نماذج اللغة الكبيرة، أصبحت الآن لديها أيدي حقًا.
في الخميس هذا الأسبوع، أعلنت Anthropic عن إطلاق MCP للعتاد: Model Hardware Standard (MHS)، وهو معيار جديد يهدف إلى مساعدة جميع وكلاء الذكاء الاصطناعي المدعومين بنماذج كبيرة على التحكم بأمان وسرعة في الأجهزة المادية.
الآن، يمكن للنماذج الكبيرة مثل Claude التحكم في أجهزة مادية مثل المجاهر، الأذرع الروبوتية، معالجات السوائل، والليزر، تمامًا كما تستخدم MCP (بروتوكول سياق النموذج). يُنظر إلى هذا التقدم على أنه خطوة حاسمة لانتقال الذكاء الاصطناعي من العالم الرقمي إلى العالم المادي.
يعرف عدد من المستخدمين الذين يستخدمون الوكلاء عن MCP، وهو بروتوكول مفتوح أطلقته Anthropic في نوفمبر 2024، ويهدف إلى توفير واجهة اتصال ثنائية الاتجاه موحدة وآمنة بين نماذج اللغة الكبيرة (LLM) ومصادر البيانات الخارجية، والملفات المحلية، وأدوات التطوير، وخدمات التطبيقات المختلفة.
الموقع الأساسي لـ MCP هو "منفذ USB-C لعالم الذكاء الاصطناعي"، حيث يربط النماذج الكبيرة ببيئات البرمجيات مثل GitHub وSlack ونظام الملفات المحلي وقواعد البيانات. مع تطور تقنيات الذكاء الاصطناعي في السنوات الأخيرة، تحوّل MCP إلى معيار فعلي لا غنى عنه في نظام الوكلاء الذكية.
الآن أيضًا Anthropic، وتسعى من خلال الأجهزة إلى استخدام MCP لرفع هذا المعيار الاتصالي إلى مستوى الأجهزة المادية، والمستشعرات، والأنظمة المدمجة، وأجهزة الاختبار.
بدأ تطوير MHS من خلال شراكة بين شركة Anthropic ومرفق جانيليا التابع للمعهد الطبي هوارد هيوز (HHMI)، وتم الآن فتح نسخة التمهيدية للبحث أمام أولى المختبرات البحثية والشركات المصنعة المتقدمة.
عادةً، تستغرق المختبرات أو مصانع التصنيع أسابيع أو حتى أشهر لتركيب وتكامل الأجهزة. نظرًا لأن معظم الأجهزة لا يمكنها التواصل مباشرة مع بعضها البعض، فإن ذلك يتطلب من الخبراء بناء حلول تكامل مخصصة. يمكن لـ MHS تقليل هذا العمل التكامل إلى ساعات أو حتى دقائق. بالإضافة إلى ذلك، من خلال دمج الذكاء الاصطناعي في هذه الأدوات، تساعد MHS الباحثين والمهندسين على تنسيق التجارب والعمليات التشغيلية الذاتية التي تعمل على مدار الساعة بسهولة أكبر. يمكن للوكلاء استنتاج كل خطوة في التجربة، وتحديث المعلمات في الوقت الفعلي، وفي بعض الحالات، استعادة الأداء من أعطال الأجهزة دون تدخل بشري.
يمكن استخدام MHS مع أي جهاز يحتوي على واجهة قابلة للبرمجة، كما أنه لا يعتمد على نوع النموذج الأساسي، ويمكن لأي إطار وكيل استخدام بروتوكول قياسي مثل MCP للوصول إليه.
حتى دون أخذ صعوبة دمج الذكاء الاصطناعي في النظام في الاعتبار، فإن جعل عدة أجهزة في المختبر أو ورشة العمل تتواصل مع بعضها البعض ليس بالأمر السهل. عادةً ما يكون لكل جهاز واجهة برمجة تطبيقات خاصة به، ولا توجد حاليًا طريقة موحدة للتكامل. بالإضافة إلى ذلك، بعد توصيل الأجهزة، لا توجد طريقة عامة لمشاركتها البيانات مع العامل، ولا توجد طريقة لتمكين العامل من تشغيل هذه الأجهزة بأمان.
الآن، تتعامل MHS مع هذه التحديات من خلال تقديم سائق معياري: وهو برنامج يقوم بتحويل البيانات بين نظام تشغيل الحاسوب والأجهزة المادية. يستخدم سائق MHS مجموعة من الأوامر الأساسية البسيطة، مثل القراءة (مثل الحصول على درجة الحرارة) والكتابة (مثل ضبط درجة الحرارة)، والتي يمكن لأي جهاز مادي فهمها وتنفيذها. كما يتيح اكتشاف كل جهاز بتنسيق معياري، مما يمكّن الأجهزة والوكلاء من اكتشاف بعضهم البعض والاتصال عبر الشبكة دون الحاجة إلى استخدام برامج "ترجمة" مخصصة بينهما.
يمكن لبرنامج تشغيل MHS أيضًا مساعدة الوكلاء على فهم واستخدام أجهزة لم يسبق لهم رؤيتها، وتوفير معلومات عن خصائص الآلة التي قد لا يمكن الحصول عليها من خلال الكود وحده (مثل وزن الذراع الميكانيكية، وهو أمر حاسم للتشغيل الآمن). حتى الآن، كانت هذه المعلومات تخزن غالبًا في كتيبات ورقية أو على أجهزة الكمبيوتر الخاصة بالمستخدمين أو كمعرفة ضمنية. لكن برامج التشغيل MHS تحتوي على تسميات تسمح للمستخدمين بإدخال هذه المعلومات مباشرة بلغة طبيعية (يمكن للمستخدمين إدخالها بأنفسهم أو من خلال الدردشة مع الوكيل، حيث يسأل الذكاء الاصطناعي عن إعدادات الأجهزة الخاصة بهم).
باستخدام المعلومات من هذه الوسوم، سيقوم برنامج تشغيل MHS تلقائيًا بإنشاء ملف مرجعي يحتوي على معلومات عامة عن خصائص الجهاز، مثل ما يمكنه قياسه، وما يمكن ضبطه، وما هي القيود الأمنية التي سيتم تطبيقها. يوفر هذا الملف جميع المعلومات اللازمة للوكيل لتشغيل الجهاز.
بعد الانتهاء من توصيل الأجهزة وفهم وكيل البرنامج كيفية استخدام كل جهاز، هناك حاجة إلى طريقة للتحكم في هذه الأجهزة. بالنسبة إلى MHS، هناك ثلاث آليات من هذا القبيل: MCP وواجهة سطر الأوامر وملفات التعليمات البرمجية (API). تعمل هذه الآليات معًا لتمكين المستخدمين من تنسيق عدة أجهزة من خلال سطر واحد من التعليمات البرمجية.
بمجرد أن يتمكن الوكيل من التحكم في الأجهزة، يمكنه استقبال بيانات التشغيل من كل جهاز والإشراف على العمل وتوجيهه على المستوى العالي. يمكن للوكيل ترتيب خطوات تشغيل الأجهزة المختلفة، ومراقبة النتائج، وتعديل المعلمات وفقًا للتغيرات في الوقت الفعلي. عندما يحتاج الوكيل إلى تنفيذ مهام طويلة الأمد أو تشغيل الأجهزة بسرعة تتجاوز قدرته على الاستدلال المباشر، يمكنه تسلسل أوامر السائق من جهاز واحد أو أكثر إلى ملف كود. بهذه الطريقة، يمكن للأجهزة تنفيذ العمليات بشكل مستقل دون الحاجة إلى أن يقوم الوكيل بالاستدلال في كل خطوة.
خلال اختبار MHS، اكتشفت Anthropic أن Claude يتفاعل مع التجارب والعتاد بطريقة استكشافية تشبه العلماء.
لاحظ Anthropic أن Claude يقوم بضبط الليزر ومراقبة النتائج عبر الكاميرا، وتقييم كيفية تحريك شعاع الليزر، ثم تكرار هذه العملية لمحاولة فهم ترتيب الأحداث. بعد ذلك، قام Claude بتعبئة المعلومات التي تعلمها في ملف كود، وكتب نصًا تحديديًا يسمح له بمعايرة الليزر دون الحاجة إلى الاستدلال في كل خطوة، بحيث يمكن تنفيذ العملية بأكملها كأمر واحد.
أثناء تطوير MHS، شاركت Anthropic هذه التقنية مع عدة مختبرات وشركات تصنيع أجهزة في مجالات مثل التكنولوجيا الحيوية والروبوتات والحاسوب الكمي. وفي هذه المشاريع المبكرة، رأينا أن MHS قللت من وقت دمج الأجهزة، وحسّنت سرعة التكرار في بيئات تجريبية متنوعة، وساعدت في تشغيل الآلات في الوقت الفعلي وكشف الأعطال.
كما قام موردو الأجهزة وشركات البرمجيات المرتبطة بها بتضمين دعم MHS مباشرة في الأجهزة لتمكين الوكلاء من اكتشاف الأجهزة وتشغيلها. على سبيل المثال:
تدعم AWS من خلال Strands Robots MHS. هذا مكتبة تُستخدم لربط الوكلاء الذكاء الاصطناعي بالأجهزة المادية. خلال مرحلة المعاينة البحثية لـ MHS، ستقدم AWS نسخة خاصة غير مُطلَقة من حزمة Strands Robots للمشاركين.
تضيف Automata دعم MHS لمنصتها الأوتوماتيكية للمختبرات LINQ لمعالجة الأخطاء الذكية للأجهزة في المختبرات المستقلة.
تستكشف Danaher بنشاط كيف يمكن لوظائف دعم MHS أن تمكن أجهزتها الذكية ومختبراتها الذاتية من توسيع نطاق الأبحاث والتطوير البيomedي.
تستخدم Doosan Robotics ذراعها الروبوتي لاختبار MHS، بما في ذلك تنفيذ ضمان الجودة التلقائي وتنسيق المهام بين عدة روبوتات.
تقوم MBF Bioscience بتطوير برنامج تشغيل MHS لـ ScanImage، وهو البرنامج المستخدم في المئات من مختبرات علم الأعصاب حول العالم لتشغيل المجاهر الماسح بالليزر، بهدف دمج الوكلاء الذكاء الاصطناعي في تحليل البيانات والتجارب في الوقت الفعلي.
تختبر QIAGEN MHS من خلال مفهوم تجريبي على منصتها لتنقية الحمض النووي QIAsymphony Connect لعرض كيفية مساعدة وكلاء الذكاء الاصطناعي المختبرات على استبعاد أعطال الأجهزة بشكل أسرع، وتوجيه المشغلين للتعافي، وزيادة وقت تشغيل الأجهزة، مع تقليل مخاطر العينات البيولوجية.
تضيف Tecan دعم MHS لمنصتها Fluent للتعامل مع السوائل، بحيث يمكن للوكلاء الذكاء الاصطناعي اكتشاف هذه المنصات والتحكم بها مباشرة.
حصلت Universal Robots على حق استخدام MHS مسبقًا، وتخطط لإضافة دعم MHS إلى منصتها الروبوتية.
قبل الإصدار المفتوح، ترغب Anthropic في إجراء مزيد من التحسينات على هذا المعيار.
بصفته نموذجًا لغويًا كبيرًا، يتعلم كلاود من النصوص والصور لفهم العالم المادي، مما يعني أن قدراته في الاستدلال المكاني والفيزيائي محدودة، ولا تزال بحاجة إلى إشراف خبراء. على سبيل المثال، عند التعامل مع عينات بروتينية، كان على باحثي جيننتك توجيه كلاود لتحديد أن الخطأ الناتج عن تكوّن فقاعات في العينة هو عطل فيزيائي، وليس خطأ برمجي، ولا يمكن التخفيف منه إلا من خلال تصحيح فيزيائي مناسب.
لا تتوافق MHS حاليًا مع الأجهزة التي لا تمتلك واجهة برمجة تطبيقات، لذا تعمل Anthropic مع مصنعي هذه الأجهزة لدمج سائقي MHS مباشرة في الأجهزة. العديد من المطورين يستخدمون بالفعل Claude Code للتحكم في أجهزة فيزيائية فردية. في المرحلة القادمة من MHS، تهدف Anthropic إلى توسيع هذا المعيار ليشمل المزيد من الأجهزة التي يستخدمها المطورون.
من بين المُستخدمين المبكرين Hugging Face (الذين يضيفون دعم MHS في مكتبة روبوتاتهم LeRobot) وRaspberry Pi (الذين يُفعّلون تكامل MHS في العديد من منتجاتهم بعد اختبار ناجح باستخدام برنامج تشغيل Camera MHS الخاص بهم).
المحتوى المرجعي:
https://www.anthropic.com/news/model-hardware-standard-research-preview
هذا المقال من حساب ويشات الرسمي "ماشين سينس" (ID: almosthuman2014)، المؤلف: ماشين سينس التي تتابع العوامل