Ang MHS ng Anthropic ay nagpapahintulot sa AI agents na kontrolin ang mga lab at quantum device

Ipinahayag ng Anthropic ang Model Hardware Standard (MHS) research preview, na naglalayong lumikha ng isang pangkalahatang interface, katulad ng MCP, para sa pagitan ng AI Agent at mga real-world device. Ang mga mikroskopyo, workstation para sa pipet, robotic arms, camera, laser, at sensor ay kailangan lang i-connect nang isang beses upang mahanap at kontrolin ng iba’t ibang model gamit ang isang magkakasunod na estado, mga utos sa operasyon, at mga limitasyon sa kaligtasan, na binabawasan ang dating nangangailangan ng ilang linggo hanggang buwan na custom integration sa ilang oras o minuto. Sa mga maagang pagsubok, nakatulong ang Claude sa pamamagitan ng MHS upang matapos ang eksperimento sa pagdedetect ng protina, i-adjust nang real-time ang mikroskopikong imahe, tratuhin ang mga bubble sa likido, at itaas ang tagumpay na pagpapabalik ng laser sa QuEra quantum computer mula sa 58% hanggang 99.3%. Gayunpaman, kilala rin ng Anthropic na kulang ang mga wika model sa tunay na pisikal na intuisyon, at kailangan pa rin ng pagsusuri mula sa mga eksperto kapag nakikibahagi sa mga real-world na problema tulad ng mga bula, pagkakatambol, optical path, at biyolohikal na sample. Kasalukuyang nakalimita lamang ang MHS sa ilang laboratorio at manufacturing company, at magiging open source lamang pagkatapos mapagtagumpayan ang mga pagsusuri sa kaligtasan. Ang kahalagahan nito ay hindi lamang “nakakagawa ang Claude ng pagpapatakbo ng mga makina,” kundi ang AI Agent ay patuloy na lumilipat mula sa pagbabasa ng software at paggamit ng API, patungo sa kakayahang obserbahan, mag-intervenyo, at magpakulay sa pisikal na mundo.

May-akda ng artikulo, pinagkukunan: Anthropic

Ang Claude ay nakakabasa na ng mga papel, maaaring mag-analisa ng data, magbuo ng mga hipotesis sa pananaliksik, at sumulat ng code para sa eksperimento, ngunit kapag dumating sa hakbang na “totoong pagpapatakbo ng mga kagamitan,” karaniwang binabawalan ang AI sa labas ng realidad.

Ang problema ay hindi lubos sa kakayahan ng modelo, kundi sa sobrang pagkakawala ng pagkakaisa ng mga kagamitan sa laboratorio at pabrika. Maaaring gumamit ang mga camera ng Python, tumatakbo ang detector sa MATLAB, gumagamit ang mga kagamitan sa elektrofisiyolohiya ng C#, samantalang ang mga robotic arm, microscope, at workstation para sa pagmamaneho ay may sarili nilang driver, format ng data, at control software. Maraming kagamitan ay hindi alam kung ano ang kasalukuyang kalagayan ng mga kasunod na instrumento.

Kung gustong ipaalam ng kamera sa robotic arm ang posisyon ng sample, o i-automate ang pagbabago ng mga parameter ng scanning ng microscope batay sa real-time na imahe, kailangan karaniwang isulat ang hiwalay na programa para sa bawat pares ng mga device. Mas maraming device, mas kumplikado ang mga point-to-point integration na kailangang panatilihin.

Sinabi ng Anthropic na kadalasan ay kailangan ng ilang linggo hanggang sa ilang buwan ang isang laboratoryo o pabrika upang matapos ang isang pagkakaisa ng hardware. Gusto ng MHS na i-press ang bahaging ito sa ilang oras o minuto.

Hindi ito tinutugunan ang “paano gawing mas matalino ang modelo,” kundi unang nagtatag ng isang karaniwang wika na maunawaan ng modelo para sa lahat ng mga device.

(Ang orihinal na teksto ay may mga larawan ng arkitektura bago at pagkatapos ng pagpapalakas ng MHS, na nagpapakita ng pagbabago mula sa point-to-point custom connection ng maraming device patungo sa komunikasyon sa pamamagitan ng isang magkakaisang interface.)

Ang core ng MHS ay isang standardisadong driver. Ito ay naglalayong maging isang layer ng pagsasalin sa pagitan ng sariling interface ng device at ang AI Agent, na nagpapalit ng mga komplikadong makina sa isang maliit na bilang ng mga pangkalahatang primitibo, tulad ng pagbasa ng temperatura, pagsulat ng temperatura, pagtanong sa estado, o pagpapatupad ng isang aksyon.

Ang mga kagamitan na konektado sa MHS ay maglalabas ng isang standard na reference document na naglalarawan kung ano ang maaaring masukat nito, anong mga parameter ang maaaring i-adjust, anong mga estado ang maaaring maging ng kagamitan, at anong mga safety restriction ang dapat isagawa.

Ang pure code ay karaniwang hindi makapagpapahayag ng lahat ng tunay na katangian ng isang makina. Halimbawa, kung ang modelo ay nakikita lamang ang control API ng robotic arm, hindi nito alam ang timbang, saklaw ng paggalaw, inertia, o panganib ng pagkakasalpok ng robotic arm mismo. Noon, ang mga impormasyong ito ay maaaring nakalat sa mga papel na manual, computer ng mga inhinyero, o karanasan ng mga operator.

Ang MHS ay nagpapahintulot sa mga gumagamit na magdagdag ng mga kaalaman gamit ang mga label sa natural language. Ang mga user ay maaaring direktang magpuno, o hilingin sa Agent na magtanong sa pamamagitan ng usapan tungkol sa kalagayan ng device, at pagkatapos ay awtomatikong lumikha ng deskripsyon.

Matapos ang pagkonekta, maaaring kontrolin ng Agent ang mga device gamit ang MCP, command line, o code API. Makakabasa ito ng real-time data mula sa maraming instrumento, maayos ang pagkakasunod-sunod ng mga operasyon, at i-adjust ang mga parameter batay sa mga resulta ng eksperimento; kapag kailangan ng mabilis o mahabang pagpapatakbo, isasama nito ang isang serye ng drive commands bilang code upang mag-run ang device nang sarili nito, nang hindi kailangang i-reason muli ang model sa bawat maliit na galaw.

Ang MHS ay hindi nakabatay sa modelo at hindi nagtatakda na kailangan gamitin ang Claude. Ang anumang modelo o Agent framework ay maaaring ma-access at mai-integrate sa mga device sa pamamagitan ng mga standard protocol tulad ng MCP.

Ginamit ng Genentech ang MHS upang subukan ang proseso ng BCA protein assay. Kailangan ng eksperimento ang pagcoordinasyon ng pipette workstation, robotic arm, at microplate reader upang masukat ang protina concentration sa pamamagitan ng pagbabago ng kulay ng sample.

Ang mga proseso na ito ay tila angkop para sa automation, ngunit sa katotohanan, madaling maapektuhan ng mga pisikal na katangian ng likido. Kapag nakakasalubong ang pipeta ang mga bubuksan, maaaring mag-error ang sensor ng lebel ng likido; ang mga bulok ay maaari ring mag-interfere sa huling optical na pagbasa.

Noong una niyang makita ang error sa pagpapatakbo na dulot ng mga bubble, ang natural na tugon ni Claude ay baguhin ang mga parameter at subukang ulitin sa parehong lugar. Ngunit mas lumala pa ito, dahil patuloy na iniinom ang likido at gumawa ng higit pang mga bubble.

Dapat sabihin ng mga siyentipiko: Ito ay hindi isang software bug na maaaring lutasin sa pamamagitan ng paulit-ulit na pagpapatakbo, kundi isang pisikal na problema sa likidong realidad. Ang tamang paraan ay magpapalit sa isang malinis na well habang binabawasan ang bilang ng mixing cycles upang gawing mas maingat ang operasyon.

Pagkatapos makakuha ng paliwanag, nanatili ang Claude sa susunod na mga eksperimento ang kontekstong ito. Ibinuo ng koponan ang karanasan bilang muling gamitin na kasanayan sa paghahawak ng likido, upang makapili ang Claude ng mas angkop na default parameters batay sa mga katangian ng likido, at mapabawasan ang mga pagkakamali sa pagmumula.

Ipapakita ng kaso na ito ang pinakamalinaw na hangganan ng MHS sa kasalukuyan. Maaaring mag-isip ang Agent batay sa mga feedback mula sa sensor, ngunit ang modelo ng mundo na natutunan nito mula sa teksto at imahe ay hindi katumbas ng pisikal na intuisyon na nabuo ng mga eksperimentador sa pamamagitan ng matagal na pagpapatakbo.

Ang MHS ay nagmula sa isang kumplikadong set ng mga kagamitan sa pag-imaging ng utak sa HHMI Janelia.

Ginamit ng researcher na si Virginie Ruetten ang two-photon microscopy upang obserbahan ang aktibidad ng mga selula at organo sa buong katawan ng live zebrafish habang natutulog. Ang buong set ng eksperimento, na binubuo ng laser, mirror, stage, camera, at iba’t ibang sensor, ay dating nangangailangan ng pitong software mula sa iba’t ibang manufacturer upang magtrabaho nang magkakasama.

Kulang ang isang magkakatugmang interface sa pagitan ng mga device, kahit na gumagamit sila ng iba’t ibang mga programming language. Alam ng isang programa ang posisyon ng table, ngunit hindi kayang basahin nang direkta ng isa pang programa; kailangan ng mga mananaliksik na isulat ang maraming bridge code, at minsan ay magdagdag ng mga espesyalisadong card para sa pagkuha ng data upang makapagpadala ng signal ang mga device.

Ang MHS ay isinasama ang lahat ng estado, variable, utos ng kontrol, at basa ng sensor sa isang standardisadong shared state space. Kailangan lang i-describe at i-connect ang bawat device nang isang beses, at maaaring direktang makahanap at gamitin ito ng iba pang mga programa o Agent.

Bago ang pagpapatupad ng MHS, ang pagdaragdag ng isang bagong kamera ay maaaring magtake ng ilang araw para i-integrate; pagkatapos ng pagpapalakas ng MHS, ang mga siyentipiko ay nakapagdagdag lamang ng isang bagong kamera para sa pagmamasid sa posisyon ng laser sa loob ng ilang minuto, at nagbalik ng data ng larawan sa programa na nagpapagana ng mga salamin.

Ang Claude ay maaari ring masuri ang liwanag sa pamamagitan ng kamera, ayusin ang mga salamin, at pagkatapos ay matukoy ang resulta ng paggalaw batay sa bagong imahe, upang makabuo ng isang saradong loop na "pagkilos—pagsusuri—pagsasawi". Sa isang iba pang sistema ng mikroskopyo, ang mga pagsusuri sa laser, sensor, at optical path na dati ay nangangailangan ng kalahating araw para sa mga mananaliksik, ay naikomprimo sa isang automated na hakbang.

Ginagamit ng QuEra Computing ang neutral atoms upang buuin ang quantum computer, kailangan ng sobrang tumpak na pagkontrol ng mga atom gamit ang laser. Ang pinapayagang pagkakaiba sa frequency ng laser ay halos isang trilyon na bahagi lamang, katumbas ng hindi lumampas sa kapal ng isang buhok sa pagmamasid sa distansya mula sa Earth patungo sa Buwan.

Ang mga pagbabago sa temperatura, vibrasyon, o presyur ng hangin ay maaaring magpalabas ng laser mula sa “pagkakasunod”. Kung mangyayari ito sa mahabang panahong quantum computing, maaaring mabigo nang direkta ang isang gawain na nagsisimula nang ilang oras. Ang tradisyonal na proseso ng pagpapabalik ay karaniwang nangangailangan ng mga karanasan na operator na nagmamasid sa maraming instrumento at nag-aayos ng mga parameter sa tamang pagkakasunod-sunod, na kumukuha ng halos 5 hanggang 10 minuto.

Noong nakaraan, inorganisa ni QuEra ang mga inhinyero ng laser, inhinyero ng software, mga eksperto sa algoritmo, at mga tester upang isulat ang isang nakapirming script para sa pagbabalik sa loob ng ilang buwan. Sinusunod nito ang proseso ng tao upang ayusin ang bawat controller nang isa-isa, na may tagumpay na rate na humigit-kumulang 58%, at kailangan ng halos 150 segundo bawat pagsubok.

Pagkatapos ng pagpapalakas ng MHS, hindi na lang ang Agent na nagrerepete ng mga fixed na proseso, kundi patuloy na gumagawa ng iba't ibang perturbasyon, obserbahan ang reaksyon ng laser, at hanapin kung anong mga control parameter ang talagang kailangang ayusin.

Pagkatapos ng isang gabi ng pagsubok, bumaba ang oras ng pagbabalik sa halos 6 segundo, at tumataas ang tagumpay na rate sa 96%; pagkatapos ng karagdagang pagsusulong, ang huling tagumpay na rate ng pagbabalik ay 99.3% ay inireport ng Anthropic.

Natuklasan din ng agent na hindi kailangang i-check ang lahat ng mga kontrol kapag ang pagkakaiba sa frequency ng laser ay maliit; sapat na baguhin ang isa o dalawang parameter lamang. Upang siguraduhin ang kaligtasan, karaniwang binabase ng mga tao ang bawat item; ngunit sa pamamagitan ng maraming ulit na eksperimento, natukoy ng agent ang mga hakbang na maaaring i-skips.

Gayunpaman, pinapahalagahan ni QuEra na ang Agent ay hindi ganap na nagpapalit sa mga eksperto. Kapag nagkakaroon ng malinaw na pagkabigo sa hardware, kadalasang hindi alam ni Claude kung paano ito lulutasin, dahil ang kanyang pag-unawa sa mga device ay pangunahing batay sa mga interface ng programa. Para sa anumang operasyon na may kaunting panganib, kadalasang humihinto ito upang hintayin ang pahintulot ng tao, na nagresulta sa pagpapahinga ng ilang gabi-labas na eksperimento hanggang sa susunod na araw.

Ang Tetsuwan Scientific ay isinama ang MHS sa automated na biyolohikal na eksperimento na platform na ResearchOS para sa pagpapagawa ng qPCR na eksperimento para sa pagsusuri ng kalokalan sa lokal.

Ang qPCR ay nangangailangan ng isang makapal, katulad ng sabon na solusyon na "master mix" reaktibo. Ang likido na ito ay madaling magdudulot ng pagkakabuo ng mga bubuksan habang ginagamit ang pipeta, na nagdudulot ng hindi tumpak na pagkuha at pagbaba ng kalidad ng eksperimento.

Sa isang eksperimento, natukoy ng kamera ang mga bubble sa loob ng test tube na hawak ng robotic arm. Hindi kayang sagutin ng robotic arm ang problema, ngunit ang ResearchOS ay nakakapaghahanap ng iba pang mga kagamitan na konektado sa MHS sa laboratorio. Pagkatapos ay inirerekomenda ni Claude sa mga siyentipiko sa pamamagitan ng Slack: ipadala ang test tube sa centrifuge para maikli at mabagal itong i-rotate upang muli ay i-aggregate ang likido at mga bubble sa ilalim.

Ang ganitong uri ng pagtrato sa iba’t ibang device ay isang sitwasyon na mahirap sakop ng tradisyonal na fixed automation process. Hindi kailangang isulat ng mga programmer ang buong recovery path para sa bawat uri ng error; ang Agent ay maaaring obserbahan ang error at pagkatapos ay lutasin ito batay sa kasalukuyang available na kombinasyon ng mga device.

Pinadali rin ng koponan si Claude na pahusayin ang compiler na nagkukonvert sa advanced na eksperimental na protokolo patungo sa mga hardware operation instruction. Ang mga eksperimento ay nakasakop sa 9,143 na independiyenteng paghahati, 300 iba’t ibang kombinasyon ng paglipat, 1,508 na kondisyon ng pagsukat, at apat na uri ng likido.

Sa mga pagsubok na hindi kasali sa pagpapabuti, ang modelo na pinagbuti ni Claude at MHS ay mas tumpak ng humigit-kumulang 12% sa paghuhula ng precision sa maraming paghahati kaysa sa teknikal na spesipikasyon ng tagagawa ng kagamitan, at nananalo sa 31 sa 45 na pagsubok; sa mga data na may pinakamaraming pag-uulit, ang pagpapabuti ay humigit-kumulang 17%. Ang mga resultang ito ay galing sa sariling eksperimento ng mga kasosyo sa proyekto at hindi pa ito maaaring ituring bilang pangkalahatang konklusyon na na-replicate nang independiyente sa iba’t ibang laboratorio.

Hindi inilarawan ng Anthropic ang MHS bilang isang matatag na sistema ng walang tao na laboratorio.

Ang Claude ay makakabasa ng estado, maaaring analisahin ang mga larawan, at makagamit ng mga device, ngunit ang kanyang kaalaman tungkol sa mundo ay batay sa teksto at imahe. Ang mga problema tulad ng friction, foam, weight, viscosity ng likido, mechanical clearance, at light path drift ay karaniwang lumalabas lamang sa tunay na pagpapatakbo.

Kung walang programmable interface ang device, hindi pa makakapag-connect ang MHS nang direkta; nagtatrabaho ang Anthropic kasama ang mga tagagawa upang magdagdag ng driver para sa mga device na ito.

Ang pisikal na kaligtasan ay mas kumplikado kaysa sa digital na pahintulot. Kapag nagpapatupad ang digital na Agent ng maling utos, karaniwang maaaring i-rollback ang mga file o i-recover ang sistema; ngunit kapag kinokontrol ang robotic arm, laser, kemikal, at biyolohikal na sample, ang maling galaw ay maaaring magdulot ng pagkasira ng kagamitan, pagkawala ng sample, o kaya ay panganib sa mga tao.

Kaya ang mahalagang gawain sa yugto ng pagpapakita ng pag-aaral ay hindi ang pagpapalawak ng bilang ng mga device, kundi ang pagbuo ng mga bagong pagsusuri sa kaligtasan: alin sa mga operasyon ay kailangang aprubahan ng tao, kailan dapat huminto ang device nang awtomatiko, kaya ba ng modelo na makilala ang anormal na sensor, at paano matitiyak na hindi makakalabas ang Agent sa mga limitasyon ng hardware driver layer.

Ang Anthropic ay nagpapahayag na nagpaplanong gumawa ng "physical safety roadmap" at plano nilang ipahayag ang mga natuklasan sa research preview at ang mga gabay sa ligtas na pag-deploy habang isasalin ang MHS sa open source.

Natatanggap na ng MHS ang mga early support mula sa mga kumpanya ng kagamitan at platform. Planong ipapakilala ng AWS ang pag-access sa pamamagitan ng Strands Robots; tinatayasan ng Doosan Robotics at Universal Robots ang suporta sa robotic arms; inaayos ng Tecan, QIAGEN, at Automata ang automation sa laboratorio; planong isama ng Hugging Face ang MHS sa LeRobot robot library, at tinatayasan rin ng Raspberry Pi ang integrasyon sa ilang mga produkto at camera drivers.

Kung mabubuo ang ekosistema ng MHS, maaari itong mag-unify ng pagkonekta ng mga Agent sa mga real-world device, tulad ng paano nag-uunify ng MCP ang mga model at software tools. Hindi na kailangang bumuo ng mga interface nang paulit-ulit ang mga laboratorio para sa bawat model, bawat device, at bawat software suite, at maaari rin ng mga manufacturer ng device na direktang magbigay ng mga standard na paglalarawan ng kakayahan na maaaring makita ng Agent.

Ngunit mas mataas ang hamon na kinakaharap ng MHS. Ang mga input at output ng software tools ay karaniwang maaaring tuklasin nang eksakto, ngunit ang mga pisikal na kagamitan ay maaaring magkasira, mag漂移, magkablock, magdulot ng ingay, at maapektuhan ng pagbabago sa kapaligiran. Maaaring magkaiba ang pagganap ng dalawang instrumento na parehong modelo dahil sa iba’t ibang estado ng kalibrasyon at paraan ng pag-install.

Kaya ang tunay na istandar na ipinapahiwatig ng MHS ay hindi lamang ang mga utos, kundi ang machine state, mga real-world constraint, safety boundaries, at kaalaman sa fault recovery.