaptabilidade em tempo real no chão de fábrica?

O raciocínio sintético permite que os robôs se adaptem durante a tarefa. Se a resistência muda, o robô compensa de acordo. Se o comportamento do material muda, ele adapta o movimento. Isso leva a uma maior qualidade porque o robô responde à realidade, não a suposições.

A repetibilidade melhora porque o sistema não está reproduzindo trajetórias frágeis; ele está resolvendo a tarefa novamente a cada vez com base na intenção física. E a adaptabilidade se torna nativa, não uma exceção que exige reprogramação.

Por que você acredita que o próximo grande avanço em IA ocorrerá em sistemas físicos, e não em sistemas puramente digitais?

Porque o mundo real funciona com base em física, não em correlações. A maioria da IA de hoje é construída em torno do reconhecimento de padrões e previsão.

Os maiores avanços em IA até agora ocorreram em ambientes digitais, onde o reconhecimento de padrões é frequentemente suficiente. Mas sistemas físicos, como soldagem, usinagem e montagem, funcionam de forma diferente. Eles dependem de relações causais entre força, energia, temperatura, movimento e comportamento dos materiais. Nesses ambientes, pequenas variações podem quebrar um processo, e erros têm consequências reais.

É por isso que o próximo avanço exige uma mudança da previsão baseada em dados para o raciocínio baseado em física.

A IA baseada em física permite essa mudança. Ao usar dados de série temporal de sensores para extrair as equações governantes de um processo, a IA pode mudar de adivinhar resultados para entender como o sistema se comporta. Isso permite que as máquinas se adaptem em tempo real, mesmo sob variabilidade.

• IA digital → construída principalmente em torno de correlação, previsão e geração de conteúdo.
• IA baseada em física → Permite que as máquinas raciocinem, se adaptem e respondam a condições do mundo real em tempo real.

A próxima onda de IA não será definida por LLMs melhores ou Imitation Games, mas por máquinas que possam entender e controlar a realidade.

O que torna a infraestrutura de automação atual ultrapassada, e o que é necessário para corrigi-la em escala industrial?

A infraestrutura atual é construída com base na suposição de que a variabilidade é o inimigo. Tudo é rígido, superprojetado e caro para manter. Não escala bem porque cada nova variação de produto ou processo exige uma grande intervenção humana.

Corrigir isso exige uma mudança da programação para a cognição. Você precisa de uma camada de inteligência universal que possa ser colocada sobre o hardware existente e torná-lo adaptativo. É assim que você moderniza a automação sem descartar décadas de investimento.

Muitos fabricantes lutam com tarefas que ainda exigem milhares de linhas de código e semanas de calibração. Como a Xaba elimina esse gargalo?

Os fabricantes atingem esse gargalo porque os sistemas atuais são baseados em código e imitação, não em compreensão. Eles dependem de milhares de linhas de lógica ou de modelos de IA treinados em pixels e vídeos, que frequentemente chamamos de jogo de imitação. Essas abordagens capturam padrões, mas não entendem o processo subjacente.

A Xaba segue um caminho fundamentalmente diferente.

Usamos dados de série temporal de sensores, força, temperatura, corrente e vibração para construir uma nova classe de modelos fundamentais baseados em física. Em vez de aprender correlações, nossa IA baseada em física extrai as equações governantes do processo. Isso dá ao sistema uma compreensão causal real de como as ações afetam os resultados.

A partir daí, o sistema gera ações fisicamente válidas em tempo real. O robô não reproduz exemplos ou segue código pré-definido; ele raciocina sobre o processo antes de agir e se adapta continuamente sob variabilidade.

Na prática, isso significa não haver milhares de linhas de código, não confiar na imitação baseada em pixels e não haver recalibração constante quando as condições mudam. Em vez disso, você obtém um sistema que entende a física e controla. É assim que mudamos da programação e imitação para o raciocínio físico real e controle autônomo.

Os robôs aprendendo com demonstração é uma mudança ousada. Quais marcos técnicos tornaram isso possível, e quais restrições ainda existem hoje?

Os robôs aprendendo com demonstração são um passo importante, mas ainda é basicamente uma abordagem baseada em imitação. Esses sistemas mapeiam observações (como pixels ou trajetórias) para ações sem entender a física subjacente da tarefa.

Do ponto de vista da IA baseada em física, o marco real é mudar da imitação para a compreensão causal.

O que tornou isso possível é:

• Avanços na percepção (modelos de linguagem e visão, dados multimodais)
• Conjuntos de dados em grande escala de comportamento humano e robótico
• Políticas aprimoradas que podem mapear observações para ações

Mas esses sistemas ainda são fundamentalmente impulsionados por correlação. Eles podem replicar o que viram, mas lutam quando:

• Materiais se comportam de forma diferente
• Parâmetros do processo mudam
• Geometria ou tolerâncias variam
• Física do mundo real se desvia dos dados de treinamento

Aí é que as limitações se tornam claras.

Na Xaba, seguimos uma abordagem diferente. Em vez de aprender o que fazer a partir de demonstrações, aprendemos por que funciona.

Usando dados de série temporal de sensores, a Xaba extrai as equações físicas governantes do processo. Isso cria um modelo de IA baseada em física que entende como o sistema se comporta sob diferentes condições.

O avanço real vem da capacidade da máquina de raciocinar sobre forças, energia e comportamento dos materiais, adaptar em tempo real e gerar ações fisicamente válidas.

Como o sistema da Xaba se adapta a condições do mundo real imprevisíveis — variações de materiais, desgaste de ferramentas ou mudanças ambientais sutis?

Porque o sistema continua raciocinando sobre força, movimento e resultados, ele pode detectar quando a realidade se desvia das expectativas e ajustar em tempo real. O desgaste de ferramentas se torna uma variável, não uma falha. A variação do material se torna parte do loop de raciocínio.

Isso é fundamentalmente diferente do tratamento de erros baseado em limites — é uma adaptação contínua.

Olhando cinco anos à frente, como você vê a IA baseada em física evoluindo, e como uma fábrica totalmente autônoma, habilitada pelo raciocínio sintético, parece?

Da minha perspectiva, os próximos cinco anos marcarão a transição da automação para a manufatura cognitiva real.

A IA baseada em física evoluirá de otimizar tarefas individuais para construir modelos fundamentais para sistemas industriais inteiros. Em vez de treinar em pixels ou trajetórias passadas, esses sistemas aprenderão continuamente com base em força, temperatura, energia e dinâmica, permitindo uma compreensão causal de cada operação.

A mudança é profunda:

• De programação → estratégias de controle auto-geradas
• De modelos estáticos → sistemas que aprendem continuamente
• De correlação → raciocínio baseado em física

Uma fábrica totalmente autônoma, habilitada pelo raciocínio sintético, parecerá fundamentalmente diferente. As máquinas se autoprogramarão com base em resultados desejados, adaptarão em tempo real à variabilidade nos materiais e geometria, e controlarão intrinsicamente a qualidade em vez de inspecioná-la após o fato. O conhecimento não será isolado — ele se propagará por máquinas, linhas e até fábricas, melhorando o desempenho continuamente.

Mas a transformação mais importante é humana. Com um cérebro sintético real para a manufatura, a relação entre humanos e máquinas se torna bidirecional. Os humanos não apenas programarão as máquinas, mas aprenderão com elas, assim como as máquinas aprenderão com a intenção e a experiência humanas.

A automação deixa de ser uma função de trabalho e se torna uma plataforma para crescimento de carreira, aprendizado contínuo e descoberta. Engenheiros, operadores e técnicos colaborarão com sistemas que explicam, adaptam e elevam a compreensão dos processos físicos.

Nesse mundo, não há semanas de calibração ou milhares de linhas de código. A fábrica opera como um sistema coordenado, baseado em física, que amplifica a capacidade e a percepção humana.

Ultimamente, mudamos de fábricas que executam instruções para fábricas que entendem, raciocinam e evoluem com os humanos. Esse é o futuro que estamos construindo na Xaba.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Xaba.