Anthropicは、AIエージェントと物理的デバイスの間でMCPに類似する汎用インターフェースを構築することを目的としたModel Hardware Standard（MHS）の研究プレビューを発表しました。顕微鏡、ピペットワークステーション、ロボットアーム、カメラ、レーザー、センサーなどの機器は一度接続するだけで、統一された状態、操作コマンド、セキュリティ制限を通じて異なるモデルに発見・制御され、従来数週間から数か月かかっていたカスタム統合が数時間または数分に短縮されます。初期テストでは、ClaudeがMHSを活用してタンパク質検出実験を共同実施し、顕微鏡画像をリアルタイムで調整し、液体の気泡障害を処理するとともに、QuEra量子コンピュータのレーザー回復成功率を58％から99.3％まで向上させました。しかしAnthropicは、言語モデルには真の物理的直感が欠けており、泡や衝突、光路、生体サンプルなどの現実の課題には依然として専門家の監督が必要であると認めています。MHSは現在、一部の研究室と製造企業にのみ限定公開されており、セキュリティ評価が完了した後にオープンソース化される予定です。MHSの重要性は「Claudeが機械を操作できる」ことではなく、AIエージェントがソフトウェアを読み取りAPIを呼び出す段階から、観察・介入・反復実験が可能な物理世界へと進化している点にあります。文章作者、出典：Anthropic
AIエージェントが物理世界に進入した際、最初に直面するのは知能の問題ではない
Claudeは論文を読んだり、データを分析したり、研究仮説を生成したり、実験コードを書いたりできますが、研究が「実際に機器を操作する」段階に達すると、AIは通常、現実世界の外で立ち止まってしまいます。
問題はモデルの能力にだけあるのではなく、実験室と工場の装置が極めて断片化されていることにあります。カメラはPythonを使用し、検出器はMATLABで動作し、電気生理学装置はC#を使用し、ロボットアーム、顕微鏡、ピペットワークステーションはそれぞれ独自のドライバ、データ形式、制御ソフトウェアを持っています。多くの装置は、隣接する機器が現在どのような状態であるかを知りません。
研究者がカメラがサンプルの位置を検出したらロボットアームに通知したり、顕微鏡がリアルタイム画像に基づいてスキャンパラメータを自動で調整したりするには、通常、各2台のデバイスごとに個別の接続プログラムを記述する必要があります。デバイスが増えれば増えるほど、ポイントツーポイントの統合の維持が複雑になります。
Anthropicは、過去、ラボや製造施設ではハードウェアの統合に数週間から数か月かかっていたと述べています。MHSは、この作業を数時間、あるいは数分に圧縮することを目指しています。
それが解決するのは「モデルをどのようにより賢くするか」ではなく、まずすべてのデバイスにモデルが理解できる共通の言語を構築することである。
（MHS接続前後のアーキテクチャ図を示し、複数台のデバイスがピアツーピアのカスタム接続から統一インターフェースを通じた通信へ移行することを示しています。）
MHSは、これまで見たことのない機械をモデルが理解するようにどうすればよいですか
MHSのコアは、標準化されたドライバーです。これは、デバイスの独自インターフェースとAIエージェントの間に翻訳レイヤーを提供し、複雑な機械を、温度の読み取り、温度の書き込み、ステータスの照会、または特定の操作の実行などの少数の汎用プリミティブに変換します。
MHSに接続されたデバイスは、何を測定できるか、どのパラメーターを調整可能か、デバイスが取り得る状態、および実行しなければならないセキュリティ制限を示す標準化された参照ファイルを生成します。
純粋なコードでは、機械のすべての現実的な属性を表現することはできません。たとえば、モデルがロボットアームの制御APIのみを認識している場合、ロボットアーム自体の重量、移動範囲、慣性、または衝突リスクを把握できない可能性があります。過去には、こうした情報は紙の取扱説明書やエンジニアのコンピューター、あるいは作業員の経験の中に散在していました。
MHSは、ユーザーが自然言語のラベルでこれらの知識を補完できるようにします。ユーザーは直接入力するか、エージェントが会話を通じてデバイスの状況を質問し、自動的に説明ファイルを生成することもできます。
接続完了後、エージェントはMCP、コマンドライン、またはコードAPIを介してデバイスを制御できます。複数の機器のリアルタイムデータを読み取り、操作手順をスケジュールし、実験結果に基づいてパラメータを調整できます。高速または長時間の操作が必要な場合、一連のドライバコマンドをコードにコンパイルしてデバイスに自立して実行させ、微細な動作ごとにモデルが再推論する必要をなくします。
MHSはモデルに依存せず、Claudeの使用を必須としません。あらゆるモデルまたはAgentフレームワークは、MCPなどの標準プロトコルを通じてデバイスにアクセスすることが原則として可能です。
ジェネンテックの実験説明：ソフトウェアエラーと物理的エラーは異なるものである
GenentechはMHSを使用してBCAタンパク質検出プロセスをテストしました。実験では、ピペットワークステーション、ロボットアーム、酵素標識装置を調整し、サンプルの色変化を通じてタンパク質濃度を測定しました。
このようなプロセスは自動化に適しているように見えますが、現実には液体の物理的性質の影響を受けやすくなります。ピペットが泡に遭遇すると、液面センサーがエラーを報告する可能性があり、気泡は最終的な光学読み取りにも干渉します。
Claudeが気泡によって引き起こされた実行エラーに初めて遭遇したとき、本能的にパラメータを変更して同じ孔で再試行しました。しかし、その結果、液体をさらにかき混ぜ、より多くの気泡を生み出しました。
研究者は次のように伝える必要があります：これは繰り返し実行することで解決できるソフトウェアの不具合ではなく、実際の液体中の物理的問題です。正しい対応策は、清浄なウェルに切り替え、混合サイクルの回数を減らして操作をより穏やかにすることです。
説明を得た後、Claudeはその後の実験でこのコンテキストを保持した。チームはこの経験を再利用可能な液体処理スキルとして整理し、Claudeが液体の特性に応じてより適切なデフォルトパラメーターを選択できるようにして、ピペットミスを減らした。
この事例は、MHSが現在持つ最も明確な境界を示している。エージェントはセンサーのフィードバックに基づいて推論できるが、テキストや画像から学習した世界モデルは、実験者が長期間の操作を通じて形成した物理的直感と等しいわけではない。
7つの制御ソフトウェアから、1つの共有ステートスペースへ
MHSは、HHMI Janeliaの複雑な脳イメージング装置の一套に由来しています。
研究者ヴィルジニー・ルッテンは、二光子顕微鏡を使用して、睡眠中の生きたゼブラフィッシュの全身細胞と器官の活動を観察しました。この実験装置全体には、レーザー、ミラー、ステージ、カメラ、および複数のセンサーが含まれており、元々は異なるメーカーの7つのソフトウェアが協調して動作する必要がありました。
デバイス間には統一されたインターフェースがなく、異なるプログラミング言語が使用されている。あるプログラムはステージの位置を把握しているが、別のプログラムは直接読み取ることができない。研究者は多数のブリッジコードを記述する必要があり、時には専用のデータ収集カードを追加して、デバイス間で信号を伝送できるようにしなければならなかった。
MHSは、すべての機器の状態、変数、制御コマンド、センサー読み取り値を標準化された共有ステートスペースに配置します。各機器は一度だけ記述して接続すれば、他のプログラムやエージェントが直接それを発見して使用できます。
MHSを導入する前は、新しいカメラを追加するのに数日かかることがあったが、MHSを導入後、研究者はわずか数分でレーザー位置を観察するための新しいカメラをシステムに接続し、映像データを反射鏡を制御するプログラムにフィードバックした。
Claudeはカメラで光束を観察し、反射鏡を調整して、新しい画像に基づいて移動結果を判断し、「操作—観察—修正」のフィードバックループを形成します。別の顕微鏡システムでは、従来研究者が半日かけて行っていたレーザー、センサー、光路のチェックが、1回の自動化ステップに圧縮されました。
量子コンピューティングの事例：固定スクリプトから自律実験へ
QuEra Computingは中性原子を用いて量子コンピュータを構築しており、原子をレーザーで極めて精密に制御する必要があります。レーザー周波数の許容偏差は約1兆分の1であり、これは地球から月までの距離を測定する際に、誤差が一本の髪の毛の幅を超えないことに相当します。
温度、振動、または気圧の変化は、レーザーの「ロック」を解除する可能性があります。このような状況が長時間の量子計算中に発生すると、数時間にわたり実行されていたタスクが直接失敗する可能性があります。従来の復旧プロセスは、経験豊富なオペレーターが複数の機器を観察し、パラメーターを順番に調整する必要があり、約5〜10分かかります。
QuEraは以前、レーザーエンジニア、ソフトウェアエンジニア、アルゴリズム専門家、テスト担当者を組織し、数ヶ月かけて一連の固定復元スクリプトを記述した。このスクリプトは人間のプロセスに従ってコントローラーを段階的に調整し、成功率は約58％で、1回の試行に約150秒かかる。
MHSに接続後、エージェントは固定されたプロセスを繰り返すだけでなく、さまざまな擾動を継続的に生成し、レーザーの反応を観察して、どの制御パラメーターを実際に調整する必要があるかを特定します。
一晩の実験後、復元時間が約6秒に短縮され、成功率为96％となった。さらに最適化を進めたところ、Anthropicが報告した最終的な復元成功率は99.3％となった。
エージェントは、レーザー周波数のシフトが小さい場合、すべての制御項目をチェックする必要はなく、1〜2つのパラメータを変更するだけで十分であることを発見しました。人間の操作者は安全を確保するために通常すべての項目を一つずつ確認しますが、エージェントは多数の繰り返し実験を通じて省略可能なステップを特定しました。
しかし、QuEraは、Agentが専門家を完全に置き換えたわけではないと強調しています。純粋な物理的ハードウェア障害が発生した場合、Claudeはデバイスの理解が主にプログラムインターフェースに依存しているため、対処方法を知りません。ややリスクのある操作では、人工的な許可を待つためにしばしば停止し、一部の夜間実験が翌日まで中断されます。
AIは複数のデバイス間で新しい解決策を見つけることができます。
Tetsuwan Scientificは、地域の汚染状況を分析するためのqPCR実験にMHSをResearchOS自動化バイオ実験プラットフォームに接続しました。
qPCRでは、粘性が高く石けん液に似た「マスターミックス」試薬を使用します。この液体はピペット操作時に泡立ちやすく、吸引量の不正確さや実験品質の低下を引き起こします。
実験中、カメラがロボットアームが保持する試験管内の気泡を検出しました。ロボットアーム自身はこの問題を処理できませんが、ResearchOSは実験室内の他のMHSに接続された機器を検索できます。その後、ClaudeはSlackを通じて研究者に、ロボットアームが試験管を遠心機に移動させ、低速で短時間回転させて液体と気泡を底部に再集積するよう提案しました。
このようなデバイス間の処理は、従来の固定自動化プロセスではカバーしきれないシナリオです。プログラマーは、すべての障害に対して事前に完全な復旧パスを用意する必要がなく、エージェントはエラーを観察し、現在利用可能なデバイスの組み合わせに基づいて解決策を導き出せます。
このチームはまた、Claudeに高度な実験プロトコルをハードウェア操作命令に変換するコンパイラの最適化を依頼しました。実験は9,143回の独立した液分け、300種類の異なる移液組み合わせ、1,508種類の測定条件、および4種類の液体をカバーしています。
最適化に参加していないテストにおいて、ClaudeとMHSが共同で改善したモデルは、複数回の分注精度の予測において、装置メーカーの技術仕様よりも約12%正確であり、45回のテストのうち31回で優れた結果を示した。繰り返し回数が最も多かったデータでは、改善幅は約17%であった。これらの結果は、プロジェクト協力者自身の実験によるものであり、複数の実験室で独立して再現された一般的な結論とは見なせない。
本当の制限は、モデルが身体的経験を持っていないことである。
AnthropicはMHSを既に成熟した無人実験室システムとして説明していません。
Claudeは状態を読み取り、画面を分析し、デバイスを使用できますが、現実世界に関する知識は主にテキストと画像から得られています。摩擦、泡立ち、重量、液体の粘度、機械的隙間、光路のドリフトなどの問題は、実際の操作において初めて明らかになることが多いです。
デバイスにプログラマブルインターフェースが存在しない場合、MHSは現在のところ直接接続できません。Anthropicは、このようなデバイス用のドライバーを追加するためにメーカーと協力しています。
物理セキュリティはソフトウェア権限よりもはるかに複雑である。デジタルエージェントが誤ったコマンドを実行した場合、ファイルをロールバックしたりシステムを復元したりできることが多いが、ロボットアーム、レーザー、化学薬品、生物サンプルを制御する際には、誤った動作が機器の損傷、サンプルの廃棄、さらには人的リスクを引き起こす可能性がある。
したがって、研究プレビュー段階での重要なタスクは、デバイス数を増やすことではなく、新しいセキュリティ評価を構築することです。つまり、どの操作を人間が承認しなければならないか、デバイスがどのような条件で自動停止すべきか、モデルがセンサーの異常を識別できるか、そしてハードウェアドライバ層の制限がエージェントによって回避されないようどう保証するかです。
Anthropicは「物理的安全ロードマップ」を策定中であり、MHSを正式にオープンソース化する際に、研究プレビューの発見と安全なデプロイガイドラインを公開する予定です。
AnthropicはMCPをコピーしようとしているが、物理世界は標準化が難しい
MHSは複数の装置およびプラットフォーム企業から早期の支援を受けています。AWSはStrands Robotsを通じてアクセスを提供する予定です。Doosan RoboticsおよびUniversal Robotsはロボットアームのサポートをテスト中です。Tecan、QIAGEN、Automataはラボオートメーションに注目しています。Hugging FaceはMHSをLeRobotロボットライブラリに追加する予定であり、Raspberry Piも一部の製品およびカメラドライバーで統合をテストしています。
MHSがエコシステムを形成すれば、MCPがモデルとソフトウェアツールを統合する方式のように、エージェントと現実のデバイスの接続を統一する可能性がある。ラボは、各モデル、各デバイス、各ソフトウェアごとにインターフェースを繰り返し構築する必要がなくなり、デバイスメーカーはエージェントが発見できる標準的な能力記述を直接提供できるようになる。
しかし、MHSが直面する難易度は明らかに高い。ソフトウェアツールの入力と出力は通常正確に定義できるが、物理的デバイスは摩耗し、ドリフトし、詰まり、ノイズを発生し、環境の変化の影響を受ける。同じモデルの2つの機器でも、キャリブレーション状態や設置方法の違いにより動作が異なる可能性がある。
したがって、MHSが標準化すべきは、命令だけでなく、機械の状態、現実の制約、セキュリティ境界、および障害復旧の知識です。