Intervjuer
Massimiliano Moruzzi, grundare och VD för Xaba – Intervjuer
Massimiliano Moruzzi, grundare och VD för Xaba, är en erfaren industrial automation och AI-executive med djup expertis inom robotteknik, tillverkningssystem, CNC-maskiner och AI-styrd industriell kontroll. Innan han grundade Xaba 2022 hade han ledande roller på Augmenta, där han ledde forsknings- och utvecklingsinsatser med fokus på AI-styrd automation, och tidigare tjänstgjort i seniora ingenjörs- och programvaruutvecklingspositioner på Ingersoll Machine Tools och IMTA. Under mer än två decennier inom industriell teknik har Moruzzi fokuserat på att överbrygga gapet mellan avancerad robotteknik och praktisk tillverkningsdistribution, med särskild tonvikt på att möjliggöra för maskiner att fungera mer intelligently, anpassningsbart och autonomt.
Xaba är ett Toronto-baserat industriellt AI-företag som utvecklar vad de beskriver som “syntetiska hjärnor” för industrirobotar och fabrikssystem. Företagets plattform kombinerar generativ AI, förstärkt inlärning, robotkontroll och industriell automation för att tillåta robotar, CNC-maskiner och PLC-styrda system att självprogrammera och anpassa sig i realtid utan manuell kodning. Deras flaggskeppsteknologier, inklusive xCognition och PLCfy, är utformade för att automatisera robotprogrammering, optimera tillverkningsflöden och påskynda distributionen över hela branscher som flyg-, bil- och avancerad tillverkning. Xaba positionerar sin teknik som ett sätt att modernisera fabriksautomation genom att ersätta rigida, manuellt programmerade system med AI-styrd kognitiv kontroll som kan lära sig från operativa data och dynamiskt anpassa sig till förändrade produktionsmiljöer.
Vad var det som först gav upphov till idén för Xaba, och när insåg du att industrirobotar behövde en fundamentalt annorlunda tillvägagångssätt — i princip en syntetisk hjärna snarare än fler kodrader?
Gnistan kom från att observera hur de flesta industrirobotar misslyckas på det mest grundläggande sättet med variation. Dessa maskiner är mekaniskt exakta, men kognitivt sköra. Små förändringar i deltoleranser, processparametrar eller materialegenskaper kan kasta av hela operationen.
Industrins svar har varit konsekvent: skriva mer kod, lägga till dyra, rigida fästen för att eliminera variation, lägga till fler regler, förlita sig på mänsklig övervakning och fortsätta kalibrera systemet.
Det var då insikten slog mig: detta är inte ett mjukvaruproblem — det är en saknad hjärna.
Dagens industrirobotar och kontroller utför blindt instruktioner utan att förstå om resultatet verkligen är bra eller dåligt. De resonerar inte om den fysiska världen omkring dem.
Robotar misslyckas inte för att de saknar instruktioner; de misslyckas för att de saknar förståelse. Människor förlitar sig inte på tusentals kodrader för att dra åt en skruv eller applicera lim. Vi anpassar oss instinktivt baserat på kraft, rörelse och fysisk återkoppling.
Det blev tydligt att industrirobotar behöver ett syntetiskt resonemangssystem grundat i fysik, inte bara ytterligare en lager programmering.
Hur har din erfarenhet på Augmenta AI och tidigare roller format din synvinkel inför Xaba, och vilka specifika luckor eller insikter fick dig att bygga det här företaget?
På Augmenta AI var vi djupt fokuserade på AI-styrd beslutsfattning, optimering och autonomi. Vad som blev uppenbart var att de flesta AI-system opererade på ett abstrakt sätt, vilket innebar att de optimerade datarepresentationer snarare än att interagera med fysisk verklighet.
I tidigare roller hade jag sett automationsprojekt stanna eller misslyckas, inte för att robotarna inte var kapabla, utan för att den tekniska överbelastningen var ohållbar. Klyftan var tydlig: det fanns ingen intelligenslager som kunde koppla högnivåavsikter med verklig fysik. Xaba existerar för att överbrygga den klyftan och ge maskiner möjlighet att resonera om kraft, rörelse, begränsningar och resultat på samma sätt som skickliga människor.
Xaba bygger världens första fysikbaserade GenAI-system för industrirobotar. Hur skiljer sig den här tillvägagångssättet från traditionell robotprogrammering och från dagens mainstream AI-modeller?
Traditionell robotprogrammering beror på fördefinierade banor, processparametrar, krafter och sekvenser av åtgärder. Den antar att miljön beter sig på samma sätt varje gång, som en CAD-modell.
Mainstream AI-modeller tar en annan tillvägagångssätt, men de är fortfarande i stor utsträckning statistiska. De är bra på att förutsäga och imitera, men de förstår inte verkligen fysisk orsak och verkan.
Xabas Fysik-AI introducerar en tredje paradigm. Istället för att förlita sig primärt på visuell data eller statiska instruktioner, använder vi tidssekvensdata från sensorer som kraft, temperatur, acceleration, spänning, akustik och vibration för att förstå den underliggande fysiken i en process.
Detta ger systemet en förståelse för hur åtgärder påverkar resultat. Istället för att bara följa instruktioner, kan maskinen anpassa sig i realtid när förhållandena förändras.
Vi flyttar industrirobotar från rigid automation till system som kan resonera fysiskt om arbetet de utför.
Hur förbättrar syntetiskt resonemang kvalitet, reproducerbarhet och realtidsanpassning på fabriksgolvet?
Syntetiskt resonemang möjliggör för robotar att anpassa sig under uppgiften. Om motståndet förändras, kompenserar roboten därefter. Om materialegenskaper förändras, anpassar den rörelsen. Detta leder till högre kvalitet eftersom roboten svarar på verkligheten, inte antaganden.
Reproducerbarhet förbättras eftersom systemet inte upprepar sköra banor; det löser om uppgiften varje gång baserat på fysisk avsikt. Och anpassning blir naturlig, inte en undantag som kräver omprogrammering.
Varför tror du att den nästa stora genombrottet inom AI kommer att ske i fysiska system, snarare än renodlat digitala?
Eftersom den verkliga världen fungerar på fysik, inte korrelationer. De flesta av dagens AI är byggda kring mönsterigenkänning och förutsägelse.
De största AI-genombrotten hittills har skett i digitala miljöer där mönsterigenkänning ofta räcker. Men fysiska system som svetsning, maskinbearbetning och montering fungerar annorlunda. De beror på orsakssamband mellan kraft, energi, temperatur, rörelse och materialegenskaper. I dessa miljöer kan små variationer bryta en process, och fel har verkliga konsekvenser.
Detta är varför nästa genombrott kräver en skift från datadriven förutsägelse till fysikbaserat resonemang.
Fysik-AI möjliggör detta skift. Genom att använda tidssekvensdata från sensorer för att extrahera de styrande ekvationerna för en process, kan AI flytta från att gissa resultat till att förstå hur systemet beter sig. Detta möjliggör för maskiner att anpassa sig i realtid, även under variation.
- Digital AI → i stor utsträckning byggd kring korrelation, förutsägelse och innehållsgenerering.
- Fysik-AI → Möjliggör för maskiner att resonera, anpassa sig och svara på verkliga förhållanden i realtid.
Nästa våg av AI kommer inte att definieras av bättre LLM eller Imitation Games, utan av maskiner som kan förstå och kontrollera verkligheten.
Vad gör dagens automationsinfrastruktur föråldrad, och vad krävs för att åtgärda det på en branschomfattande skala?
Dagens infrastruktur byggs på antagandet att variation är fienden. Allt är rigida, överingenjörerat och dyrt att underhålla. Det skalar inte väl eftersom varje ny produkt eller processvariation kräver massiv mänsklig inblandning.
Att åtgärda detta kräver en skift från programmering till kognition. Du behöver ett universellt intelligenslager som kan sitta ovanpå befintlig hårdvara och göra den anpassningsbar. Det är så du moderniserar automation utan att riva ut decennier av investeringar.
Många tillverkare kämpar med uppgifter som fortfarande kräver tusentals kodrader och veckor av kalibrering. Hur eliminerar Xaba den flaskhalsen?
Tillverkare hamnar i den flaskhalsen eftersom dagens system är koddrivna och imitationsbaserade, inte förståelsebaserade. De förlitar sig på tusentals kodrader eller på AI-modeller tränade på pixlar och videor, som vi ofta kallar en imitationslek. Dessa tillvägagångssätt fångar mönster, men de förstår inte den underliggande processen.
Xaba tar en fundamentalt annorlunda väg.
Vi använder tidssekvensdata från sensorer, kraft, temperatur, ström och vibration för att bygga en ny klass av grundläggande modeller grundade i fysik. Istället för att lära korrelationer, extraherar vår Fysik-AI de styrande ekvationerna för processen. Detta ger systemet en verklig orsakssambandsförståelse av hur åtgärder påverkar resultat.
Från där genererar systemet fysiskt giltiga åtgärder i realtid. Roboten upprepar inte exempel eller följer fördefinierad kod; den resonerar om processen innan den agerar och anpassar sig kontinuerligt under variation.
I praktiken betyder det att det inte finns några tusentals kodrader, ingen tillit till pixelbaserad imitation och ingen konstant omkalibrering när förhållandena förändras. Istället får du ett system som förstår fysiken och kontrollerar den. Det är så vi flyttar från programmering och imitation till verkligt fysiskt resonemang och autonom kontroll.
Robotar som lär av demonstration är en djärv skift. Vilka tekniska milstolpar gjorde detta möjligt, och vilka begränsningar finns fortfarande idag?
Robotar som lär av demonstration är ett viktigt steg, men det är fortfarande i stor utsträckning en imitationsbaserad tillvägagångssätt. Dessa system kartlägger observationer (såsom pixlar eller banor) till åtgärder utan att förstå den underliggande fysiken i uppgiften.
Från ett Fysik-AI-perspektiv är den verkliga milstolpen att flytta från imitation till orsakssambandsförståelse.
Vad som gjorde detta möjligt är:
- Framsteg inom perception (vision-språksmodeller, multimodal data)
- Storskaliga dataset av mänskligt och robotbeteende
- Förbättrade policys som kan kartlägga observationer till åtgärder
Men dessa system är fortfarande i stor utsträckning korrelationsdrivna. De kan replikera vad de har sett, men de kämpar när:
- Material beter sig annorlunda
- Processparametrar förändras
- Geometri eller toleranser varierar
- Verklig fysik avviker från träningsdata
Det är där begränsningarna blir tydliga.
På Xaba tar vi en annan tillvägagångssätt. Istället för att lära vad man ska göra från demonstrationer, lär vi oss varför det fungerar.
Genom att använda tidssekvensdata från sensorer, extraherar Xaba de styrande fysikekvationerna för processen. Detta skapar en grundläggande Fysik-AI-modell som förstår hur systemet beter sig under olika förhållanden.
Den verkliga genombrottet kommer från maskinens förmåga att resonera om krafter, energi och materialegenskaper, anpassa sig i realtid och generera fysiskt giltiga åtgärder.
Hur anpassar sig Xabas system till oförutsägbara verkliga förhållanden — materialegenskapsvariationer, verktygsslitage eller subtila miljöförändringar?
Eftersom systemet kontinuerligt resonerar om kraft, rörelse och resultat, kan det upptäcka när verkligheten avviker från förväntningar och justera i realtid. Verktygsslitage blir en variabel, inte en felkälla. Materialegenskapsvariation blir en del av resonemangsloopen.
Detta är fundamentalt annorlunda än tröskelbaserad felhantering — det är kontinuerlig anpassning.
Om fem år, hur ser du att fysikbaserad GenAI utvecklas, och vad ser en fullt autonom fabrik ut som, möjliggjord av syntetiskt resonemang?
Från min synvinkel kommer de närmaste fem åren att markera övergången från automation till verklig kognitiv tillverkning.
Fysikbaserad GenAI kommer att utvecklas från att optimera enskilda uppgifter till att bygga grundläggande modeller för hela industriella system. Istället för att träna på pixlar eller tidigare banor, kommer dessa system att kontinuerligt lära sig från kraft, temperatur, energi och dynamik, och möjliggöra orsakssambandsförståelse av varje operation.
Skiftet är djupgående:
- Från programmering → självgenererande kontrollstrategier
- Från statiska modeller → kontinuerligt lärande system
- Från korrelation → fysikbaserat resonemang
En fullt autonom fabrik möjliggjord av syntetiskt resonemang kommer att se fundamentalt annorlunda ut. Maskiner kommer att självprogrammera baserat på önskade resultat, anpassa sig i realtid till variationer i material och geometri, och inneboende kontrollera kvalitet snarare än inspektera den efteråt. Kunskap kommer inte att vara isolerad — den kommer att spridas över maskiner, linjer och till och med fabriker, och förbättra prestanda kontinuerligt.
Men den viktigaste transformationen är mänsklig. Med en verklig syntetisk hjärna för tillverkning, blir relationen mellan människor och maskiner ömsesidig. Människor kommer inte bara att programmera maskiner, utan kommer också att lära sig av dem, precis som maskiner lär sig av mänsklig avsikt och erfarenhet.
Automation slutar vara en arbetsfunktion och blir en plattform för karriärutveckling, kontinuerligt lärande och upptäckt. Ingenjörer, operatörer och tekniker kommer att samarbeta med system som förklarar, anpassar sig och höjer deras förståelse av fysiska processer.
I den världen finns det inga veckor av kalibrering eller tusentals kodrader. Fabriken fungerar som ett samordnat, fysikmedvetet system som förstärker mänsklig förmåga och insikt.
Till slut flyttar vi från fabriker som utför instruktioner till fabriker som förstår, resonerar och samutvecklas med människor. Det är den framtid vi bygger på Xaba.
Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Xaba.
