Anthropic का MHS AI एजेंट्स को लैब और क्वांटम उपकरणों को नियंत्रित करने की अनुमति देता है

Anthropic ने Model Hardware Standard (MHS) रिसर्च प्रीव्यू जारी किया है, जिसका उद्देश्य AI एजेंट और वास्तविक उपकरणों के बीच MCP के समान एक सामान्य इंटरफ़ेस स्थापित करना है। माइक्रोस्कोप, पिपेटिंग स्टेशन, मैकेनिकल आर्म, कैमरे, लेज़र और सेंसर केवल एक बार कनेक्ट किए जाने पर, एक समान स्थिति, ऑपरेशन निर्देश और सुरक्षा सीमाओं के माध्यम से विभिन्न मॉडल द्वारा पता लगाए जा सकते हैं और नियंत्रित किए जा सकते हैं, जिससे पहले कई सप्ताह या महीनों का कस्टम एकीकरण कुछ घंटों या मिनटों में समाप्त हो जाता है। प्रारंभिक परीक्षणों में, Claude ने MHS के माध्यम से प्रोटीन डिटेक्शन प्रयोग पूरा किया, माइक्रोस्कोपिक इमेजिंग को रीयल-टाइम में समायोजित किया, तरल बुलबुले की समस्याओं को हल किया, और QuEra क्वांटम कंप्यूटर के लेज़र पुनर्स्थापन सफलता दर को 58% से बढ़ाकर 99.3% कर दिया। हालाँकि, Anthropic ने स्वीकार किया है कि भाषा मॉडल में वास्तविक भौतिक बुद्धि की कमी है, और बुलबुले, टक्कर, प्रकाश मार्ग और जैविक नमूनों जैसी वास्तविक समस्याओं के सामने अभी भी विशेषज्ञ की निगरानी की आवश्यकता होती है। MHS अभी केवल कुछ प्रयोगशालाओं और निर्माण कंपनियों के लिए उपलब्ध है, और सुरक्षा मूल्यांकन पूरा होने के बाद ही इसे ओपन सोर्स किया जाएगा। इसका महत्व केवल “Claude मशीनें संचालित करता है” तक सीमित नहीं है, बल्कि AI एजेंट सॉफ़्टवेयर पढ़ने और API का उपयोग करने से परे, प्रेक्षण, हस्तक्षेप और पुनरावृत्ति प्रयोग के माध्यम से भौतिक दुनिया में प्रवेश करने की ओर बढ़ रहा है।

लेखक, स्रोत: Anthropic

क्लॉड पहले से ही शोध पत्र पढ़ सकता है, डेटा विश्लेषण कर सकता है, अनुसंधान परिकल्पनाएँ बना सकता है और प्रयोगात्मक कोड लिख सकता है, लेकिन जब शोध "वास्तविक उपकरण संचालित करने" के चरण पर पहुँचता है, तो AI आमतौर पर वास्तविक दुनिया से बाहर रखा जाता है।

समस्या केवल मॉडल क्षमता में नहीं है, बल्कि प्रयोगशाला और कारखाने के उपकरण अत्यधिक विखंडित हैं। कैमरा पायथन का उपयोग कर सकता है, डिटेक्टर MATLAB पर चल रहा है, इलेक्ट्रोफिज़ियोलॉजिकल उपकरण C# का उपयोग करते हैं, जबकि मैकेनिकल आर्म, सूक्ष्मदर्शी और पिपेटिंग स्टेशन के अपने-अपने ड्राइवर, डेटा फॉर्मेट और कंट्रोल सॉफ़्टवेयर हैं। कई उपकरणों को पता भी नहीं है कि पड़ोसी उपकरण वर्तमान में किस स्थिति में हैं।

शोधकर्ता अगर कैमरे को नमूने की स्थिति का पता लगाकर मैकेनिकल आर्म को सूचित करना चाहते हैं, या माइक्रोस्कोप को वास्तविक समय की छवि के आधार पर स्कैनिंग पैरामीटर्स को स्वचालित रूप से बदलने के लिए चाहते हैं, तो अक्सर प्रत्येक दो उपकरणों के लिए अलग-अलग कनेक्शन प्रोग्राम लिखने की आवश्यकता होती है। जितने अधिक उपकरण होंगे, उतनी ही अधिक बिंदु-से-बिंदु एकीकरण की रखरखाव की जटिलता बढ़ती है।

Anthropic ने कहा कि पिछले समय में प्रयोगशाला या निर्माण सुविधाओं को हार्डवेयर एकीकरण पूरा करने में सप्ताहों या महीनों लगते थे। MHS इस कार्य को कुछ घंटों या मिनटों में समाप्त करना चाहता है।

यह यह नहीं सुलझाता कि मॉडल कैसे अधिक बुद्धिमान बने, बल्कि पहले सभी उपकरणों के लिए एक ऐसी सामान्य भाषा बनाता है जिसे मॉडल समझ सके।

(मूल पाठ में MHS से पहले और बाद के आर्किटेक्चर आरेख हैं, जो कई उपकरणों के बीच बिंदु-से-बिंदु कस्टम कनेक्शन से एकीकृत इंटरफ़ेस के माध्यम से संचार में परिवर्तन दर्शाते हैं।)

MHS का हृदय एक मानकीकृत ड्राइवर है। यह उपकरण के स्वयं के इंटरफ़ेस और AI एजेंट के बीच एक अनुवाद परत के रूप में कार्य करता है, जो जटिल मशीनों को कुछ सामान्य प्राइमिटिव्स में बदल देता है, जैसे तापमान पढ़ना, तापमान लिखना, स्थिति पूछना या कोई कार्रवाई करना।

MHS के साथ जुड़े उपकरण एक मानक संदर्भ फ़ाइल उत्पन्न करते हैं, जो बताती है कि यह क्या माप सकता है, कौन से पैरामीटर समायोजित किए जा सकते हैं, उपकरण किन-किन अवस्थाओं में हो सकता है, और किन सुरक्षा सीमाओं को लागू किया जाना आवश्यक है।

शुद्ध कोड अक्सर मशीन के सभी वास्तविक गुणों को व्यक्त नहीं कर सकता। उदाहरण के लिए, यदि मॉडल केवल रोबोटिक बाजू के कंट्रोल API को देखता है, तो यह रोबोटिक बाजू के वजन, गति की सीमा, जड़त्व या टक्कर के जोखिम के बारे में जाने के लिए असमर्थ हो सकता है। पिछले समय में, ये जानकारी कागजी निर्देशों, इंजीनियरों के कंप्यूटर या संचालकों के अनुभव में बिखरी हुई हो सकती थी।

MHS उपयोगकर्ताओं को प्राकृतिक भाषा लेबल के माध्यम से इन ज्ञानों को पूरा करने की अनुमति देता है। उपयोगकर्ता या तो सीधे भर सकते हैं, या Agent को डिवाइस की स्थिति के बारे में संवाद के माध्यम से पूछने की अनुमति दे सकते हैं, जिससे स्वचालित रूप से विवरण फ़ाइल बन जाए।

एजेंट को जोड़ने के बाद, यह MCP, कमांड लाइन या कोड API के माध्यम से उपकरणों को नियंत्रित कर सकता है। यह कई उपकरणों के रीयल-टाइम डेटा को पढ़ सकता है, ऑपरेशन के क्रम को निर्धारित कर सकता है, परीक्षण परिणामों के आधार पर पैरामीटर्स को समायोजित कर सकता है; जब उच्च गति या लंबे समय तक के ऑपरेशन की आवश्यकता होती है, तो एक सीरीज़ ड्राइव कमांड्स को कोड में संकलित किया जाता है, ताकि उपकरण स्वयं चल सके और मॉडल को प्रत्येक छोटी क्रिया से पहले पुनः निष्कर्ष निकालने की आवश्यकता न हो।

MHS मॉडल-निरपेक्ष है और Claude का उपयोग करना अनिवार्य नहीं है। कोई भी मॉडल या Agent फ्रेमवर्क सिद्धांत रूप से MCP जैसे मानक प्रोटोकॉल के माध्यम से डिवाइस तक पहुँच सकता है।

जेनेटेक ने BCA प्रोटीन डिटेक्शन प्रक्रिया के लिए MHS का उपयोग किया। प्रयोग में नमूने के रंग परिवर्तन के माध्यम से प्रोटीन सांद्रता मापने के लिए पाइपेटिंग वर्कस्टेशन, मैकेनिकल आर्म और एंजाइम लिंक्ड इम्यूनोसॉरबेंट असॉय (एलआईएसए) का समन्वय करना आवश्यक था।

ऐसी प्रक्रियाएँ स्वचालित करने के लिए उपयुक्त प्रतीत होती हैं, लेकिन वास्तविकता में ये द्रव के भौतिक गुणों से आसानी से प्रभावित हो सकती हैं। पाइपेटिंग उपकरण को फेन का सामना करना पड़ता है, जिससे तरल स्तर सेंसर में त्रुटि हो सकती है; बुलबुले अंतिम प्रकाशिक पाठ्यांक को भी बाधित कर सकते हैं।

क्लॉड ने बुलबुलों के कारण हुए रनटाइम त्रुटि की पहली बार मुठभेड़ में, स्वाभाविक प्रतिक्रिया के रूप में पैरामीटर बदलकर एक ही स्थान पर पुनः प्रयास किया। परिणामस्वरूप, यह द्रव को आगे भी हिलाता रहा और अधिक बुलबुले बनाए।

शोधकर्ताओं को इसे बताना चाहिए: यह कोई सॉफ्टवेयर त्रुटि नहीं है जिसे दोहराए जाने से हल किया जा सके, बल्कि वास्तविक तरल में एक भौतिक समस्या है। सही उपाय है कि साफ़ छिद्र में स्विच करें और मिश्रण चक्रों की संख्या कम करें, ताकि संचालन अधिक सूक्ष्म हो।

स्पष्टीकरण प्राप्त करने के बाद, क्लॉड ने अगले प्रयोगों में इस संदर्भ को बनाए रखा। टीम ने अनुभव को दोहराया जा सकने वाले तरल पदार्थ हैंडलिंग कौशल में संशोधित किया, जिससे क्लॉड विभिन्न तरल पदार्थों के गुणों के आधार पर अधिक उपयुक्त डिफ़ॉल्ट पैरामीटर चुन सके और पिपेटिंग त्रुटियों को कम कर सके।

यह मामला MHS की वर्तमान में सबसे स्पष्ट सीमाओं को उजागर करता है। एजेंट सेंसर प्रतिक्रिया के आधार पर निष्कर्ष निकाल सकता है, लेकिन यह टेक्स्ट और चित्रों से सीखा गया विश्व मॉडल प्रयोगकर्ताओं द्वारा लंबे समय तक संचालन के माध्यम से विकसित भौतिक बुद्धि के समान नहीं है।

MHS मूल रूप से HHMI Janelia के एक जटिल मस्तिष्क छवि उपकरणों के सेट से उत्पन्न हुआ।

शोधकर्ता वर्जीनी रूटेन ने जीवित ज़ेबरा मछली के पूरे शरीर के कोशिकाओं और अंगों की नींद के दौरान गतिविधियों को द्वि-फोटॉन माइक्रोस्कोप का उपयोग करके देखा। पूरा प्रयोगात्मक सेटअप, जिसमें लेजर, दर्पण, चरण, कैमरा और कई सेंसर शामिल हैं, मूल रूप से विभिन्न निर्माताओं की सात सॉफ्टवेयर प्रणालियों के सहयोग से संचालित होता था।

उपकरणों के बीच एक समरूप इंटरफेस की कमी है, और कई बार वे अलग-अलग प्रोग्रामिंग भाषाएँ उपयोग करते हैं। एक प्रोग्राम लोडिंग टेबल की स्थिति जानता है, जबकि दूसरा प्रोग्राम सीधे इसे पढ़ नहीं सकता; शोधकर्ताओं को बहुत सारा ब्रिजिंग कोड लिखना पड़ता है, और कभी-कभी विशेष डेटा एक्विजिशन कार्ड जोड़ने पड़ते हैं ताकि उपकरण संकेत भेज सकें।

MHS सभी उपकरणों की स्थिति, चर, नियंत्रण आदेश और सेंसर पठन को एक मानकीकृत साझा स्थिति स्थान में डालता है। प्रत्येक उपकरण को केवल एक बार वर्णित और जोड़ा जाता है, और अन्य प्रोग्राम या एजेंट इसे सीधे खोज सकते हैं और उपयोग कर सकते हैं।

MHS लागू करने से पहले, एक नया कैमरा जोड़ने में कई दिन लग सकते थे; MHS के साथ, शोधकर्ताओं ने केवल कुछ मिनटों में लेजर की स्थिति को देखने के लिए नया कैमरा सिस्टम में जोड़ दिया और चित्र डेटा को परावर्तक दर्पण को नियंत्रित करने वाले प्रोग्राम में प्रतिक्रिया के रूप में भेज दिया।

क्लॉड कैमरे के माध्यम से किरणों को देख सकता है, परावर्तक दर्पण को समायोजित कर सकता है, और फिर नए दृश्य के आधार पर गति के परिणाम का निर्णय ले सकता है, जिससे "कार्रवाई—प्रेक्षण—सुधार" का बंद चक्र बनता है। एक अन्य सूक्ष्मदर्शी प्रणाली में, जिसमें पहले शोधकर्ताओं को लेजर, सेंसर और प्रकाश मार्ग की जांच के लिए आधा दिन लगता था, उसे एकल स्वचालित चरण में समेट दिया गया है।

QuEra Computing उदासीन परमाणुओं का उपयोग करके क्वांटम कंप्यूटर बनाता है, जिसमें परमाणुओं को लेजर के साथ अत्यधिक सटीकता से नियंत्रित करने की आवश्यकता होती है। लेजर की आवृत्ति के लिए अनुमत विचलन लगभग एक ट्रिलियनवें हिस्से तक सीमित है, जो पृथ्वी से चंद्रमा की दूरी को मापने पर त्रुटि एक बाल की मोटाई से अधिक नहीं होनी चाहिए, इसके समान है।

तापमान, कंपन या वायुदबाव में परिवर्तन से लेजर का "लॉक" खोजा जा सकता है। यदि यह लंबे समय तक क्वांटम गणना में होता है, तो कई घंटों तक चल रहे कार्य सीधे विफल हो सकते हैं। पारंपरिक पुनर्स्थापन प्रक्रिया आमतौर पर अनुभवी संचालक की आवश्यकता होती है, जो कई उपकरणों का निरीक्षण करते हुए क्रमबद्ध तरीके से पैरामीटर समायोजित करता है, जिसमें लगभग 5 से 10 मिनट लगते हैं।

QuEra ने पहले लेजर इंजीनियरों, सॉफ्टवेयर इंजीनियरों, एल्गोरिथम विशेषज्ञों और परीक्षणकर्ताओं को एक स्थिर रिकवरी स्क्रिप्ट लिखने के लिए कई महीनों तक एकत्र किया था। यह मैनुअल प्रक्रिया के अनुसार कंट्रोलर को एक-एक करके समायोजित करता था, जिसकी सफलता की दर लगभग 58% थी और प्रत्येक प्रयास में लगभग 150 सेकंड लगते थे।

MHS के समाकलन के बाद, एजेंट केवल निश्चित प्रक्रियाओं को दोहराने के बजाय, लगातार विभिन्न विक्षेप उत्पन्न करता है, लेजर प्रतिक्रिया को देखता है, और यह जानने का प्रयास करता है कि कौन से नियंत्रण पैरामीटर वास्तव में समायोजित किए जाने चाहिए।

एक रात के प्रयोग के बाद, पुनर्स्थापन समय लगभग 6 सेकंड तक कम हो गया और सफलता दर 96% तक पहुंच गई; अतिरिक्त अनुकूलन के बाद, Anthropic द्वारा अंतिम पुनर्स्थापन सफलता दर 99.3% घोषित की गई।

एजेंट ने यह भी पाया कि जब लेजर आवृत्ति विस्थापन छोटा होता है, तो सभी नियंत्रण आइटम की जांच करने की आवश्यकता नहीं होती; केवल एक या दो पैरामीटर संशोधित करना पर्याप्त होता है। मानव संचालक सुरक्षा के लिए आमतौर पर प्रत्येक आइटम की पुष्टि करते हैं; एजेंट ने बड़ी संख्या में दोहराए गए प्रयोगों के माध्यम से उन चरणों की पहचान की है जिन्हें छोड़ा जा सकता है।

हालांकि, QuEra ने जोर देकर कहा कि एजेंट ने विशेषज्ञों को पूरी तरह से बदल नहीं दिया है। शुद्ध भौतिक हार्डवेयर खराबी की स्थिति में, क्लॉड अक्सर इसका समाधान कैसे करें, यह नहीं जानता क्योंकि इसकी उपकरणों की समझ मुख्य रूप से प्रोग्राम इंटरफ़ेस से आती है। कुछ जोखिम वाले कार्यों के लिए, यह अक्सर मानवीय अनुमति का इंतजार करने के लिए रुक जाता है, जिससे कुछ रात्रि प्रयोग अगले दिन तक स्थगित हो जाते हैं।

Tetsuwan Scientific ने MHS को ऑटोमेटेड बायोलॉजिकल एक्सपेरिमेंट प्लेटफॉर्म ResearchOS में एकीकृत किया है, ताकि स्थानीय प्रदूषण का विश्लेषण करने के लिए qPCR प्रयोग किए जा सकें।

qPCR के लिए एक चिपचिपा, साबुन के घोल के समान "मास्टर मिक्स" अभिकर्मक की आवश्यकता होती है। यह द्रव ट्रांसफर के दौरान फेन उत्पन्न करने की प्रवृत्ति रखता है, जिससे सही मात्रा में लेने में कठिनाई होती है और प्रयोग की गुणवत्ता प्रभावित होती है।

एक प्रयोग में, कैमरा ने रोबोटिक बाह के द्वारा पकड़े गए ट्यूब में बुलबुले की पहचान की। रोबोटिक बाह इस समस्या को स्वयं हल नहीं कर सकता था, लेकिन ResearchOS ने प्रयोगशाला में अन्य MHS से जुड़े उपकरणों की खोज की। Claude ने बाद में Slack के माध्यम से शोधकर्ताओं को सुझाव दिया: रोबोटिक बाह को ट्यूब को सेंट्रीफ्यूज में भेजने के लिए, ताकि इसे कम गति से कुछ क्षणों के लिए घुमाया जा सके, जिससे तरल और बुलबुले फिर से नीचे एकत्रित हो जाएं।

ऐसे डिवाइस-क्रॉसिंग प्रोसेसिंग सीन्स को पारंपरिक स्थिर स्वचालित प्रक्रियाएँ कठिनाई से कवर कर पाती हैं। प्रोग्रामर को प्रत्येक त्रुटि के लिए पूर्वनिर्धारित पूर्ण रिकवरी पथ लिखने की आवश्यकता नहीं है; एजेंट त्रुटि को देख सकता है और फिर वर्तमान उपलब्ध डिवाइस संयोजन के आधार पर समाधान ढूंढ सकता है।

टीम ने क्लॉड को उन उन्नत प्रयोगात्मक प्रोटोकॉल को हार्डवेयर ऑपरेशन निर्देशों में बदलने वाले कंपाइलर को अनुकूलित करने के लिए भी लगाया। प्रयोग में 9143 स्वतंत्र ड्रॉपिंग, 300 अलग-अलग ट्रांसफर कॉम्बिनेशन, 1508 मापने की स्थितियाँ और चार प्रकार के तरल पदार्थ शामिल हैं।

अनुकूलन में शामिल नहीं हुए परीक्षणों में, क्लॉड और एमएचएस द्वारा सुधारित मॉडल ने बहुबार विभाजन की सटीकता का अनुमान लगाने में उपकरण निर्माता की तकनीकी विनिर्देशों से लगभग 12% अधिक सटीकता प्रदर्शित की, 45 परीक्षणों में से 31 में जीत हासिल की; सबसे अधिक दोहराव वाले डेटा पर, सुधार लगभग 17% था। ये परिणाम परियोजना साझेदारों के स्वयं के प्रयोगों से प्राप्त हुए हैं, और इन्हें अभी अलग-अलग प्रयोगशालाओं में स्वतंत्र रूप से पुनरुत्पादित करने का सामान्य निष्कर्ष माना नहीं जा सकता।

Anthropic ने MHS को एक पूर्णतः विकसित अनुपस्थित लैब सिस्टम के रूप में वर्णित नहीं किया है।

क्लॉड स्थिति पढ़ सकता है, चित्रों का विश्लेषण कर सकता है और उपकरणों का उपयोग कर सकता है, लेकिन इसका वास्तविक दुनिया के बारे में ज्ञान मुख्य रूप से पाठ और चित्रों से आता है। घर्षण, फोम, भार, द्रव की चिपचिपाहट, यांत्रिक अंतराल और प्रकाश पथ का विस्थापन जैसी समस्याएँ अक्सर केवल वास्तविक संचालन में ही प्रकट होती हैं।

यदि उपकरण के पास कोई प्रोग्रामेबल इंटरफेस नहीं है, तो MHS अभी सीधे जुड़ने में सक्षम नहीं है; Anthropic इस प्रकार के उपकरणों के लिए ड्राइवर जोड़ने के लिए निर्माताओं के साथ काम कर रहा है।

भौतिक सुरक्षा भी सॉफ्टवेयर अधिकारों की तुलना में अधिक जटिल है। डिजिटल एजेंट द्वारा गलत आदेश निष्पादित किए जाने पर, आमतौर पर फ़ाइलें वापस ली जा सकती हैं या सिस्टम को पुनर्स्थापित किया जा सकता है; लेकिन मैकेनिकल आर्म, लेजर, रासायनिक अभिकर्मक और जैविक नमूनों को नियंत्रित करते समय, गलत कार्रवाई से उपकरण क्षतिग्रस्त हो सकते हैं, नमूने बर्बाद हो सकते हैं या यहां तक कि लोगों के लिए जोखिम भी हो सकता है।

इसलिए, प्रीव्यू चरण का मुख्य कार्य उपकरणों की संख्या बढ़ाना नहीं, बल्कि नए सुरक्षा मूल्यांकन स्थापित करना है: किन कार्यों को मानव द्वारा अनुमोदन की आवश्यकता होगी, उपकरण किन परिस्थितियों में स्वचालित रूप से बंद होना चाहिए, मॉडल क्या संवेदक असामान्यताओं की पहचान कर सकता है, और कैसे सुनिश्चित किया जाए कि हार्डवेयर ड्राइवर स्तर की सीमाओं को एजेंट द्वारा बाईपास नहीं किया जा सके।

Anthropic ने बताया कि वह "फिजिकल सेफ्टी रोडमैप" तैयार कर रहा है और आधिकारिक रूप से MHS को ओपन सोर्स करते समय, अध्ययन के प्रीव्यू की खोजों और सुरक्षित डिप्लॉयमेंट गाइडलाइन्स को भी प्रकाशित करेगा।

MHS को कई उपकरण और प्लेटफॉर्म कंपनियों द्वारा प्रारंभिक समर्थन प्राप्त हुआ है। AWS, Strands Robots के माध्यम से पहुंच प्रदान करने की योजना बना रहा है; Doosan Robotics और Universal Robots मैकेनिकल आर्म समर्थन का परीक्षण कर रहे हैं; Tecan, QIAGEN और Automata लैब ऑटोमेशन पर ध्यान केंद्रित कर रहे हैं; Hugging Face MHS को LeRobot रोबोट लाइब्रेरी में शामिल करने की योजना बना रहा है, और Raspberry Pi कुछ उत्पादों और कैमरा ड्राइवर्स में एकीकरण का परीक्षण कर रहा है।

यदि MHS एक पारिस्थितिकी बन जाता है, तो यह MCP द्वारा मॉडल और सॉफ्टवेयर उपकरणों को जोड़ने के तरीके की तरह, एजेंट और वास्तविक उपकरणों को जोड़ने का एकीकृत तरीका प्रदान कर सकता है। प्रयोगशालाओं को प्रत्येक मॉडल, प्रत्येक उपकरण और प्रत्येक सॉफ्टवेयर के लिए इंटरफेस को दोहराकर विकसित करने की आवश्यकता नहीं होगी, और उपकरण निर्माता सीधे एजेंट द्वारा पता लगाए जा सकने वाले मानक क्षमता विवरण प्रदान कर सकते हैं।

लेकिन MHS के सामने स्पष्ट रूप से अधिक कठिनाई है। सॉफ्टवेयर टूल्स के इनपुट और आउटपुट को आमतौर पर सटीक रूप से परिभाषित किया जा सकता है, लेकिन भौतिक उपकरण घिस जाते हैं, विस्थापित होते हैं, अवरुद्ध होते हैं, शोर पैदा करते हैं और पर्यावरणीय परिवर्तनों का प्रभाव झेलते हैं। दो समान मॉडल के उपकरण भी कैलिब्रेशन की स्थिति और स्थापना के तरीके के कारण अलग-अलग प्रदर्शन कर सकते हैं।

इसलिए, MHS को मानकीकरण करने के लिए केवल आदेश ही नहीं, बल्कि मशीन की स्थिति, वास्तविक प्रतिबंध, सुरक्षा सीमाएँ और विफलता प्रत्यारोपण ज्ञान भी है।