Los modelos de lenguaje grande ahora realmente han desarrollado manos.
Este jueves, Anthropic anunció el lanzamiento de MCP para hardware: Model Hardware Standard (MHS), un nuevo estándar diseñado para ayudar a todos los agentes de IA impulsados por modelos grandes a manipular dispositivos físicos de forma segura y rápida.
Ahora, modelos grandes como Claude pueden operar hardware como microscopios, brazos robóticos, procesadores de líquidos y láseres en el mundo físico, al igual que con el MCP (Model Context Protocol). Este avance es considerado por la industria como un paso clave para que la IA trascienda del mundo digital al mundo físico.
Casi todos los que usan agentes han oído hablar de MCP, un protocolo de estándar abierto lanzado por Anthropic en noviembre de 2024, diseñado para proporcionar una interfaz bidireccional estandarizada y segura entre modelos de lenguaje grande (LLM) y fuentes de datos externas, archivos locales, herramientas de desarrollo y diversos servicios de aplicaciones.
La posición central de MCP es «el puerto USB-C del ámbito de la IA», capaz de conectar modelos grandes con entornos de software como GitHub, Slack, sistemas de archivos locales y bases de datos. Con el desarrollo de la tecnología de IA en los últimos años, MCP se ha convertido en el estándar de facto indispensable en todo el ecosistema de agentes inteligentes.
Ahora también es Anthropic, que espera utilizar hardware con MCP para elevar este conjunto de normas de comunicación estándar al nivel de hardware físico, sensores, sistemas embebidos y equipos de prueba.
El desarrollo de MHS comenzó con una colaboración entre la empresa Anthropic y el Janelia Research Campus del Instituto Médico Howard Hughes (HHMI), y ahora se ha lanzado una versión de previsualización para investigación destinada a los primeros laboratorios científicos y fabricantes avanzados.
Normalmente, los laboratorios o fábricas de manufactura requieren semanas e incluso meses para instalar e integrar el hardware. La mayoría de los dispositivos no pueden comunicarse directamente entre sí, por lo que se necesitan expertos para desarrollar soluciones de integración personalizadas. MHS puede reducir este trabajo de integración a horas e incluso minutos. Además, al integrar IA en estas herramientas, MHS ayuda a los investigadores e ingenieros a coordinar más fácilmente experimentos y flujos de trabajo autónomos y continuos. Los agentes pueden razonar cada paso del experimento, actualizar parámetros en tiempo real y, en algunos casos, recuperarse de fallas de hardware sin intervención humana.
MHS puede utilizarse con cualquier dispositivo que tenga una interfaz programable, y es independiente del tipo de modelo base; cualquier marco de agentes puede acceder a él mediante protocolos estándar, como MCP.
Incluso sin considerar la dificultad adicional de integrar IA en el sistema, hacer que múltiples dispositivos en un laboratorio o taller fabril se comuniquen entre sí no es fácil. Cada dispositivo generalmente tiene su propia interfaz de programación, y actualmente no existe un método estandarizado de integración. Además, una vez conectados los dispositivos, no hay un método universal para que compartan datos con el Agente, ni tampoco un método para que el Agente opere de forma segura estos dispositivos.
Ahora, MHS aborda estos desafíos mediante la introducción de controladores estandarizados: un tipo de software que traduce entre el sistema operativo de una computadora y los dispositivos de hardware. Los controladores MHS utilizan un conjunto de comandos básicos simples, como lectura (por ejemplo, obtener la temperatura) y escritura (por ejemplo, establecer la temperatura), que cualquier dispositivo de hardware puede entender y ejecutar. Esto permite que cada dispositivo se descubra en un formato estándar, permitiendo que los dispositivos y los agentes se encuentren mutuamente y se comuniquen a través de la red sin necesidad de programas personalizados de «traducción» entre ellos.
Los controladores MHS también ayudan a los agentes a comprender y utilizar dispositivos nunca antes vistos, y les proporcionan información sobre características de la máquina que no se podrían obtener solo mediante código (por ejemplo, el peso de un brazo mecánico, lo cual es crucial para operaciones seguras). Hasta ahora, esta información se almacenaba principalmente en manuales impresos, en computadoras de usuarios o como conocimiento tácito. Pero los controladores MHS incluyen etiquetas que permiten a los usuarios ingresar esta información directamente mediante lenguaje natural (los usuarios pueden introducirla ellos mismos o bien, a través de una conversación con el agente, donde la IA pregunta sobre su configuración de hardware).
Utilizando la información de estas etiquetas, el controlador MHS genera automáticamente un archivo de referencia que contiene información sobre las características generales del dispositivo, como qué puede medir, qué puede ajustar y qué restricciones de seguridad se aplicarán. Este archivo proporciona al agente toda la información necesaria para operar el dispositivo.
Una vez que los dispositivos estén conectados y el agente comprenda cómo utilizar cada uno, se necesita un método para controlar estos dispositivos de hardware. Para MHS, existen tres mecanismos para lograrlo: MCP, la interfaz de línea de comandos y archivos de código (API). Trabajan juntos para permitir que los usuarios coordinen múltiples dispositivos con una sola línea de código.
Una vez que el agente pueda controlar los dispositivos, podrá recibir datos de operación de cada dispositivo y supervisar y guiar el trabajo a un nivel superior. El agente puede ordenar los pasos de operación de diferentes instrumentos, monitorear los resultados y ajustar los parámetros según cambios en tiempo real. Cuando el agente necesite ejecutar tareas de larga duración o operar los dispositivos a una velocidad que exceda su capacidad de inferencia en línea, puede encadenar comandos del controlador de uno o más dispositivos en archivos de código. De esta manera, los dispositivos pueden ejecutar las operaciones por sí mismos sin que el agente necesite realizar inferencias en cada paso.
Durante la prueba de MHS, Anthropic descubrió que Claude interactúa con los experimentos y el hardware de manera exploratoria, como un científico.
Anthropic observó que Claude ajustaba los láseres y observaba los resultados a través de una cámara, evaluaba cómo los ajustes movían el haz láser, y luego repetía este proceso para comprender el orden de los eventos. Posteriormente, Claude empaquetó la información aprendida en un archivo de código, escribiendo un script determinista que le permitía calibrar el láser sin necesidad de razonar en cada paso, de modo que todo el proceso pudiera ejecutarse como un solo comando.
Durante el desarrollo de MHS, Anthropic compartió esta tecnología con varios laboratorios y fabricantes de hardware en campos como la biotecnología, la robótica y la computación cuántica. En estos proyectos iniciales, hemos observado que MHS reduce el tiempo de integración de equipos, acelera la iteración en diversos entornos experimentales y facilita la operación en tiempo real y la detección de fallos en máquinas.
Los proveedores de hardware y sus empresas de software asociadas también han integrado soporte MHS en los dispositivos para que los agentes puedan descubrir y operar los dispositivos. Por ejemplo:
Amazon Web Services (AWS) respalda a MHS a través de Strands Robots, una biblioteca para conectar agentes de IA con dispositivos físicos. Durante la previsualización de investigación de MHS, AWS proporcionará a los participantes una versión privada previa al lanzamiento del paquete Strands Robots.
Automata está agregando soporte para MHS a su plataforma de automatización de laboratorios LINQ para realizar un manejo inteligente de errores en instrumentos de laboratorios autónomos.
Danaher está explorando activamente cómo las funciones respaldadas por MHS pueden permitir que sus instrumentos inteligentes y laboratorios autónomos escalen la investigación y el desarrollo biomédico.
Doosan Robotics está utilizando sus brazos robóticos para probar MHS, incluyendo la ejecución de garantía de calidad automatizada y la coordinación de tareas entre múltiples robots.
MBF Bioscience está desarrollando un controlador MHS para ScanImage, el software utilizado en cientos de laboratorios de neurociencia en todo el mundo para operar microscopios de barrido láser, con el objetivo de integrar agentes de IA en el análisis de datos en tiempo real y los experimentos.
QIAGEN está probando MHS a través de un concepto de prueba en su plataforma de purificación de ácidos nucleicos QIAsymphony Connect para demostrar cómo los agentes de IA pueden ayudar a los laboratorios a diagnosticar fallas de equipos más rápidamente, guiar a los operadores en la recuperación, aumentar el tiempo de actividad de los equipos y reducir el riesgo para las muestras biológicas.
Tecan está agregando soporte para MHS a su plataforma de manipulación de líquidos Fluent, para que los agentes de IA puedan descubrir y operar directamente estas plataformas.
Universal Robots ya ha obtenido anticipadamente el uso de MHS y planea agregar soporte para MHS en su plataforma de robots.
Antes de la apertura del código fuente, Anthropic aún desea realizar más mejoras a este estándar.
Como modelo de lenguaje grande, Claude aprende sobre el mundo físico a través de texto e imágenes, lo que implica que sus capacidades de razonamiento espacial y físico tienen limitaciones y aún requieren supervisión de expertos. Por ejemplo, al procesar muestras de proteínas, los investigadores de Genentech tuvieron que guiar a Claude para que identificara que los errores causados por la formación de burbujas en la muestra eran fallos físicos, no errores de software, y que solo podían mitigarse mediante correcciones físicas adecuadas.
MHS actualmente no es compatible con hardware que carezca de una interfaz de programación, por lo que Anthropic está colaborando con los fabricantes de estos dispositivos para integrar los controladores MHS directamente en el hardware. Muchos desarrolladores ya están utilizando Claude Code para operar dispositivos físicos individuales. En la próxima fase de MHS, Anthropic busca ampliar este estándar para que abarque una mayor cantidad de dispositivos utilizados por los desarrolladores.
Los primeros adoptadores incluyen Hugging Face (que están agregando soporte para MHS en su biblioteca de robots LeRobot) y Raspberry Pi (que están habilitando la integración de MHS en varios de sus productos tras realizar pruebas exitosas con su controlador de cámara MHS).
Contenido de referencia:
https://www.anthropic.com/news/model-hardware-standard-research-preview
Este artículo proviene del número de WeChat "Machine Heart" (ID: almosthuman2014), autor: Machine Heart enfocada en Agentes