Інтерв’ю
Масіміліано Моруззі, засновник і генеральний директор Xaba – Серія інтерв’ю
Масіміліано Моруззі, засновник і генеральний директор Xaba, є довгостроковим виконавцем у галузі промислової автоматики та штучного інтелекту з глибоким досвідом у галузі робототехніки, систем виробництва, обладнання з ЧПУ та промислового контролю на основі штучного інтелекту. До заснування Xaba у 2022 році він обіймав керівні посади в Augmenta, де очолював дослідження та розробку зосереджені на автоматизації на основі штучного інтелекту, а раніше обіймав керівні інженерні та програмні посади в Ingersoll Machine Tools та IMTA. За понад два десятиліття роботи в галузі промислової техніки Моруззі зосередився на подоланні розриву між передовими роботами та практичним розгортанням виробництва, з особливим акцентом на наданні машинам можливості працювати більш інтелектуально, адаптивно та автономно.
Xaba – це торонтська компанія з промислового штучного інтелекту, яка розробляє те, що вона описує як “синтетичні мозки” для промислових роботів та систем виробництва. Платформа компанії поєднує генеративний штучний інтелект, навчання з підкріпленням, контроль робототехніки та промислової автоматики, щоб дозволити роботам, машинам з ЧПУ та системам з контролем ПЛК програмувати себе та адаптуватися в реальному часі без ручного кодування. Її флагманські технології, включаючи xCognition та PLCfy, призначені для автоматизації програмування робототехніки, оптимізації виробничих потоків та прискорення розгортання в галузях, таких як аерокосмічна промисловість, автомобільна промисловість та сучасне виробництво. Xaba позиціонує свою технологію як спосіб модернізації заводської автоматики шляхом заміни жорстких, ручних систем на системи когнітивного контролю на основі штучного інтелекту, які можуть навчатися на основі операційних даних та динамічно адаптуватися до змінних умов виробництва.
Що спочатку спонукало ідею створення Xaba, і коли ви зрозуміли, що промисловим роботам потрібен фундаментально інший підхід – фактично синтетичний мозок, а не ще більше рядків коду?
Ідея виникла після спостереження за тим, як більшість промислових роботів не справляються навіть з найосновнішим рівнем змінності. Ці машини механічно точні, але когнітивно крихкі. Незначні зміни у допусках деталей, параметрах процесу або поведінці матеріалів можуть зруйнувати всю операцію.
Відповідь галузі була послідовною: написати більше коду, додати дорогі жорсткі кріплення, щоб ліквідувати змінність, накласти ще більше правил, покладатися на нагляд людини та постійно перенастроювати систему.
Тоді мені прийшло усвідомлення: це не проблема програмного забезпечення – це відсутність мозку.
Сучасні промислові роботи та контролери сліпо виконують інструкції, не розуміючи, чи результат насправді добрий чи поганий. Вони не думають про фізичний світ навколо них.
Роботи не провалюються через відсутність інструкцій; вони провалюються через відсутність розуміння. Люди не покладаються на тисячі рядків коду, щоб затягнути болт або нанести клей. Ми адаптуємося інстинктивно на основі сили, руху та фізичної зворотної зв’язі.
Стало зрозуміло, що промисловим роботам потрібна синтетична система розуміння, заснована на фізиці, а не ще одна шар програмування.
Як ваш досвід у Augmenta AI та попередніх ролях сформував вашу перспективу перед вступом до Xaba, і які конкретні прогалини чи ідеї спонукали вас створити цю компанію?
У Augmenta AI ми були глибоко зосереджені на прийнятті рішень на основі штучного інтелекту, оптимізації та автономності. Стало очевидним, що більшість систем штучного інтелекту працюють у абстрактній манері, тобто оптимізують представлення даних, а не взаємодіють з фізичною реальністю.
У попередніх ролях я бачив, як проекти з автоматизації застрягали або провалювалися не через те, що роботи були не здатні, а через те, що інженерний наклад був нестійким. Прогалина була очевидною: не було шару інтелекту, який міг би з’єднати високорівневу інтентність з реальною фізикою. Xaba існує для того, щоб закрити цю прогалину, надавши машинам можливість думати про силу, рух, обмеження та результати так само, як це роблять кваліфіковані люди.
Xaba будує перший у світі фізично-орієнтовану систему Генеративного штучного інтелекту для промислових роботів. Як цей підхід відрізняється від традиційного програмування роботів та від сучасних моделей штучного інтелекту?
Традиційне програмування роботів залежить від попередньо визначених шляхів, параметрів процесу, сил та послідовностей дій. Воно припускає, що середовище поводиться однаково кожен раз, як у моделі CAD.
Сучасні моделі штучного інтелекту використовують інший підхід, але вони все ще в основному статистичні. Вони хороші у прогнозуванні та імітації, але вони не真正но розуміють фізичну причину та наслідок.
Фізично-орієнтований штучний інтелект Xaba вводить третю парадигму. Замість того, щоб покладатися в основному на візуальні дані або статичні інструкції, ми використовуємо часові ряди даних з датчиків, таких як сила, температура, прискорення, напруга, акустика та вібрація, щоб зрозуміти основну фізику процесу.
Це дає системі розуміння того, як дії впливають на результати. Замість того, щоб просто слідувати інструкціям, машина може адаптуватися в реальному часі, коли умови змінюються.
Ми рухаємося від жорсткої автоматизації до систем, які можуть думати фізично про роботу, яку вони виконують.
Як синтетичне розуміння покращує якість, повторюваність та адаптивність у реальному часі на виробничій лінії?
Синтетичне розуміння дозволяє роботам адаптуватися під час виконання завдання. Якщо опір змінюється, робот компенсує відповідно. Якщо поведінка матеріалу змінюється, він адаптує рух. Це призводить до вищої якості, оскільки робот реагує на реальність, а не на припущення.
Повторюваність покращується, оскільки система не повторює крихкі траєкторії; вона повторно розв’язує завдання кожен раз на основі фізичної інтентності. І адаптивність стає рідною, а не винятком, який потребує перепрограмування.
Чому ви вважаєте, що наступний великий прорив у штучному інтелекті відбудеться у фізичних системах, а не у чисто цифрових?
Бо реальний світ працює на основі фізики, а не кореляцій. Більшість сучасного штучного інтелекту побудовано навколо розпізнавання закономірностей та прогнозування.
Найбільші прориви у штучному інтелекті досі відбулися у цифрових середовищах, де розпізнавання закономірностей часто достатньо. Але фізичні системи, такі як зварювання, обробка матеріалів та зборка, працюють інакше. Вони залежать від причинно-наслідкових відносин між силою, енергією, температурою, рухом та поведінкою матеріалів. У цих середовищах невеликі варіації можуть зруйнувати процес, а помилки мають реальні наслідки.
Це чому наступний прорив вимагає зсуву від даних, керованих передбаченням, до фізично-орієнтованого розуміння.
Фізично-орієнтований штучний інтелект дозволяє цей зсув. Використовуючи часові ряди даних з датчиків для витягування керуючих рівнянь процесу, штучний інтелект може перейти від припущення про результати до розуміння того, як система поводиться. Це дозволяє машинам адаптуватися в реальному часі, навіть під змінністю.
- Цифровий штучний інтелект → у основному побудований навколо кореляції, прогнозування та генерації контенту.
- Фізично-орієнтований штучний інтелект → дозволяє машинам думати, адаптуватися та реагувати на реальні умови в реальному часі.
Наступна хвиля штучного інтелекту не буде визначена кращими моделями мови або імітаційними іграми, а машинами, які можуть зрозуміти та контролювати реальність.
Що робить сучасну інфраструктуру автоматизації застарілою, і що потрібно зробити, щоб виправити це в масштабах усієї галузі?
Сучасна інфраструктура побудована на припущенні, що змінність – це ворог. Все жорстке, переінженерне та дорого утримувати. Вона не масштабується добре, оскільки кожна нова продукція або варіація процесу вимагає величезного втручання людини.
Щоб виправити це, потрібно перейти від програмування до когнітивних процесів. Потрібен універсальний шар інтелекту, який може сидіти на вершині існуючого апаратного забезпечення та зробити його адаптивним. Це спосіб модернізувати автоматизацію без демонтажу десятиліть інвестицій.
Багато виробників борються з завданнями, які все ще потребують тисяч рядків коду та тижнів калібрування. Як Xaba усуває цю瓶ячку?
Виробники натикаються на цю瓶ячку, оскільки сучасні системи керуються кодом та імітацією, а не розумінням. Вони покладаються на тисячі рядків логіки або на моделі штучного інтелекту, навчені на пікселях та відео, які ми часто називаємо імітаційною грою. Ці підходи захоплюють закономірності, але не розуміють основний процес.
Xaba йде по фундаментально іншому шляху.
Ми використовуємо часові ряди даних з датчиків, сили, температури, струму та вібрації для побудови нового класу фундаментальних моделей, заснованих на фізиці. Замість навчання кореляціям наш фізично-орієнтований штучний інтелект витягує керуючі рівняння процесу. Це дає системі справжнє причинно-наслідкове розуміння того, як дії впливають на результати.
Від那里 система генерує фізично валідні дії в реальному часі. Робот не повторює приклади або слідує попередньо визначеному коду; він думає про процес до виконання дії та адаптується безперервно під змінністю.
На практиці це означає відсутність тисяч рядків коду, відсутність залежності від піксельної імітації та відсутність постійної перенастройки, коли умови змінюються. Замість цього ви отримуєте систему, яка розуміє фізику та контролює її. Це спосіб переходу від програмування та імітації до справжнього фізичного розуміння та автономного контролю.
Роботи, які вчаться з демонстрації, – це сміливий зсув. Які технічні віхи зробили це можливим, і які обмеження все ще існують сьогодні?
Роботи, які вчаться з демонстрації, – це важливий крок, але це все ще в основному імітаційний підхід. Ці системи відображають спостереження (такі як пікселі або траєкторії) у дії без розуміння основної фізики завдання.
З точки зору фізично-орієнтованого штучного інтелекту справжнє віхою є перехід від імітації до причинно-наслідкового розуміння.
Що зробило це можливим:
- Прогрес у сприйнятті (моделі мови-образу, багатомодальні дані)
- Багатомасштабні набори даних поведінки людини та роботів
- Поліпшені політики, які можуть відображати спостереження у дії
Але ці системи все ще фундаментально керуються кореляціями. Вони можуть повторювати те, що вони бачили, але вони борються, коли:
- Матеріали поводяться інакше
- Параметри процесу змінюються
- Геометрія або допуски змінюються
- Реальна фізика відхиляється від навчальних даних
Тоді обмеження стають очевидними.
У Xaba ми йдемо по іншому шляху. Замість того, щоб вчити, що робити з демонстрацій, ми вчимо, чому це працює.
Використовуючи часові ряди даних з датчиків, Xaba витягує керуючі фізичні рівняння процесу. Це створює фундаментальну модель фізично-орієнтованого штучного інтелекту, яка розуміє, як система поводиться під різними умовами.
Справжній прорив відбувається з можливістю машини думати про сили, енергію та поведінку матеріалів, адаптуватися в реальному часі та генерувати фізично валідні дії.
Як система Xaba адаптується до непередбачуваних умов реального світу – змін матеріалів, зношування інструментів або тонких змін середовища?
Оскільки система безперервно думає про силу, рух та результати, вона може виявити, коли реальність відхиляється від очікувань, та адаптуватися в реальному часі. Зношування інструментів стає змінною, а не провалом. Змінність матеріалів стає частиною циклу розуміння.
Це фундаментально відрізняється від обробки помилок на основі порогів – це безперервна адаптація.
Оглядаючись вперед на п’ять років, як ви бачите розвиток фізично-орієнтованого Генеративного штучного інтелекту, і що виглядає повністю автономний завод, що використовує синтетичне розуміння?
З моєї точки зору, наступні п’ять років позначать перехід від автоматизації до справжнього когнітивного виробництва.
Фізично-орієнтований Генеративний штучний інтелект буде розвиватися від оптимізації окремих завдань до побудови фундаментальних моделей для цілих промислових систем. Замість навчання на пікселях або попередніх траєкторіях ці системи будуть безперервно навчатися з сили, температури, енергії та динаміки, забезпечуючи причинно-наслідкове розуміння кожної операції.
Зсув є глибоким:
- Від програмування → самогенеруючих стратегій контролю
- Від статичних моделей → безперервно навчальних систем
- Від кореляції → фізично-орієнтованому розумінню
Повністю автономний завод, що використовує синтетичне розуміння, буде виглядати фундаментально інакше. Машини самі запрограмують себе на основі бажаних результатів, адаптуються в реальному часі до змінності матеріалів та геометрії, та внутрішньо контролюватимуть якість, а не інспектуватимуть її після факту. Знання не буде ізольованим – воно буде поширюватися між машинами, лініями та навіть заводами, покращуючи продуктивність безперервно.
Але найважливішою трансформацією є людська. З справжнім синтетичним мозком для виробництва, відношення між людьми та машинами стане двостороннім. Люди не тільки програмуватимуть машини, але й навчатимуться з них, так само, як машини вчаться з людської інтентності та досвіду.
Автоматизація перестане бути функцією роботи та стане платформою для професійного зростання, безперервного навчання та відкриттів. Інженери, оператори та техніки співпрацюватимуть з системами, які пояснюють, адаптуються та підвищують їхнє розуміння фізичних процесів.
У цьому світі немає тижнів калібрування або тисяч рядків коду. Завод працює як координована, фізично-орієнтована система, яка посилює людську здатність та розуміння.
Нарешті, ми рухаємося від заводів, які виконують інструкції, до заводів, які розуміють, думають та співеволюціонують з людьми. Це майбутнє, яке ми будемо будувати в Xaba.
Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Xaba.
