MHS dari Anthropic Memungkinkan Agen AI Mengendalikan Perangkat Laboratorium dan Kuantum

Anthropic merilis pratinjau penelitian Model Hardware Standard (MHS), yang berusaha menciptakan antarmuka universal semacam MCP untuk menghubungkan AI Agent dengan perangkat fisik. Mikroskop,工作站 pipet, lengan robot, kamera, laser, dan sensor hanya perlu terhubung sekali, lalu dapat ditemukan dan dikendalikan oleh berbagai model melalui status, perintah operasi, dan batasan keamanan yang seragam, mengurangi integrasi khusus yang sebelumnya memakan waktu berminggu-minggu hingga berbulan-bulan menjadi hanya beberapa jam atau menit. Dalam pengujian awal, Claude menggunakan MHS untuk menyelesaikan eksperimen deteksi protein, menyesuaikan pencitraan mikroskop secara real-time, menangani gangguan gelembung cairan, serta meningkatkan tingkat keberhasilan pemulihan laser dari komputer kuantum QuEra dari 58% menjadi 99,3%. Namun, Anthropic secara bersamaan mengakui bahwa model bahasa masih kekurangan intuisi fisik yang sejati, dan tetap memerlukan pengawasan ahli saat menghadapi masalah nyata seperti gelembung, tabrakan, jalur cahaya, dan sampel biologis. MHS saat ini hanya tersedia untuk sejumlah laboratorium dan perusahaan manufaktur, dan akan dirilis sebagai sumber terbuka setelah evaluasi keamanan selesai. Pentingnya MHS bukan hanya "Claude bisa mengoperasikan mesin", melainkan AI Agent sedang bergerak dari hanya membaca perangkat lunak dan memanggil API, menuju kemampuan untuk mengamati, mengintervensi, dan melakukan eksperimen berulang di dunia fisik.

Penulis artikel, sumber: Anthropic

Claude sudah dapat membaca paper, menganalisis data, menghasilkan hipotesis penelitian, dan menulis kode eksperimen, tetapi ketika penelitian sampai pada langkah "mengoperasikan perangkat secara nyata", AI biasanya terhenti di luar dunia nyata.

Masalahnya tidak sepenuhnya terletak pada kemampuan model, tetapi pada peralatan di laboratorium dan pabrik yang sangat terfragmentasi. Kamera mungkin menggunakan Python, detektor berjalan di MATLAB, peralatan elektrofisiologi menggunakan C#, sedangkan robot mekanis, mikroskop, dan工作站 pipet masing-masing memiliki driver, format data, dan perangkat lunak kontrol sendiri. Banyak peralatan sama sekali tidak mengetahui status peralatan tetangga saat ini.

Peneliti yang ingin meminta kamera untuk memberi tahu lengan robot setelah mendeteksi posisi sampel, atau meminta mikroskop untuk secara otomatis mengubah parameter pemindaian berdasarkan gambar real-time, biasanya perlu menulis program koneksi terpisah untuk setiap dua perangkat. Semakin banyak perangkat, semakin kompleks integrasi titik-ke-titik yang perlu dipelihara.

Anthropic menyatakan bahwa laboratorium atau fasilitas produksi biasanya memerlukan beberapa minggu hingga bulan untuk menyelesaikan integrasi perangkat keras. MHS ingin memperpendek proses ini menjadi beberapa jam atau menit.

Ini menyelesaikan bukan "bagaimana model menjadi lebih cerdas", tetapi terlebih dahulu membangun bahasa umum yang dapat dipahami oleh model untuk semua perangkat.

(Gambar arsitektur sebelum dan sesudah integrasi MHS, menunjukkan peralihan dari koneksi khusus titik-ke-titik menjadi komunikasi melalui antarmuka terpadu.)

Inti MHS adalah driver standar. Ia berperan sebagai lapisan terjemahan antara antarmuka perangkat dan AI Agent, mengubah mesin yang kompleks menjadi sejumlah kecil primitif umum, seperti membaca suhu, menulis suhu, menanyakan status, atau menjalankan suatu operasi.

Perangkat yang terhubung ke MHS akan menghasilkan file referensi standar yang menjelaskan apa yang dapat diukur, parameter mana yang dapat disesuaikan, status apa yang mungkin dimiliki perangkat, dan batasan keamanan apa yang harus diterapkan.

Kode murni biasanya tidak dapat menyampaikan seluruh atribut nyata mesin. Misalnya, model yang hanya melihat API kontrol lengan mekanis belum tentu mengetahui berat lengan mekanis itu sendiri, jangkauan gerak, inersia, atau risiko tabrakan. Di masa lalu, informasi ini mungkin tersebar di manual kertas, komputer insinyur, atau pengalaman operator.

MHS memungkinkan pengguna untuk melengkapi pengetahuan ini dengan label bahasa alami. Pengguna dapat mengisi langsung, atau membiarkan Agent mengajukan pertanyaan melalui percakapan tentang kondisi perangkat, lalu secara otomatis menghasilkan file deskripsi.

Setelah integrasi selesai, Agent dapat mengontrol perangkat melalui MCP, baris perintah, atau API kode. Agent mampu membaca data real-time dari beberapa instrumen, mengatur urutan operasi, dan menyesuaikan parameter berdasarkan hasil eksperimen; ketika diperlukan operasi berkecepatan tinggi atau jangka panjang, serangkaian perintah driver dikompilasi menjadi kode agar perangkat dapat berjalan sendiri tanpa memerlukan model untuk melakukan inferensi ulang sebelum setiap tindakan kecil.

MHS tidak tergantung pada model dan tidak membatasi penggunaan Claude secara eksklusif. Secara prinsip, model atau kerangka kerja Agent apa pun dapat diakses dan terhubung ke perangkat melalui protokol standar seperti MCP.

Genentech menggunakan MHS untuk menguji prosedur deteksi protein BCA. Eksperimen ini memerlukan koordinasi antara workstation pipet, robot mekanis, dan mikrotiter plate reader untuk mengukur konsentrasi protein melalui perubahan warna sampel.

Proses semacam ini tampaknya cocok untuk otomatisasi, tetapi dalam kenyataannya sangat rentan terhadap pengaruh sifat fisik cairan. Saat pipet menghadapi busa, sensor tingkat cairan dapat mengalami kesalahan; gelembung juga dapat mengganggu pembacaan optik akhir.

Ketika Claude pertama kali mengalami kesalahan operasi yang disebabkan oleh gelembung, reaksi instingtifnya adalah mengubah parameter dan mencoba kembali di lubang yang sama. Hasilnya, cairan malah terus diaduk dan menghasilkan lebih banyak gelembung.

Peneliti harus memberi tahu itu: ini bukan gangguan perangkat lunak yang dapat diselesaikan dengan menjalankan ulang, melainkan masalah fisik dalam cairan nyata. Solusi yang benar adalah beralih ke lubang yang bersih, sekaligus mengurangi jumlah siklus pencampuran agar operasi lebih lembut.

Setelah mendapatkan penjelasan, Claude mempertahankan konteks ini dalam eksperimen berikutnya. Tim juga mengolah pengalaman tersebut menjadi keterampilan penanganan cairan yang dapat digunakan kembali, sehingga Claude dapat memilih parameter default yang lebih tepat berdasarkan sifat cairan yang berbeda, mengurangi kesalahan pipet.

Kasus ini mengungkap batas paling jelas yang dimiliki MHS saat ini. Agen dapat melakukan penalaran berdasarkan umpan balik sensor, tetapi model dunia yang dipelajarinya dari teks dan gambar tidak sama dengan intuisi fisik yang dibentuk oleh peneliti melalui operasi jangka panjang.

MHS awalnya berasal dari serangkaian perangkat pencitraan otak kompleks di HHMI Janelia.

Peneliti Virginie Ruetten menggunakan mikroskop dua foton untuk mengamati aktivitas sel dan organ tubuh ikan zebra hidup selama proses tidur. Seluruh peralatan eksperimen, termasuk laser, cermin, meja objek, kamera, dan berbagai sensor, awalnya memerlukan tujuh perangkat lunak dari pabrikan berbeda yang beroperasi secara koordinasi.

Antar perangkat tidak memiliki antarmuka yang seragam, bahkan menggunakan bahasa pemrograman yang berbeda. Satu program mengetahui posisi meja, tetapi program lain tidak dapat membacanya secara langsung; para peneliti harus menulis sejumlah besar kode jembatan, dan terkadang bahkan menambahkan kartu akuisisi data khusus agar perangkat dapat mengirimkan sinyal.

MHS memasukkan semua status, variabel, perintah kontrol, dan pembacaan sensor perangkat ke dalam ruang status bersama yang terstandarisasi. Setiap perangkat hanya perlu dideskripsikan dan dihubungkan sekali, sehingga program atau Agent lain dapat langsung menemukan dan menggunakannya.

Sebelum menerapkan MHS, penambahan kamera baru mungkin memerlukan beberapa hari untuk integrasi; setelah menghubungkan MHS, para peneliti hanya membutuhkan beberapa menit untuk menambahkan kamera baru yang digunakan untuk mengamati posisi laser ke dalam sistem, serta mengirimkan data gambar ke program yang mengendalikan cermin reflektif.

Claude juga dapat mengamati sinar melalui kamera, menyesuaikan cermin, lalu menilai hasil pergerakan berdasarkan gambar baru, membentuk siklus tertutup "operasi—pengamatan—koreksi". Dalam sistem mikroskop lainnya, pemeriksaan laser, sensor, dan jalur cahaya yang sebelumnya memerlukan waktu setengah hari dari peneliti, kini diringkas menjadi satu langkah otomatis.

QuEra Computing membangun komputer kuantum menggunakan atom netral, yang memerlukan pengendalian atom dengan presisi ekstrem menggunakan laser. Deviasi frekuensi laser yang diizinkan sekitar satu triliunth, setara dengan kesalahan tidak melebihi lebar sehelai rambut saat mengukur jarak dari Bumi ke Bulan.

Perubahan suhu, getaran, atau tekanan udara dapat menyebabkan laser kehilangan "kunci". Jika hal ini terjadi selama komputasi kuantum jangka panjang, tugas yang telah berjalan selama beberapa jam bisa gagal secara langsung. Proses pemulihan tradisional biasanya memerlukan operator berpengalaman yang mengamati beberapa instrumen secara bersamaan dan menyesuaikan parameter secara berurutan, memakan waktu sekitar 5 hingga 10 menit.

QuEra sebelumnya pernah mengumpulkan insinyur laser, insinyur perangkat lunak, pakar algoritma, dan petugas pengujian untuk menulis serangkaian skrip pemulihan tetap selama beberapa bulan. Skrip ini menyesuaikan pengendali satu per satu sesuai prosedur manual, dengan tingkat keberhasilan sekitar 58%, dan setiap upaya memerlukan sekitar 150 detik.

Setelah mengintegrasikan MHS, Agent tidak lagi hanya mengulangi proses tetap, tetapi terus menciptakan gangguan berbeda, mengamati reaksi laser, dan mencari parameter kontrol mana yang benar-benar perlu disesuaikan.

Setelah eksperimen semalam, waktu pemulihan turun menjadi sekitar 6 detik dengan tingkat keberhasilan 96%; setelah optimasi lebih lanjut, Anthropic melaporkan tingkat keberhasilan pemulihan akhir sebesar 99,3%.

Agen juga menemukan bahwa ketika pergeseran frekuensi laser kecil, tidak perlu memeriksa semua kontrol; cukup ubah satu atau dua parameter. Operator manusia biasanya tetap mengonfirmasi setiap item secara berurutan untuk memastikan keamanan; sementara Agen mengidentifikasi langkah-langkah yang dapat dilewati melalui banyak eksperimen berulang.

Namun, QuEra menekankan bahwa Agent tidak sepenuhnya menggantikan ahli. Saat menghadapi gangguan perangkat keras murni, Claude sering kali tidak tahu cara menanganinya, karena pemahamannya terhadap perangkat masih terutama berasal dari antarmuka program. Untuk operasi yang sedikit berisiko, ia sering berhenti dan menunggu izin manusia, menyebabkan sebagian eksperimen malam hari ditunda hingga hari berikutnya.

Tetsuwan Scientific mengintegrasikan MHS ke platform eksperimen biologi otomatis ResearchOS untuk melakukan eksperimen qPCR dalam menganalisis kondisi polusi lokal.

qPCR memerlukan reagen "master mix" yang kental dan mirip sabun cair. Cairan ini mudah membentuk busa saat pipet, menyebabkan volume yang diambil tidak akurat dan menurunkan kualitas eksperimen.

Dalam sebuah eksperimen, kamera mengidentifikasi gelembung di dalam tabung reaksi yang dipegang oleh lengan robot. Lengan robot sendiri tidak dapat menangani masalah ini, tetapi ResearchOS dapat mencari perangkat lain di laboratorium yang terhubung ke MHS. Claude kemudian merekomendasikan melalui Slack kepada peneliti: biarkan lengan robot membawa tabung reaksi ke dalam sentrifugasi, lalu putar dengan kecepatan rendah untuk waktu singkat, agar cairan dan gelembung kembali berkumpul di dasar.

Pemrosesan lintas perangkat semacam ini adalah skenario yang sulit dicakup oleh proses otomasi tetap tradisional. Para perancang program tidak perlu secara pra-mendefinisikan jalur pemulihan lengkap untuk setiap jenis gangguan; Agent dapat mengamati kesalahan, lalu menyelesaikannya berdasarkan kombinasi perangkat yang tersedia saat ini.

Tim tersebut juga meminta Claude untuk mengoptimalkan compiler yang mengubah protokol eksperimen tingkat lanjut menjadi instruksi operasi perangkat keras. Eksperimen mencakup 9143 pembagian independen, 300 kombinasi transfer berbeda, 1508 kondisi pengukuran, dan empat jenis cairan.

Dalam uji coba tanpa partisipasi optimasi, model yang diperbaiki oleh Claude dan MHS memprediksi akurasi pembagian cairan berulang dengan ketepatan sekitar 12% lebih tinggi daripada spesifikasi teknis pabrikan perangkat, menang dalam 31 dari 45 putaran uji coba; pada data dengan jumlah pengulangan terbanyak, peningkatan mencapai sekitar 17%. Hasil-hasil ini berasal dari eksperimen milik mitra proyek sendiri dan belum dapat dianggap sebagai kesimpulan umum yang telah direplikasi secara independen di berbagai laboratorium.

Anthropic tidak mendeskripsikan MHS sebagai sistem laboratorium tanpa awak yang sudah matang.

Claude dapat membaca status, menganalisis gambar, dan menggunakan perangkat, tetapi pengetahuannya tentang dunia nyata sebagian besar berasal dari teks dan gambar. Masalah seperti gesekan, busa, berat, viskositas cairan, celah mekanis, dan pergeseran jalur cahaya sering kali hanya terungkap saat operasi nyata dilakukan.

Jika perangkat tidak memiliki antarmuka yang dapat diprogram, MHS saat ini juga tidak dapat terhubung secara langsung; Anthropic sedang bekerja sama dengan produsen untuk menambahkan driver ke perangkat semacam ini.

Keamanan fisik juga lebih kompleks daripada izin perangkat lunak. Kesalahan perintah yang dijalankan oleh Agent digital biasanya dapat dibatalkan dengan mengembalikan file atau memulihkan sistem; namun, saat mengendalikan lengan mekanis, laser, reagen kimia, dan sampel biologis, kesalahan tindakan dapat menyebabkan kerusakan peralatan, pemborosan sampel, atau bahkan risiko terhadap keselamatan manusia.

Oleh karena itu, tugas penting dalam tahap pra-penelitian bukanlah memperluas jumlah perangkat, melainkan membangun evaluasi keamanan baru: operasi apa yang harus disetujui oleh manusia, dalam kondisi apa perangkat harus berhenti secara otomatis, apakah model dapat mengenali anomali sensor, dan bagaimana memastikan batasan lapisan penggerak perangkat keras tidak dapat dilewati oleh Agent.

Anthropic menyatakan sedang menyusun "peta jalan keamanan fisik" dan berencana untuk mempublikasikan temuan pra-penelitian serta panduan penerapan aman saat merilis MHS secara resmi sebagai sumber terbuka.

MHS telah mendapatkan dukungan awal dari berbagai perusahaan perangkat dan platform. AWS berencana menyediakan akses melalui Strands Robots; Doosan Robotics dan Universal Robots sedang menguji dukungan lengan robot; Tecan, QIAGEN, dan Automata fokus pada otomatisasi laboratorium; Hugging Face berencana memasukkan MHS ke dalam perpustakaan robot LeRobot, dan Raspberry Pi juga sedang menguji integrasi di sebagian produk dan driver kamera.

Jika MHS membentuk ekosistem, ia dapat menyatukan cara koneksi antara Agent dan perangkat nyata, sebagaimana MCP menyatukan model dan alat perangkat lunak. Laboratorium tidak perlu lagi membangun ulang antarmuka untuk setiap model, perangkat, dan perangkat lunak, sementara produsen perangkat juga dapat langsung menyediakan deskripsi kemampuan standar yang dapat ditemukan oleh Agent.

Namun, tantangan yang dihadapi MHS jauh lebih besar. Masukan dan keluaran alat perangkat lunak biasanya dapat didefinisikan secara tepat, sedangkan perangkat fisik dapat mengalami keausan, drift, penyumbatan, noise, dan dipengaruhi oleh perubahan lingkungan. Dua instrumen dengan model yang sama pun dapat menunjukkan perilaku yang berbeda karena perbedaan status kalibrasi dan cara pemasangan.

Oleh karena itu, yang ingin distandarkan oleh MHS bukan hanya perintah, tetapi juga status mesin, batasan nyata, batas keamanan, dan pengetahuan pemulihan kegagalan.