Anthropic открыла исследовательскую версию стандарта аппаратного обеспечения моделей (MHS): общую спецификацию для безопасной работы ИИ-агентов с физическими устройствами

Anthropic открыла исследовательскую предварительную версию Model Hardware Standard (MHS) — общей спецификации, которая позволяет ИИ-агентам обнаруживать физические устройства и управлять ими. Она решает проблему интеграционной «сантехники». Лабораторный стенд или производственная ячейка собираются из оборудования поставщиков, которые никогда не планировали совместную работу, поэтому каждый прибор поставляется со своим интерфейсом, а специалисты вручную пишут уникальные преобразователи для каждой пары устройств. По словам команды Anthropic, такая настройка обычно занимает от нескольких недель до нескольких месяцев, тогда как MHS сокращает этот срок до нескольких часов или минут.

Интеграционный налог

Каждый прибор поставляется со своим программным интерфейсом, поэтому специалисты вручную пишут уникальные преобразователи для каждой пары устройств. Даже после объединения устройств нет единого способа передавать состояние агенту или безопасно управлять ими. Anthropic сообщает, что настройка обычно занимает от нескольких недель до нескольких месяцев; MHS сокращает этот срок до нескольких часов или минут.

Как это работает

MHS стандартизирует драйвер — слой между операционной системой и устройством. Он предоставляет небольшой набор примитивов: read (получить температуру), write (задать температуру), а также механизм обнаружения, благодаря которому устройства и агенты находят друг друга в сети без промежуточного преобразователя.

Он также содержит знания, которые не кодируются одним лишь кодом, — например, вес роботизированной руки. С помощью тегов драйвера пользователь может описать это на естественном языке или попросить агента опросить его о конфигурации. Драйвер компилирует эти теги в справочный файл: что измеряет устройство, какие параметры можно настраивать и какие ограничения безопасности применяются.

Управление осуществляется через три механизма: Model Context Protocol, CLI и файлы кода. MHS не зависит от конкретной модели — любой агентский инструментарий может обращаться к нему через стандартные протоколы.

Что измерили партнёры

Genentech автоматизировала анализ белка BCA с использованием жидкостного манипулятора, роботизированной руки и ридера планшетов. Claude выполнял пробные переносы окрашенной жидкости, считывал поглощение, оценивал себя по сравнению с экспертной планшеткой с помощью RMSE и сошёлся примерно на 140 мкл/с для воды (RMSE 0,016) и 10 мкл/с для вязкого BSA (RMSE 0,181) — параметры, которые эксперты компании по автоматизации сочли разумными.

QuEra Computing продемонстрировала наиболее впечатляющий результат в цифрах. Специализированный скрипт повторной блокировки лазера, создававшийся командой из четырёх человек на протяжении нескольких месяцев, срабатывал примерно в 58% случаев при около 150 секундах на одну попытку. При решении той же задачи через MHS цикл из четырёх типов агентов автономно работал всю ночь и создал детерминированный скрипт на Python, который восстанавливал блокировку 695 раз из 700 — в 99,3% случаев; в самых сложных случаях это занимало 10–14 секунд против 5–10 минут у человека (блог QuEra). Claude также снизил остаточную ошибку сервосистемы с 15,7 мВ у специалиста до 1,55 мВ; за 19-часовой прогон его настройка ни разу не потеряла блокировку, тогда как экспертная настройка теряла её примерно 1,6 раза в час.

Carnegie Mellon проводил эксперименты «доза–ответ» примерно втрое быстрее, координируя работу жидкостного манипулятора, ридера планшетов, роботизированной руки и камер на трёх компьютерах с несовместимыми интерфейсами — причём у одного из устройств программного интерфейса вообще не было. От написания драйверов до построения готовой кривой, включая автономный повторный запуск после того, как агент отклонил аппроксимацию с R² < 0,9, прошло около восьми часов против нескольких недель, необходимых для настройки поставщиком. Все шесть искусственно созданных неисправностей были заблокированы до начала движения любого устройства.

В University of Washington аспирант из лабораторий Baker и Pinglay подключил шесть приборов менее чем за неделю, включая написание драйверов. Tetsuwan Scientific объединила MHS со своей платформой ResearchOS для профилирования загрязнения методом qPCR. В Janelia одна микроскопическая установка перешла от запуска семи программ в фиксированном порядке к одному нажатию на панели управления.

Главные выводы

• Единая спецификация драйверов, позволяющая ИИ-агентам обнаруживать любые устройства с программируемым интерфейсом и управлять ими.
• Интеграция сокращается с нескольких недель до нескольких часов: CMU получила готовую кривую «доза–ответ» за восемь часов.
• Повторная блокировка лазера QuEra: от 58% при примерно 150 секундах до 99,3% в 700 испытаниях в виде детерминированного скрипта.
• Не зависит от конкретной модели и совместима с MCP; ограничения безопасности хранятся в драйвере, а не в запросе.
• Доступ всё ещё ограничен, и по-прежнему требуется надзор — у Claude есть реальные пробелы в физическом рассуждении.

---

Ознакомьтесь с полным анонсом и подайте заявку на участие в предварительном просмотре. Также подписывайтесь на нас в Twitter и не забудьте присоединиться к нашему сабреддиту о машинном обучении с аудиторией более 150 тыс. участников и подписаться на нашу рассылку. Стоп! Вы есть в Telegram? Теперь к нам можно присоединиться и в Telegram.

Хотите сотрудничать с нами для продвижения своего репозитория на GitHub, страницы на Hugging Face, выпуска продукта, вебинара и т. д.? Свяжитесь с нами