马西米利亚诺·莫鲁兹，Xaba 创始人兼 CEO – 采访系列

马西米利亚诺·莫鲁兹，Xaba 的创始人兼 CEO，是一位长期从事工业自动化和人工智能的高管，拥有深厚的专业知识，涵盖机器人、制造系统、CNC 机床和人工智能驱动的工业控制等领域。在 2022 年创立 Xaba 之前，他曾在 Augmenta AI 担任领导职务，领导了人工智能驱动的自动化研究和开发工作，并曾在 Ingersoll Machine Tools 和 IMTA 担任高级工程和软件研发职位。莫鲁兹在工业技术领域工作了二十多年，专注于弥合高级机器人和实际制造部署之间的差距，特别强调使机器能够更智能、更适应性和更自治地运行。

Xaba 是一家位于多伦多的工业人工智能公司，正在开发所谓的“合成大脑”用于工业机器人和工厂系统。该公司的平台结合了生成式人工智能、强化学习、机器人控制和工业自动化，允许机器人、CNC 机床和 PLC 控制系统自行编程和适应，而无需手动编码。其旗舰技术，包括 xCognition 和 PLCfy，旨在自动化机器人编程、优化制造工作流程，并在航空航天、汽车和先进制造等行业加速部署。Xaba 将其技术定位为一种现代化工厂自动化的方式，通过用人工智能驱动的认知控制取代刚性、手动编程的系统，能够从操作数据中学习并动态适应不断变化的生产环境。

是什么激发了您最初的想法，Xaba，又是什么时候您意识到工业机器人需要一种根本不同的方法——一种合成的大脑，而不是更多的代码行？

最初的想法来自于观察大多数工业机器人在最基本的可变性方面都失败了。这些机器在机械上是精确的，但在认知上是脆弱的。零件公差、工艺参数或材料行为的微小变化都可能破坏整个操作。

行业的反应一直很一致：编写更多代码，添加昂贵的刚性夹具以消除可变性，添加更多规则，依赖人工监督，并不断重新校准系统。

那时我意识到：这不是一个软件问题 —— 这是一个缺失的大脑。

今天的工业机器人和控制器盲目地执行指令，而不了解结果是否实际上是好的或坏的。他们不思考周围的物理世界。

机器人并不是因为缺乏指令而失败；它们是因为缺乏理解而失败。人类不依赖成千上万行代码来紧固一个螺栓或涂抹粘合剂。我们本能地根据力、运动和物理反馈进行适应。

很明显，工业机器人需要一个基于物理的合成推理系统，而不仅仅是另一层编程。

您在 Augmenta AI 和之前的职位中积累的经验如何塑造您进入 Xaba 的视角，您认为哪些具体的差距或洞察力促使您建立这家公司？

在 Augmenta AI，我们深入研究了人工智能驱动的决策、优化和自治。很明显，大多数人工智能系统以抽象的方式运行，优化数据表示而不是与物理现实交互。

在之前的职位中，我曾看到自动化项目停滞或失败，不是因为机器人不够能干，而是因为工程负担不可持续。差距很明显：没有一个智能层可以连接高层次的意图和物理现实。Xaba 的存在就是为了弥合这一差距，赋予机器以同样方式理解力、运动、约束和结果的能力，就像熟练的人类一样。

Xaba 正在构建世界上第一个基于物理的通用人工智能系统，用于工业机器人。这种方法与传统的机器人编程和今天的主流人工智能模型有何不同？

传统的机器人编程依赖于预定义的路径、工艺参数、力和操作序列。它假设环境每次都表现相同，就像 CAD 模型一样。

主流人工智能模型采用了不同的方法，但它们仍然主要是统计性的。它们擅长预测和模仿，但它们并没有真正理解物理因果关系。

Xaba 的物理人工智能引入了第三种范式。我们不仅仅依赖视觉数据或静态指令，而是使用来自传感器的时间序列数据，例如力、温度、加速度、电压、声学和振动，以了解过程的底层物理学。

这使得系统能够理解行动如何影响结果。机器不仅仅是遵循指令，还可以在条件变化时适应。

我们正在将工业机器人从刚性自动化转变为能够物理地推理其工作的系统。

合成推理如何提高工厂车间的质量、一致性和实时适应性？

合成推理使机器人能够在任务中适应。如果阻力改变，机器人相应地进行补偿。如果材料行为发生变化，它会调整运动。这导致了更高的质量，因为机器人对现实做出反应，而不是假设。

一致性得到改善，因为系统不是重放脆弱的轨迹；它每次都根据物理意图重新求解任务。适应性变得天然，而不是需要重新编程的异常。

为什么您认为人工智能的下一个重大突破将发生在物理系统中，而不是纯粹的数字系统中？

因为现实世界是由物理学而不是相关性驱动的。大多数今天的人工智能都是围绕模式识别和预测构建的。

迄今为止最大的人工智能突破发生在数字环境中，在那里识别模式往往足够。但物理系统，如焊接、机械加工和装配，运行方式不同。它们依赖于力、能量、温度、运动和材料行为之间的因果关系。在这些环境中，小的变化可能会破坏一个过程，错误会产生真正的后果。

这就是为什么下一个突破需要从数据驱动的预测转变为基于物理的推理。

物理人工智能使这种转变成为可能。通过使用时间序列传感器数据来提取过程的控制方程，人工智能可以从猜测结果转变为理解系统的行为方式。这使得机器能够在可变性下实时适应。

• 数字人工智能 → 大多数是围绕相关性、预测和内容生成构建的。
• 物理人工智能 → 启用机器实时推理、适应和对物理条件做出反应的能力。

下一波人工智能不会被更好的语言模型或模仿游戏定义，而是由能够理解和控制现实的机器定义。

今天的自动化基础设施已经过时，需要什么来在整个行业范围内解决这个问题？

今天的基础设施是建立在可变性是敌人的假设之上的。所有东西都是刚性的、过度工程化的和昂贵的维护。它不能很好地扩展，因为每一个新的产品或工艺变异都需要大量的人类干预。

解决这个问题需要从编程转变为认知。你需要一个通用的智能层，可以坐在现有硬件上并使其适应。这就是你如何在不撕掉几十年投资的情况下现代化自动化的方式。

许多制造商在需要成千上万行代码和数周校准的任务中挣扎。Xaba 如何消除这种瓶颈？

制造商遇到这种瓶颈，因为今天的系统是由代码驱动和基于模仿的，而不是由理解驱动的。它们依赖于成千上万行逻辑或基于像素和视频的训练人工智能模型，我们经常称之为模仿游戏。这些方法捕获模式，但它们并没有真正理解底层过程。

Xaba 采取了根本不同的方法。

我们使用时间序列传感器数据、力、温度、电流和振动来构建一个新的基于物理的基础模型类别。我们不学习相关性，而是从过程中提取控制方程。这使得系统真正理解行动如何影响结果。

从那里，系统实时生成物理有效的行动。机器人不重放示例或遵循预定义的代码；它在行动前推理过程，并在可变性下持续适应。

在实践中，这意味着没有成千上万行代码，没有依赖像素的模仿，没有不断重新校准。当条件变化时，系统理解物理并控制它。这就是我们从编程和模仿转变为真正的物理推理和自治控制的方式。

机器人从示范中学习是一个大胆的转变。哪些技术里程碑使其成为可能，今天仍然存在哪些限制？

机器人从示范中学习是一个重要的步骤，但它仍然主要是一种基于模仿的方法。这些系统将观察（如像素或轨迹）映射到行动，而不理解任务的底层物理学。

从物理人工智能的角度来看，真正的里程碑是从模仿转变为因果理解。

使其成为可能的因素是：

• 感知的进步（视觉语言模型、多模态数据）
• 大规模的人类和机器人行为数据集
• 能够将观察映射到行动的改进策略

但是这些系统仍然基本上是相关性驱动的。它们可以复制自己所见的内容，但当：

• 材料表现不同
• 工艺参数发生变化
• 几何或公差变化
• 现实世界的物理偏离训练数据

Xaba 采取了不同的方法。我们不从示范中学习做什么，而是学习为什么有效。

使用时间序列传感器数据，Xaba 提取过程的控制方程。这创建了一个基于物理的基础模型，理解系统在不同条件下的行为方式。

真正的突破来自于机器能够推理力、能量和材料行为，实时适应，并生成物理有效的行动。

Xaba 的系统如何适应不可预测的现实世界条件，例如材料变化、工具磨损或微妙的环境变化？

因为系统持续推理力、运动和结果，所以它可以检测到现实与预期的偏差，并实时进行调整。工具磨损成为一个变量，而不是故障。材料变化成为推理循环的一部分。

这与基于阈值的错误处理根本不同 —— 它是连续的适应。

展望未来五年，您如何看待基于物理的通用人工智能的演变，以及由合成推理驱动的完全自治工厂将会是什么样子？

从我的角度来看，未来五年将标志着从自动化到真正的认知制造的转变。

基于物理的通用人工智能将从优化单个任务转变为构建整个工业系统的基础模型。这些系统将不再训练基于像素或过去的轨迹，而是从力、温度、能量和动力学中持续学习，实现每个操作的因果理解。

转变是深刻的：

• 从编程 → 自我生成控制策略
• 从静态模型 → 持续学习系统
• 从相关性 → 基于物理的推理

由合成推理驱动的完全自治工厂将看起来根本不同。机器将根据期望的结果自行编程，实时适应材料和几何的变化，并内在地控制质量，而不是事后检查。知识将不再被隔离 —— 它将在机器、生产线，甚至工厂之间传播，不断提高性能。

但最重要的转变是人类。拥有真正的合成大脑用于制造，人类和机器之间的关系变得双向。人类不仅编程机器，还会从机器中学习，就像机器从人类的意图和经验中学习一样。

自动化不再是一种职能，而成为职业成长、持续学习和发现的平台。工程师、操作员和技术人员将与能够解释、适应和提高他们对物理过程理解的系统合作。

在那个世界里，没有数周的校准或数千行代码。工厂作为一个协调的、物理感知的系统运行，放大人类的能力和洞察力。

最终，我们从执行指令的工厂转变为理解、推理和与人类共同进化的工厂。那是我们在 Xaba 建造的未来。

感谢这次精彩的采访，希望了解更多的读者可以访问 Xaba。