MHS d'Anthropic permet aux agents IA de contrôler des appareils de laboratoire et quantiques

Anthropic publie une prévisualisation de recherche sur le Model Hardware Standard (MHS), visant à établir une interface universelle, similaire au MCP, entre les agents IA et les appareils physiques. Microscopes, stations de pipetage, bras robotiques, caméras, lasers et capteurs n'ont besoin d'être connectés qu'une seule fois pour être découverts et contrôlés par différents modèles via un état, des commandes d'opération et des limites de sécurité unifiés, réduisant des intégrations personnalisées qui prenaient des semaines ou des mois à quelques heures ou minutes. Lors de tests initiaux, Claude a collaboré pour mener des expériences de détection de protéines, ajuster en temps réel l'imagerie microscopique, traiter des défauts de bulles liquides, et augmenter le taux de réussite de la restauration du laser sur l'ordinateur quantique QuEra de 58 % à 99,3 %. Toutefois, Anthropic reconnaît que les modèles linguistiques manquent d'intuition physique réelle et nécessitent toujours une supervision humaine face à des problèmes concrets tels que les bulles, les collisions, les chemins optiques et les échantillons biologiques. Le MHS est actuellement accessible uniquement à certains laboratoires et entreprises manufacturières, et sera ouvert au public une fois les évaluations de sécurité finalisées. Son importance ne réside pas seulement dans le fait que « Claude peut manipuler des machines », mais dans le fait que les agents IA passent désormais de la simple lecture de logiciels et l'appel d'API à une capacité d'observation, d'intervention et d'expérimentation répétée dans le monde physique.

Auteur et source de l’article : Anthropic

Claude peut déjà lire des articles scientifiques, analyser des données, générer des hypothèses de recherche et écrire du code d'expérience, mais lorsqu'il s'agit d'aller jusqu'à « manipuler réellement les équipements », l'IA est généralement exclue du monde réel.

Le problème ne réside pas seulement dans les capacités du modèle, mais dans l'extrême fragmentation des équipements en laboratoire et en usine. Les caméras peuvent utiliser Python, les détecteurs fonctionnent sous MATLAB, les équipements d'électrophysiologie utilisent C#, tandis que les bras mécaniques, les microscopes et les stations de pipetage ont chacun leurs propres pilotes, formats de données et logiciels de contrôle. Beaucoup d'équipements ne savent tout simplement pas quel est l'état actuel des instruments voisins.

Les chercheurs doivent souvent écrire des programmes de connexion distincts pour chaque paire d'appareils afin de permettre à une caméra d'alerter un bras mécanique après avoir détecté la position de l'échantillon, ou pour que le microscope ajuste automatiquement les paramètres de balayage en fonction des images en temps réel. Plus il y a d'appareils, plus la complexité des intégrations point à point augmente.

Anthropic indique que les laboratoires ou les installations de fabrication nécessitaient traditionnellement plusieurs semaines à plusieurs mois pour intégrer un ensemble de matériel. MHS souhaite réduire cette étape à quelques heures ou minutes.

Il ne s'agit pas de « comment rendre le modèle plus intelligent », mais de d'abord établir un langage commun compréhensible par le modèle pour tous les appareils.

(Schéma d'architecture avant et après l'intégration de MHS, montrant le passage de connexions personnalisées point à point entre plusieurs appareils à une communication via une interface unifiée.)

Le cœur de MHS est un pilote standardisé. Il agit comme une couche de traduction entre l'interface de l'appareil et l'agent IA, transformant des machines complexes en un petit nombre de primitives universelles, telles que lire la température, écrire la température, interroger l'état ou exécuter une opération.

Les appareils connectés à MHS génèrent un fichier de référence standardisé indiquant ce qu'ils peuvent mesurer, quels paramètres peuvent être ajustés, les états possibles de l'appareil et les restrictions de sécurité à appliquer.

Le code pur ne peut généralement pas exprimer toutes les propriétés réelles d'une machine. Par exemple, un modèle qui ne voit que l'API de contrôle d'un bras mécanique ne connaît pas nécessairement le poids du bras, sa plage de mouvement, son inertie ou les risques de collision. Par le passé, ces informations étaient souvent dispersées dans des manuels papier, sur les ordinateurs des ingénieurs ou dans l'expérience des opérateurs.

MHS permet aux utilisateurs d'ajouter ces connaissances à l'aide d'étiquettes en langage naturel. Les utilisateurs peuvent les saisir directement ou laisser l'Agent poser des questions par conversation pour générer automatiquement le fichier de description.

Une fois l'intégration terminée, l'agent peut contrôler les appareils via MCP, la ligne de commande ou une API de code. Il peut lire les données en temps réel de plusieurs instruments, planifier l'ordre des opérations et ajuster les paramètres en fonction des résultats expérimentaux ; lorsqu'une opération rapide ou prolongée est nécessaire, il compile une série de commandes de pilotage en code pour permettre à l'appareil de fonctionner de manière autonome, sans que le modèle doive réexécuter un raisonnement avant chaque action mineure.

MHS est indépendant du modèle et n'impose pas l'utilisation obligatoire de Claude. Tout modèle ou framework d'agent peut théoriquement accéder aux appareils via des protocoles standards tels que MCP.

Genentech a utilisé MHS pour tester le protocole de détection de protéines BCA. L'expérience nécessitait de coordonner une station de pipetage, un bras mécanique et un lecteur d'microplaques pour mesurer la concentration protéique via un changement de couleur des échantillons.

Ces processus semblent adaptés à l'automatisation, mais ils sont facilement affectés par les propriétés physiques des liquides en pratique. Lorsqu'une pipette rencontre de la mousse, le capteur de niveau de liquide peut générer une erreur ; les bulles peuvent également interférer avec la lecture optique finale.

Lorsque Claude a rencontré pour la première fois une erreur d'exécution causée par des bulles, sa réaction instinctive a été de modifier les paramètres et de réessayer dans le même puits. Cela a eu pour effet de continuer à agiter le liquide et de générer davantage de bulles.

Les chercheurs doivent leur dire : ce n'est pas un bogue logiciel qui peut être résolu en le relançant plusieurs fois, mais un problème physique dans le liquide réel. La bonne méthode consiste à passer à un puits propre tout en réduisant le nombre de cycles de mélange pour effectuer l'opération de manière plus douce.

Après avoir obtenu l'explication, Claude a conservé ce contexte dans les expériences suivantes. L'équipe a ensuite structuré cette expérience en compétences de manipulation de liquides réutilisables, permettant à Claude de sélectionner des paramètres par défaut plus appropriés en fonction des propriétés des liquides, réduisant ainsi les erreurs de pipetage.

Ce cas illustre la frontière la plus claire actuelle de MHS. L'agent peut raisonner à partir des retours des capteurs, mais le modèle du monde qu'il apprend à partir de textes et d'images ne correspond pas à l'intuition physique acquise par les expérimentateurs grâce à une manipulation prolongée.

MHS provient à l'origine d'un ensemble d'équipements complexes d'imagerie cérébrale de HHMI Janelia.

La chercheuse Virginie Ruetten a utilisé un microscope à deux photons pour observer l'activité des cellules et des organes complets chez des poissons-zèbres vivants pendant le sommeil. L'ensemble de l'équipement expérimental, comprenant un laser, des miroirs, une platine, une caméra et plusieurs capteurs, nécessitait initialement sept logiciels provenant de différents fabricants pour fonctionner en synergie.

Les appareils manquent d'une interface unifiée et utilisent même des langages de programmation différents. Un programme connaît la position de la plateforme, tandis qu'un autre ne peut pas la lire directement ; les chercheurs doivent écrire de nombreux codes de pont, parfois même ajouter des cartes d'acquisition de données dédiées pour permettre aux appareils de transmettre des signaux.

MHS place l'état, les variables, les commandes de contrôle et les lectures des capteurs de tous les instruments dans un espace d'état partagé normalisé. Chaque appareil n'a besoin d'être décrit et connecté qu'une seule fois, permettant à d'autres programmes ou agents de le découvrir et de l'utiliser directement.

Avant la mise en œuvre de MHS, l'ajout d'une nouvelle caméra pouvait nécessiter plusieurs jours d'intégration ; après l'adoption de MHS, les chercheurs ont intégré en quelques minutes seulement la nouvelle caméra destinée à observer la position du laser et ont transmis les données vidéo au programme de contrôle des miroirs.

Claude peut également observer le faisceau via la caméra, ajuster les miroirs, puis évaluer les résultats du déplacement en fonction de la nouvelle image, créant ainsi une boucle fermée « action — observation — correction ». Dans un autre système de microscope, les vérifications laser, des capteurs et du trajet optique qui nécessitaient autrefois une demi-journée de travail pour les chercheurs ont été réduites à une seule étape automatisée.

QuEra Computing construit des ordinateurs quantiques à l'aide d'atomes neutres, nécessitant un contrôle extrêmement précis des atomes par laser. La tolérance autorisée pour la fréquence du laser est d'environ un trillionième, ce qui équivaut à une erreur ne dépassant pas la largeur d'un cheveu lors de la mesure de la distance entre la Terre et la Lune.

Les variations de température, de vibration ou de pression peuvent faire perdre au laser son « verrouillage ». Si cela se produit lors d'un calcul quantique prolongé, une tâche en cours depuis plusieurs heures peut échouer directement. Le processus de récupération traditionnel nécessite généralement des opérateurs expérimentés qui observent simultanément plusieurs instruments et ajustent les paramètres dans un ordre spécifique, ce qui prend environ 5 à 10 minutes.

QuEra avait précédemment réuni des ingénieurs lasers, des ingénieurs logiciels, des experts en algorithmes et des testeurs pour développer pendant plusieurs mois un ensemble de scripts de récupération fixes. Il ajustait manuellement les contrôleurs selon un processus pas à pas, avec un taux de réussite d'environ 58 %, chaque essai prenant environ 150 secondes.

Après intégration de MHS, l'agent ne se contente plus de répéter des processus fixes, mais génère continuellement des perturbations variées, observe les réactions du laser et identifie quels paramètres de contrôle nécessitent réellement des ajustements.

Après une nuit d'expérimentation, le temps de récupération a diminué à environ 6 secondes, avec un taux de réussite de 96 % ; après des optimisations supplémentaires, Anthropic a rapporté un taux de réussite final de récupération de 99,3 %.

L'agent a également constaté qu'il n'était pas nécessaire de vérifier tous les paramètres de contrôle lorsque le décalage de fréquence du laser était faible ; il suffisait de modifier un ou deux paramètres. Les opérateurs humains, pour assurer la sécurité, vérifient généralement chaque élément un par un ; l'agent a identifié les étapes pouvant être sautées grâce à de nombreuses expériences répétées.

Cependant, QuEra souligne que l'agent n'a pas complètement remplacé les experts. Lors de pannes matérielles pures, Claude ne sait souvent pas comment réagir, car sa compréhension des équipements repose principalement sur les interfaces de programme. Pour les opérations présentant un léger risque, il s'arrête fréquemment pour attendre une autorisation humaine, ce qui entraîne la suspension de certaines expériences nocturnes jusqu'au lendemain.

Tetsuwan Scientific intègre MHS à la plateforme d'expériences biologiques automatisées ResearchOS pour mener des expériences qPCR d'analyse de la pollution locale.

La qPCR nécessite l'utilisation d'un réactif appelé « master mix », de consistance visqueuse et semblable à du liquide vaisselle. Ce liquide forme facilement des bulles lors de la pipetage, ce qui entraîne des prélèvements inexactes et réduit la qualité de l'expérience.

Lors d'une expérience, la caméra a détecté des bulles dans le tube maintenu par le bras mécanique. Le bras mécanique ne pouvait pas résoudre ce problème par lui-même, mais ResearchOS a pu rechercher d'autres appareils connectés au MHS dans le laboratoire. Claude a ensuite recommandé aux chercheurs, via Slack, de faire transférer le tube par le bras mécanique vers un centrifugeuse pour une courte rotation à faible vitesse, permettant de réunir le liquide et les bulles au fond.

Ce type de traitement跨设备 est un scénario difficile à couvrir par les processus d'automatisation fixes traditionnels. Les concepteurs de programmes n'ont pas besoin de prévoir à l'avance un chemin de récupération complet pour chaque type de défaillance ; l'Agent peut observer l'erreur et trouver une solution en fonction des appareils disponibles à ce moment-là.

L'équipe a également fait optimiser par Claude le compilateur qui convertit les protocoles expérimentaux avancés en instructions d'opération matérielle. Les expériences couvrent 9143 aliquotages indépendants, 300 combinaisons de transfert différentes, 1508 conditions de mesure et quatre types de liquides.

Dans des tests non optimisés, le modèle amélioré par Claude et MHS a prédit la précision de la distribution multiple avec environ 12 % d'exactitude supérieure aux spécifications techniques du fabricant du dispositif, remportant 31 des 45 essais ; sur les données avec le plus grand nombre de répétitions, l'amélioration s'élève à environ 17 %. Ces résultats proviennent d'expériences menées par les partenaires du projet et ne peuvent pas encore être considérés comme des conclusions générales validées indépendamment entre laboratoires.

Anthropic n'a pas décrit MHS comme un système de laboratoire automatisé mature.

Claude peut lire les états, analyser les images et utiliser des appareils, mais ses connaissances sur le monde réel proviennent principalement du texte et des images. Des problèmes tels que le frottement, les bulles, le poids, la viscosité des liquides, les jeux mécaniques et les dérives du trajet lumineux ne se révèlent souvent que lors d'une manipulation réelle.

Si l'appareil ne dispose d'aucune interface programmable, MHS ne peut actuellement pas s'y connecter directement ; Anthropic travaille avec les fabricants pour ajouter des pilotes à ces appareils.

La sécurité physique est également plus complexe que les autorisations logicielles. En cas d'exécution d'une commande erronée par un agent numérique, il est souvent possible de revenir en arrière sur les fichiers ou de restaurer le système ; en revanche, lors du contrôle de bras mécaniques, de lasers, de réactifs chimiques ou d'échantillons biologiques, une erreur peut entraîner des dommages matériels, la perte d'échantillons ou même des risques pour les personnes.

Ainsi, la tâche essentielle durant la phase de prévisualisation de la recherche n’est pas d’augmenter le nombre d’appareils, mais de mettre en place de nouvelles évaluations de sécurité : quelles opérations doivent être approuvées par une personne, dans quelles conditions les appareils doivent-ils s’arrêter automatiquement, le modèle peut-il détecter des anomalies des capteurs, et comment garantir que les limites au niveau du pilote matériel ne peuvent pas être contournées par l’Agent.

Anthropic indique qu'elle élabore une "feuille de route pour la sécurité physique" et prévoit de publier les résultats de la prévisualisation de la recherche ainsi que des directives pour un déploiement sécurisé lors du lancement officiel en open source de MHS.

MHS a déjà reçu le soutien précoce de plusieurs entreprises de matériel et de plateformes. AWS prévoit d'offrir un accès via Strands Robots ; Doosan Robotics et Universal Robots testent la prise en charge des bras robotiques ; Tecan, QIAGEN et Automata se concentrent sur l'automatisation de laboratoire ; Hugging Face prévoit d'intégrer MHS à la bibliothèque de robots LeRobot, et Raspberry Pi teste l'intégration dans certains produits et pilotes de caméra.

Si MHS forme un écosystème, il pourrait unifier la connexion entre les agents et les appareils réels, de la même manière que le modèle MCP unifie les outils logiciels. Les laboratoires n'auront plus besoin de reconstruire des interfaces pour chaque modèle, chaque appareil et chaque logiciel, et les fabricants d'appareils pourront directement fournir des descriptions de capacités standardises accessibles aux agents.

Mais la difficulté rencontrée par MHS est nettement plus élevée. Les entrées et sorties des outils logiciels peuvent généralement être définies avec précision, tandis que les appareils physiques s'usent, dérivent, se bouchent, génèrent du bruit et sont affectés par les variations environnementales. Deux instruments identiques peuvent également présenter des performances différentes en raison de leur état d'étalonnage et de leur mode d'installation.

Ainsi, ce que MHS cherche à standardiser, ce n'est pas seulement les commandes, mais aussi l'état des machines, les contraintes réelles, les limites de sécurité et les connaissances en matière de reprise après défaillance.