Anthropic представя изследователска версия на Стандарта за хардуера на моделите (MHS): обща спецификация за безопасно управление на физически устройства от ИИ агенти

Anthropic откри предварителен преглед за изследователски цели на Model Hardware Standard (MHS) — споделена спецификация, която позволява на AI агентите да откриват и управляват физически устройства. Тя е насочена към проблема със свързването. Лабораторен стенд или производствена клетка се сглобява от доставчици, които никога не са планирали съвместна работа, затова всеки инструмент има собствен интерфейс, а специалистите ръчно пишат специализирани преводачи между всяка двойка устройства. Според екипа на Anthropic настройката обикновено отнема от седмици до месеци, докато MHS я съкращава до часове или минути.

Цената на интеграцията

Всеки инструмент има собствен програмен интерфейс, затова специалистите ръчно пишат специализирани преводачи между всяка двойка устройства. Дори след свързването им няма общ начин устройствата да предават състоянието си на агент или да бъдат управлявани безопасно от него. Anthropic заявява, че настройката обикновено отнема от седмици до месеци; MHS съкращава този срок до часове или минути.

Как работи

MHS стандартизира драйвера — слоя между операционната система и устройството. Той предоставя малък набор от примитиви: read (получаване на температурата), write (задаване на температурата), както и откриване, така че устройствата и агентите да се намират в мрежата без преводач помежду им.

Той също така пренася знания, които самият код не кодира — например теглото на роботизирана ръка. Етикетите на драйвера позволяват на потребителя да запише това на естествен език или агентът да го разпита за настройката. Драйверът компилира тези етикети във файл за справка: какво измерва устройството, какво може да се регулира и какви ограничения за безопасност се прилагат.

Управлението се осъществява чрез три механизма: Model Context Protocol, CLI и файлове с код. MHS не зависи от конкретен модел — всеки агентски хънес може да достигне до него чрез стандартни протоколи.

Какво измериха партньорите

Genentech автоматизира BCA анализа на протеини с помощта на робот за работа с течности, роботизирана ръка и четец на плаки. Claude извърши пробни прехвърляния на оцветена течност, отчете абсорбцията, сравни резултатите си с тези на експертна плака чрез RMSE и достигна до ~140 µL/s за вода (0,016 RMSE) и 10 µL/s за вискозен BSA (0,181 RMSE) — параметри, които експертите по автоматизация потвърдиха като разумни.

QuEra Computing представя най-категоричния резултат. Специализиран скрипт за повторно заключване на лазер, разработван в продължение на месеци от екип от четирима души, е работел около 58% от времето при приблизително 150 секунди на опит. Прилагането на същия подход чрез MHS с цикъл от агенти с четири роли, работещ без надзор през нощта, е създало детерминистичен Python скрипт, който е възстановил заключването 695 от 700 пъти — 99,3%; при най-трудните случаи това е отнемало 10–14 секунди спрямо 5–10 минути за човек. Claude също е намалил остатъчната грешка на сервоуправлението от 15,7 mV при настройката на специалист до 1,55 mV; при 19-часов тест неговата настройка никога не е губила заключването, докато експертната настройка го е губела около 1,6 пъти на час (блогът на QuEra).

Carnegie Mellon е провел експерименти за дозова реакция приблизително три пъти по-бързо, като е координирал робот за работа с течности, четец на плаки, роботизирана ръка и камери на три компютъра с несъвместими интерфейси — единият изобщо без програмен интерфейс. От написването на драйверите до завършена крива, включително автономно повторно изпълнение, след като агентът е отхвърлил резултат с R² < 0,9, са били необходими около осем часа в сравнение с няколкото седмици, нужни за настройка от доставчик. И шестте предизвикани аварийни състояния са били блокирани, преди което и да е устройство да се задвижи.

В University of Washington докторант от лабораториите на Baker и Pinglay е свързал шест инструмента за по-малко от седмица, включително написването на драйверите. Tetsuwan Scientific е съчетала MHS със своята платформа ResearchOS за профилиране на замърсяването чрез qPCR. В Janelia една микроскопска установка е преминала от стартирането на седем програми във фиксиран ред към едно кликване върху таблото.

Основни изводи

• Споделена спецификация на драйвери, която позволява на AI агентите да откриват и управляват всяко устройство с програмируем интерфейс.
• Интеграцията се съкращава от седмици до часове: CMU е достигнал до завършена крива на дозова реакция за осем часа.
• Повторно заключване на лазера на QuEra: от 58% при ~150 секунди до 99,3% в 700 изпитания чрез детерминистичен скрипт.
• Независим от модела и съвместим с MCP; ограниченията за безопасност се задават в драйвера, а не в подканата.
• Все още е с ограничен достъп и все още изисква надзор — физическото разсъждение на Claude има реални пропуски.

---

Вижте пълното съобщение и кандидатствайте за предварителния преглед. Също така можете да ни последвате в Twitter и не забравяйте да се присъедините към нашия 150k+ ML SubReddit и да се абонирате за нашия информационен бюлетин. Чакайте! В Telegram ли сте? сега можете да се присъедините към нас и в Telegram.

Имате нужда от партньор за популяризиране на вашето GitHub хранилище, страница в Hugging Face, представяне на продукт, уебинар и др.? Свържете се с нас