Anthropic хочет сделать для физического оборудования то же, что Model Context Protocol сделал для ПО

Model Hardware Standard (MHS) от Anthropic предоставляет ИИ-агентам унифицированный интерфейс для физических устройств, таких как микроскопы и роботизированные манипуляторы. Ранние испытания в лабораториях и на квантовых компьютерах значительно сократили время интеграции, хотя Claude по-прежнему испытывал трудности с пониманием физических причинно-следственных связей.

Устройства в исследовательских лабораториях и на фабриках часто выпускаются разными производителями, используют разные API, форматы данных и программное обеспечение для управления, а их подключение требует значительных усилий. Anthropic хочет решить эту проблему с помощью Model Hardware Standard (MHS) — спецификации, которая позволяет ИИ-агентам считывать данные с физического оборудования и управлять им.

Anthropic утверждает, что MHS сокращает типичное время интеграции лабораторного оборудования с недель или месяцев до часов или минут. Компания разработала спецификацию совместно с исследовательским кампусом HHMI Janelia и сначала выпускает её в качестве предварительной исследовательской версии для отдельных лабораторий и производителей; позднее планируется публикация исходного кода.

Один драйвер для каждого устройства вместо индивидуальной интеграции

Эта идея развивает проект, который Anthropic уже выпустила для программного обеспечения. Model Context Protocol (MCP) предоставляет ИИ-моделям стандартный способ доступа к внешним источникам данных и инструментам. MHS распространяет этот подход на машины.

Для каждого устройства создаётся драйвер MHS, унифицирующий базовые функции, такие как чтение и изменение данных. Драйвер позволяет обнаружить устройство в общем формате и может включать сведения, которые невозможно получить только из программного обеспечения, например вес роботизированного манипулятора или ограничения его безопасности. Пользователи могут добавить эту информацию на естественном языке, а MHS преобразует её в справочный файл для агента.

После этого агент может распознать возможности и ограничения ранее неизвестного ему устройства и управлять им через единый интерфейс. Для каждого компонента оборудования по-прежнему необходимо написать драйвер, но после создания его можно использовать повторно, а не разрабатывать заново для каждой комбинации устройства и контроллера.

По данным Anthropic, MHS не зависит от конкретной модели и работает с любым устройством, имеющим программируемый интерфейс. Агенты могут координировать работу нескольких устройств и сохранять рабочие процессы в виде обычных скриптов, которые затем выполняются без языковой модели.

Как Claude работал с реальным лабораторным оборудованием

Anthropic протестировала MHS с несколькими партнёрами. В биотехнологической компании Genentech Claude координировал работу жидкостного манипулятора, роботизированного манипулятора и ридера планшетов, чтобы автоматизировать анализ белка — тест, измеряющий концентрацию белка. Агент самостоятельно оптимизировал параметры пипетирования для разных жидкостей, но столкнулся с проблемой, когда в вязком растворе образовались пузырьки и вызвали ошибки. Claude продолжал перезапускать процесс в том же сосуде с изменёнными параметрами, что только усугубляло ситуацию. Лишь после того, как человек объяснил физическую причину, агент нашёл рабочее решение.

В Университете Карнеги — Меллона исследователи подключили жидкостный манипулятор, ридер планшетов, роботизированный манипулятор и несколько камер наблюдения, установленных на трёх компьютерах с принципиально несовместимыми интерфейсами. По словам команды, на создание драйверов и уровня оркестрации ушло около восьми часов, тогда как настройка у поставщика обычно заняла бы несколько недель. Claude также заметил, что первый экспериментальный запуск не дал достаточно качественной кривой измерений, снизил максимальную концентрацию исследуемого вещества и получил гораздо лучший результат со второй попытки.

В компании QuEra, занимающейся квантовыми вычислениями, Claude использовал MHS в ходе сотен автоматизированных запусков, чтобы разработать программу управления, возвращающую лазер в стабильное рабочее состояние после сбоев. Получившийся скрипт успешно сработал в 695 из 700 попыток в слепом тесте — показатель успеха составил 99,3 процента; при этом он полностью выполнялся самостоятельно, без участия языковой модели.

Все три примера взяты из проектов партнёров, представленных Anthropic, и не проходили независимую проверку.

Экспертный надзор по-прежнему является частью системы

По словам Anthropic, поскольку Claude узнаёт о физическом мире через текст и изображения, его пространственное и физическое мышление имеет ограничения, которые по-прежнему требуют экспертного надзора. В ходе испытаний в Genentech исследователям пришлось помочь Claude понять, что ошибки, вызванные вспениванием образцов, были физическими сбоями, а не программными ошибками. Во время предварительного исследовательского периода компания планирует совместно с партнёрами разработать дополнительные оценки безопасности и создаёт дорожную карту физической безопасности для защиты от злоупотреблений.

Если этот подход оправдает себя, он может значительно упростить переход ИИ-агентов от исключительно цифровых задач к работе в лабораториях, на фабриках и с другими физическими системами. Несколько производителей и организаций уже создают поддержку MHS или тестируют спецификацию, включая AWS, Doosan Robotics, QIAGEN, Tecan, Universal Robots, Hugging Face и Raspberry Pi.

Новости ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, наш эксклюзивный обзор передовых разработок «AI Radar» шесть раз в год, полный доступ к архиву и доступ к разделу комментариев.