MHS de Anthropic permite que los agentes de IA controlen dispositivos de laboratorio y cuánticos

Anthropic lanza la previsualización de investigación del Model Hardware Standard (MHS), intentando establecer una interfaz universal, similar al MCP, entre agentes de IA y dispositivos físicos. Microscopios, estaciones de pipeteo, brazos robóticos, cámaras, láseres y sensores solo necesitan conectarse una vez para ser descubiertos y controlados por distintos modelos mediante un estado unificado, instrucciones de operación y limitaciones de seguridad, reduciendo integraciones personalizadas que antes requerían semanas o meses a solo horas o minutos. En pruebas iniciales, Claude utilizó el MHS para realizar experimentos de detección de proteínas, ajustar en tiempo real la imagen microscópica, manejar fallos por burbujas en líquidos y aumentar la tasa de éxito de recuperación del láser en la computadora cuántica QuEra del 58% al 99,3%. Sin embargo, Anthropic reconoce que los modelos de lenguaje carecen de intuición física real y aún requieren supervisión humana experta frente a problemas del mundo real como burbujas, colisiones, trayectorias ópticas y muestras biológicas. Actualmente, el MHS solo está disponible para algunos laboratorios y empresas manufactureras, y se abrirá como código abierto una vez que se completen las evaluaciones de seguridad. Su importancia no radica solo en que "Claude pueda operar máquinas", sino en que los agentes de IA están avanzando más allá de leer software y llamar APIs, para llegar a observar, intervenir y realizar experimentos repetidos en el mundo físico.

Autor del artículo, fuente: Anthropic

Claude ya puede leer artículos, analizar datos, generar hipótesis de investigación y escribir código experimental, pero cuando la investigación llega al paso de "operar realmente los equipos", la IA generalmente se ve excluida del mundo real.

El problema no radica completamente en la capacidad del modelo, sino en la extrema fragmentación de los equipos en el laboratorio y la fábrica. Las cámaras pueden usar Python, los detectores ejecutan MATLAB, los equipos de electrofisiología usan C#, y los brazos robóticos, microscopios y estaciones de pipeteo tienen cada uno sus propios controladores, formatos de datos y software de control. Muchos equipos no saben en absoluto qué estado tienen los instrumentos adyacentes en este momento.

Los investigadores suelen necesitar escribir programas de conexión separados para cada par de dispositivos si desean que la cámara notifique al brazo robótico tras detectar la ubicación de la muestra, o que el microscopio ajuste automáticamente los parámetros de escaneo según imágenes en tiempo real. Cuantos más dispositivos haya, más compleja se vuelve la integración punto a punto que debe mantenerse.

Anthropic indica que anteriormente, los laboratorios o instalaciones de fabricación solían requerir semanas e incluso meses para completar una integración de hardware. MHS espera reducir este proceso a unas pocas horas o minutos.

Lo que resuelve no es "cómo hacer que el modelo sea más inteligente", sino establecer primero un lenguaje común que todos los dispositivos puedan entender y que el modelo pueda comprender.

(En el texto original se muestra un diagrama de arquitectura antes y después de la integración de MHS, que ilustra el cambio de conexiones personalizadas punto a punto entre múltiples dispositivos a la comunicación a través de una interfaz unificada.)

El núcleo de MHS es un controlador estandarizado. Actúa como capa de traducción entre la interfaz del dispositivo y el agente de IA, convirtiendo máquinas complejas en un pequeño conjunto de primitivas universales, como leer temperatura, escribir temperatura, consultar estado o ejecutar una operación.

Los dispositivos conectados a MHS generan un archivo de referencia estandarizado que especifica qué pueden medir, qué parámetros se pueden ajustar, los estados posibles del dispositivo y qué restricciones de seguridad deben aplicarse.

El código puro generalmente no puede expresar todos los atributos reales de una máquina. Por ejemplo, si un modelo solo ve la API de control del brazo mecánico, es posible que no conozca el peso real del brazo mecánico, su rango de movimiento, su inercia o los riesgos de colisión. Anteriormente, esta información podría estar dispersa en manuales en papel, computadoras de ingenieros o la experiencia de los operadores.

MHS permite a los usuarios complementar esta información con etiquetas en lenguaje natural. Los usuarios pueden completarla directamente o permitir que el agente pregunte mediante conversación sobre el estado del dispositivo y genere automáticamente el archivo descriptivo.

Una vez completada la conexión, el agente puede controlar los dispositivos mediante MCP, línea de comandos o API de código. Puede leer datos en tiempo real de múltiples instrumentos, programar secuencias de operaciones y ajustar parámetros según los resultados experimentales; cuando se requieran operaciones de alta velocidad o de larga duración, compila una serie de comandos de control en código para que el dispositivo se ejecute por sí mismo, sin necesidad de que el modelo vuelva a razonar antes de cada pequeño movimiento.

MHS es independiente del modelo y no requiere el uso exclusivo de Claude. Cualquier modelo o marco de agente puede, en principio, acceder a dispositivos mediante protocolos estándar como MCP.

Genentech utilizó MHS para probar el proceso de detección de proteínas BCA. El experimento requirió coordinar una estación de pipeteo, un brazo robótico y un lector de microplacas para medir la concentración de proteínas mediante el cambio de color de la muestra.

Este tipo de procesos parece adecuado para la automatización, pero en la práctica resulta fácilmente afectado por las propiedades físicas de los líquidos. Cuando la pipeta encuentra espuma, el sensor de nivel puede generar errores; las burbujas también interfieren con la lectura óptica final.

Cuando Claude enfrentó por primera vez un error de ejecución causado por burbujas, su reacción instintiva fue modificar los parámetros e intentar nuevamente en el mismo pozo. Como resultado, siguió agitando el líquido y generando más burbujas.

Los investigadores deben informarle: este no es un error de software que se pueda resolver mediante ejecuciones repetidas, sino un problema físico en líquidos reales. La solución correcta es cambiar a un pozo limpio y reducir el número de ciclos de mezcla para realizar la operación de manera más suave.

Tras obtener la explicación, Claude mantuvo este contexto en experimentos posteriores. El equipo también sistematizó la experiencia en habilidades de manipulación de líquidos reutilizables, permitiendo que Claude seleccione parámetros predeterminados más adecuados según las propiedades de los líquidos, reduciendo así los errores de pipeteo.

Este caso revela el límite más claro actual de MHS. El agente puede razonar según los comentarios de los sensores, pero el modelo del mundo que aprende a partir de texto e imágenes no equivale a la intuición física que los experimentadores desarrollan mediante operaciones prolongadas.

MHS surgió originalmente de un conjunto de equipos complejos de imagen cerebral en HHMI Janelia.

La investigadora Virginie Ruetten utilizó microscopía de dos fotones para observar la actividad de las células y órganos completos en peces cebra vivos durante el sueño. El conjunto completo del equipo de experimentación, que incluye láseres, espejos, mesas de carga, cámaras y diversos sensores, originalmente requería que siete software de diferentes fabricantes funcionaran en conjunto.

Falta una interfaz unificada entre los dispositivos, e incluso utilizan lenguajes de programación diferentes. Un programa conoce la posición de la plataforma, pero otro no puede leerla directamente; los investigadores deben escribir una gran cantidad de código puente y, a veces, añadir tarjetas especializadas de adquisición de datos para permitir que los dispositivos transmitan señales.

MHS coloca el estado, las variables, los comandos de control y las lecturas de sensores de todos los instrumentos en un espacio de estado compartido estandarizado. Cada dispositivo solo necesita ser descrito y conectado una vez, permitiendo que otros programas o agentes lo descubran y utilicen directamente.

Antes de implementar MHS, agregar una nueva cámara podría requerir varios días de integración; después de conectar MHS, los investigadores incorporaron en solo minutos una nueva cámara para observar la posición del láser y enviaron los datos de la imagen al programa que controla los espejos.

Claude también puede observar los haces a través de la cámara, ajustar los espejos y luego evaluar los resultados del movimiento según la nueva imagen, formando un bucle cerrado de "operación-observación-corrección". En otro sistema de microscopio, las inspecciones de láser, sensores y trayectoria óptica que antes requerían media jornada de trabajo por parte de los investigadores se han reducido a un solo paso automatizado.

QuEra Computing construye computadoras cuánticas con átomos neutros, que requieren un control extremadamente preciso de los átomos mediante láseres. La desviación permitida en la frecuencia del láser es aproximadamente una billonésima, lo que equivale a un error inferior al ancho de un cabello al medir la distancia entre la Tierra y la Luna.

Los cambios en temperatura, vibración o presión atmosférica pueden hacer que el láser pierda su "bloqueo". Si esto ocurre durante un cálculo cuántico prolongado, una tarea que ha estado ejecutándose durante varias horas podría fallar directamente. El proceso de recuperación tradicional generalmente requiere operadores experimentados que observen múltiples instrumentos y ajusten los parámetros en secuencia, lo que lleva aproximadamente 5 a 10 minutos.

QuEra anteriormente había organizado a ingenieros láser, ingenieros de software, expertos en algoritmos y personal de pruebas para escribir durante varios meses un conjunto de scripts de recuperación fijos. Siguiendo el proceso manual paso a paso para ajustar los controladores, lograba una tasa de éxito del 58%, con cada intento requiriendo aproximadamente 150 segundos.

Tras la integración de MHS, el agente ya no solo repite procesos fijos, sino que genera continuamente perturbaciones distintas, observa la respuesta del láser y determina qué parámetros de control realmente necesitan ajustarse.

Después de una noche de pruebas, el tiempo de recuperación se redujo a aproximadamente 6 segundos, con una tasa de éxito del 96%; tras optimizaciones adicionales, Anthropic informó una tasa final de éxito de recuperación del 99.3%.

El agente también descubrió que, cuando el desplazamiento de frecuencia del láser es pequeño, no es necesario verificar todos los controles; basta con modificar uno o dos parámetros. Los operadores humanos, para garantizar la seguridad, suelen confirmar cada elemento individualmente; sin embargo, el agente identificó los pasos que se pueden omitir mediante numerosos experimentos repetidos.

Sin embargo, QuEra enfatiza que Agent no reemplaza por completo a los expertos. Cuando se trata de fallas puramente físicas en el hardware, Claude a menudo no sabe cómo manejarlas, ya que su comprensión de los dispositivos sigue basándose principalmente en las interfaces de programación. Para operaciones con cierto nivel de riesgo, también suele detenerse y esperar autorización humana, lo que ha llevado a la suspensión de algunos experimentos nocturnos hasta el día siguiente.

Tetsuwan Scientific integra MHS en la plataforma de experimentos biológicos automatizados ResearchOS para realizar experimentos de qPCR para analizar la contaminación local.

La qPCR requiere el uso de un reactivo llamado "master mix", que es viscoso y similar a un líquido jabonoso. Este líquido tiende a formar espuma durante la pipeteada, lo que puede provocar volúmenes inexactos y reducir la calidad del experimento.

En un experimento, la cámara identificó burbujas dentro del tubo de ensayo agarrado por el brazo robótico. El brazo robótico no podía resolver este problema por sí mismo, pero ResearchOS pudo buscar otros dispositivos conectados al MHS en el laboratorio. Claude recomendó posteriormente a los investigadores a través de Slack: hacer que el brazo robótico lleve el tubo de ensayo al centrífuga y lo gire brevemente a baja velocidad para reagrupar el líquido y las burbujas en la parte inferior.

Este tipo de procesamiento entre dispositivos es un escenario que los flujos de automatización fijos tradicionales tienen dificultades para abarcar. Los diseñadores de programas no necesitan predefinir rutas de recuperación completas para cada tipo de falla; el agente puede observar el error y luego resolverlo según la combinación de dispositivos disponibles en ese momento.

El equipo también hizo que Claude optimizara el compilador que convierte protocolos experimentales avanzados en instrucciones de operación de hardware. El experimento cubrió 9143 separaciones independientes, 300 combinaciones de transferencia diferentes, 1508 condiciones de medición y cuatro tipos de líquidos.

En pruebas sin optimización, el modelo mejorado por Claude y MHS predijo con un 12% más de precisión la precisión de la división múltiple que las especificaciones técnicas del fabricante del equipo, ganando 31 de las 45 pruebas; en los datos con mayor número de repeticiones, la mejora fue aproximadamente del 17%. Estos resultados provienen de experimentos realizados por los socios del proyecto y aún no pueden considerarse conclusiones generales validadas por replicación independiente entre laboratorios.

Anthropic no ha descrito MHS como un sistema de laboratorio sin personas ya maduro.

Claude puede leer estados, analizar imágenes y usar dispositivos, pero su conocimiento sobre el mundo real proviene principalmente de texto e imágenes. Problemas como la fricción, las burbujas, el peso, la viscosidad de los líquidos, los juegos mecánicos y el desplazamiento de la trayectoria óptica a menudo solo se revelan durante la operación real.

Si el dispositivo no tiene ninguna interfaz programable, MHS actualmente tampoco puede conectarse directamente; Anthropic está trabajando con los fabricantes para agregar controladores a estos dispositivos.

La seguridad física es igualmente más compleja que los permisos de software. Cuando un agente digital ejecuta un comando incorrecto, generalmente se puede revertir un archivo o restaurar el sistema; sin embargo, al controlar brazos mecánicos, láseres, reactivos químicos y muestras biológicas, un error puede causar daños en el equipo, la pérdida de muestras e incluso riesgos para las personas.

Por lo tanto, la tarea importante en la fase de previsualización de investigación no es aumentar la cantidad de dispositivos, sino establecer nuevas evaluaciones de seguridad: qué operaciones deben ser aprobadas por una persona, en qué condiciones los dispositivos deben detenerse automáticamente, si el modelo puede identificar anomalías en los sensores y cómo garantizar que las restricciones en la capa de controladores de hardware no puedan ser eludidas por el agente.

Anthropic indica que está desarrollando una "hoja de ruta de seguridad física" y planea publicar los hallazgos de la previsualización de investigación y las pautas de implementación segura al lanzar oficialmente MHS como código abierto.

MHS ya ha recibido apoyo temprano de varias empresas de equipos y plataformas. AWS planea proporcionar acceso a través de Strands Robots; Doosan Robotics y Universal Robots están probando el soporte para brazos robóticos; Tecan, QIAGEN y Automata se enfocan en la automatización de laboratorios; Hugging Face planea incorporar MHS a la biblioteca de robots LeRobot, y Raspberry Pi también está probando la integración en algunos productos y controladores de cámaras.

Si MHS forma un ecosistema, podría unificar la conexión entre Agentes y dispositivos reales de la misma manera que MCP unifica modelos y herramientas de software. Los laboratorios ya no necesitarán repetir la construcción de interfaces para cada modelo, cada dispositivo y cada conjunto de software, y los fabricantes de dispositivos podrán proporcionar directamente descripciones estandarizadas de capacidades que los Agentes puedan descubrir.

Pero MHS enfrenta una dificultad claramente mayor. Las entradas y salidas de las herramientas de software suelen poder definirse con precisión, mientras que los dispositivos físicos se desgastan, derivan, se obstruyen, generan ruido y se ven afectados por cambios ambientales. Dos instrumentos del mismo modelo también pueden comportarse de manera diferente debido a diferencias en su estado de calibración y forma de instalación.

Por lo tanto, lo que MHS realmente busca estandarizar no son solo los comandos, sino también el estado de la máquina, las restricciones del entorno, los límites de seguridad y el conocimiento sobre la recuperación ante fallos.