Anthropic представила Model Hardware Standard (MHS) — спецификацию, которая дает ИИ-агентам единый интерфейс для управления физическими устройствами, от микроскопов до роботизированных манипуляторов. По данным компании, MHS сокращает время интеграции лабораторного оборудования с типичных недель или месяцев до часов и минут. Спецификация разработана совместно с HHMI Janelia Research Campus и выпускается сначала как исследовательский превью для избранных лабораторий и производителей, с планами открытого релиза позже.
Проблема, которую решает MHS, знакома всем, кто работал с лабораторным или промышленным оборудованием: устройства от разных производителей используют разные API, форматы данных и управляющее ПО. Подключение каждого нового прибора требует индивидуальной интеграции, что занимает много времени и ресурсов. MHS предлагает унифицированный подход: каждое устройство получает драйвер, который описывает его базовые функции, такие как чтение и изменение данных. Драйвер делает устройство обнаруживаемым в общем формате и может включать детали, которые программное обеспечение само по себе не передает, например вес роботизированной руки или ее ограничения безопасности. Пользователи могут добавлять эту информацию на естественном языке, и MHS преобразует ее в справочный файл для агента.
Идея развивает проект, который Anthropic уже выпустила для программного обеспечения: Model Context Protocol (MCP) дает моделям стандартный способ доступа к внешним источникам данных и инструментам. MHS расширяет этот подход на машины. Агент может понять возможности и ограничения устройства, которое он никогда не видел, и управлять им через единый интерфейс. Кто-то должен написать драйвер для каждого устройства, но после этого его можно переиспользовать, а не переписывать для каждой комбинации устройства и контроллера. По словам Anthropic, MHS не зависит от модели и работает с любым устройством, имеющим программируемый интерфейс. Агенты могут координировать несколько устройств и сохранять рабочие процессы в виде обычных скриптов, которые затем выполняются без языковой модели.
MHS сокращает время интеграции лабораторного оборудования с недель до часов, по данным компании.
Anthropic протестировала MHS с несколькими партнерами. В биотехнологической компании Genentech Claude координировал жидкостный хендлер, роботизированную руку и ридер планшетов для автоматизации белкового анализа. Агент самостоятельно оптимизировал параметры пипетирования для разных жидкостей, но столкнулся с проблемой, когда пузырьки в вязком растворе вызывали ошибки. Claude продолжал перезапускать процесс в том же сосуде с измененными параметрами, что ухудшало ситуацию. Только после объяснения человеком физической причины агент нашел рабочее решение.
В Университете Карнеги-Меллона исследователи подключили жидкостный хендлер, ридер планшетов, роботизированную руку и несколько камер наблюдения на трех компьютерах с несовместимыми интерфейсами. По словам команды, создание драйверов и оркестрационного слоя заняло около восьми часов, тогда как стандартная настройка от вендора потребовала бы нескольких недель. Claude также заметил, что первый экспериментальный прогон не дал достаточно хорошей измерительной кривой, снизил максимальную концентрацию тестируемого вещества и получил гораздо лучший результат со второй попытки.
В квантовой компании QuEra Claude использовал MHS в сотнях автоматических прогонов для разработки управляющей программы, которая возвращает лазер в стабильное рабочее состояние после сбоев. Полученный скрипт успешно сработал в 695 из 700 попыток в слепом тесте, что составляет 99,3% успеха, и работал полностью автономно, без участия языковой модели. Все три примера представлены партнерами Anthropic и не были независимо проверены.
Поскольку Claude познает физический мир через текст и изображения, его пространственное и физическое мышление имеет ограничения, требующие экспертного надзора, отмечает Anthropic. В тестах Genentech исследователям пришлось направлять Claude, чтобы он понял, что ошибки, вызванные пенообразованием, являются физическими сбоями, а не программными ошибками. исследовательского превью компания планирует создать дополнительные оценки безопасности с партнерами и разрабатывает дорожную карту физической безопасности для предотвращения злоупотреблений.
Если подход оправдает себя, он может значительно упростить переход ИИ-агентов от чисто цифровых задач к лабораториям, фабрикам и другим физическим системам. Несколько производителей и организаций уже внедряют поддержку MHS или тестируют спецификацию, включая AWS, Doosan Robotics, QIAGEN, Tecan, Universal Robots, Hugging Face и Raspberry Pi.
