MHS daripada Anthropic membolehkan agen AI mengawal peranti makmal dan kuantum

Anthropic mengeluarkan tinjauan penyelidikan Model Hardware Standard (MHS), berusaha membina antaramuka universal serupa MCP antara AI Agent dan peranti fizikal. Mikroskop, stesen pipet, robot mekanikal, kamera, laser, dan sensor hanya perlu disambung sekali sahaja, membolehkan model yang berbeza menemui dan mengawalnya melalui keadaan, arahan operasi, dan sekatan keselamatan yang seragam, mengurangkan integrasi tersuai yang sebelumnya memakan berminggu-minggu atau berbulan kepada beberapa jam atau minit. Dalam ujian awal, Claude berkolaborasi melalui MHS untuk menyelesaikan eksperimen pengesanan protein, menyesuaikan imej mikroskop secara masa nyata, mengatasi gangguan gelembung cecair, serta meningkatkan kejayaan pemulihan laser komputer kuantum QuEra dari 58% kepada 99.3%. Namun, Anthropic mengakui bahawa model bahasa tidak mempunyai intuisi fizikal sejati, dan masih memerlukan pengawasan pakar apabila menghadapi masalah sebenar seperti buih, perlanggaran, laluan cahaya, dan sampel biologi. MHS kini hanya boleh diakses oleh beberapa makmal dan syarikat pembuatan, dan akan dibuka sumber selepas penilaian keselamatan dilengkapkan. Kepentingannya bukan sahaja "Claude boleh mengendalikan mesin", tetapi AI Agent sedang bergerak dari membaca perisian dan memanggil API kepada kemampuan memerhati, mengintervensi, dan melakukan ujian berulang di dunia fizikal.

Penulis artikel, sumber: Anthropic

Claude sudah boleh membaca kertas kerja, menganalisis data, menghasilkan hipotesis penyelidikan, dan menulis kod eksperimen, tetapi apabila penyelidikan sampai pada langkah "mengendalikan peralatan secara sebenar", AI biasanya dihalang daripada masuk ke dunia nyata.

Masalahnya bukan semata-mata pada kemampuan model, tetapi pada peralatan di laboratorium dan pabrik yang sangat terpecah-pecah. Kamera mungkin menggunakan Python, detektor berjalan di MATLAB, peralatan elektrofisiologi menggunakan C#, sementara lengan robot, mikroskop, dan stesen pipet masing-masing mempunyai pemandu, format data, dan perisian kawalan sendiri. Banyak peralatan sama sekali tidak mengetahui status semasa peralatan bersebelahan.

Penyelidik yang ingin meminta kamera untuk memberitahu lengan mekanik selepas mengesan lokasi sampel, atau meminta mikroskop untuk secara automatik mengubah parameter pemindaan berdasarkan imej secara nyata, biasanya perlu menulis program sambungan tersendiri untuk setiap dua peranti. Semakin banyak peranti, semakin kompleks integrasi titik-ke-titik yang perlu dipelihara.

Anthropic menyatakan bahawa laboratorium atau fasilitas pengeluaran biasanya memerlukan beberapa minggu hingga berbulan-bulan untuk menyelesaikan integrasi peranti keras. MHS ingin memendekkan bahagian kerja ini kepada beberapa jam atau minit.

Ia menyelesaikan bukan "bagaimana model menjadi lebih pintar", tetapi terlebih dahulu membina bahasa sepunya yang boleh difahami oleh model bagi semua peranti.

(Gambar struktur sebelum dan selepas integrasi MHS, menunjukkan peralatan berbilang berpindah dari sambungan khusus titik-ke-titik kepada komunikasi melalui antaramuka seragam.)

Inti MHS adalah driver standardisasi. Ia bertindak sebagai lapisan terjemahan antara antaramuka peranti dan AI Agent, mengubah mesin yang kompleks menjadi sedikit primitif aman, seperti membaca suhu, menulis suhu, mengquery status, atau melaksanakan tindakan tertentu.

Peranti yang disambungkan ke MHS akan menghasilkan fail rujukan standard yang menjelaskan apa yang boleh diukur, parameter mana yang dibenarkan untuk disesuaikan, keadaan yang mungkin dialami oleh peranti, dan sekatan keselamatan yang mesti dilaksanakan.

Kod tulen biasanya tidak dapat mewakili semua ciri sebenar mesin. Sebagai contoh, jika model hanya melihat API kawalan lengan mekanikal, ia mungkin tidak mengetahui berat lengan mekanikal itu sendiri, julat pergerakan, inersia, atau risiko perlanggaran. Di masa lalu, maklumat ini mungkin tersebar di manual kertas, komputer jurutera, atau pengalaman operator.

MHS membenarkan pengguna menambahkan maklumat ini dengan label bahasa semula jadi. Pengguna boleh mengisi secara langsung atau membiarkan Agen bertanya melalui perbualan mengenai keadaan peranti, kemudian menghasilkan fail deskripsi secara automatik.

Setelah pemasangan selesai, Agent boleh mengawal peranti melalui MCP, baris arahan, atau API kod. Ia mampu membaca data masa nyata daripada beberapa instrumen, mengatur urutan operasi, dan menyesuaikan parameter berdasarkan keputusan eksperimen; apabila perlu menjalankan operasi berkelajuan tinggi atau jangka panjang, sekumpulan arahan pemandu akan dikompilasi menjadi kod supaya peranti beroperasi secara sendiri, tanpa memerlukan model untuk menarik kesimpulan semula sebelum setiap tindakan kecil.

MHS tidak bergantung pada model dan tidak membatasi penggunaan Claude secara wajib. Secara prinsip, sebarang model atau kerangka Agent boleh diakses dan disambungkan ke peranti melalui protokol standard seperti MCP.

Genentech menggunakan MHS untuk menguji prosedur pengujian protein BCA. Eksperimen ini memerlukan koordinasi stesen pipet, robot mekanikal, dan mikroplat reader, untuk mengukur kepekatan protein melalui perubahan warna sampel.

Prosedur semacam ini kelihatan sesuai untuk automasi, tetapi dalam kenyataannya mudah terjejas oleh sifat fizikal cecair. Apabila pipet menghadapi buih, sensor paras cecair mungkin menghasilkan ralat; gelembung juga boleh mengganggu pembacaan optik akhir.

Claude pertama kali menghadapi ralat pengoperasian yang disebabkan oleh gelembung, tindakan instingtifnya ialah mengubah parameter dan mencuba semula di lubang yang sama. Hasilnya, ia terus mengacau cecair dan menghasilkan lebih banyak gelembung.

Penyelidik mesti memberitahu ia: ini bukan gangguan perisian yang boleh diselesaikan dengan menjalankan berulang-ulang, tetapi masalah fizikal dalam cecair sebenar. Kaedah yang betul ialah berpindah ke lubang yang bersih, sambil mengurangkan bilangan kitaran pencampuran untuk membuat operasi lebih lembut.

Setelah mendapat penjelasan, Claude mempertahankan konteks ini dalam eksperimen seterusnya. Pasukan juga mengumpulkan pengalaman tersebut menjadi kemahiran pemprosesan cecair yang boleh digunakan semula, membolehkan Claude memilih parameter lalai yang lebih munasabah berdasarkan sifat cecair yang berbeza, serta mengurangkan kesilapan pipet.

Kes ini mengungkapkan sempadan paling jelas yang dimiliki MHS pada masa ini. Agen boleh membuat inferens berdasarkan maklum balas sensor, tetapi model dunia yang dipelajari daripada teks dan gambar tidak sama dengan intuisi fizikal yang dibentuk oleh penyelidik melalui operasi jangka panjang.

MHS awalnya berasal dari satu set peralatan pencitraan otak yang kompleks di HHMI Janelia.

Penyelidik Virginie Ruetten menggunakan mikroskop dua foton untuk mengamati aktiviti sel dan organ keseluruhan ikan zebra semasa tidur. Keseluruhan peralatan eksperimen termasuk laser, cermin, meja, kamera, dan pelbagai sensor, sebelum ini memerlukan tujuh perisai daripada pembekal yang berbeza untuk beroperasi secara bersamaan.

Antara peranti-peranti tidak ada antaramuka yang seragam, bahkan menggunakan bahasa pengaturcaraan yang berbeza. Satu set program mengetahui kedudukan meja, tetapi set program lain tidak dapat membacanya secara langsung; penyelidik terpaksa menulis banyak kod penghubung, dan terkadang menambah kad pengumpulan data khas agar peranti dapat menghantar isyarat.

MHS meletakkan semua status, pemboleh ubah, arahan kawalan, dan bacaan sensor peralatan ke dalam ruang status bersama yang distandardkan. Setiap peralatan hanya perlu didaftarkan dan disambungkan sekali sahaja, membolehkan program atau Agent lain menemui dan menggunakannya secara langsung.

Sebelum melaksanakan MHS, penambahan kamera baru mungkin memerlukan beberapa hari untuk integrasi; selepas menyambung ke MHS, penyelidik hanya memerlukan beberapa minit untuk menambahkan kamera baru yang digunakan untuk memantau kedudukan laser ke dalam sistem, serta menghantar data gambar semula kepada program yang mengawal cermin pantul.

Claude juga dapat menggunakan kamera untuk mengamati sinar, menyesuaikan cermin, lalu menilai hasil pergerakan berdasarkan gambar baru, membentuk lingkaran tertutup "tindakan—pengamatan—koreksi". Dalam sistem mikroskop lain, pemeriksaan laser, sensor, dan jalur cahaya yang sebelumnya memerlukan peneliti selama setengah hari telah diringkas menjadi satu langkah otomatis.

QuEra Computing membina komputer kuantum menggunakan atom neutral, yang memerlukan pengawalan atom yang sangat tepat menggunakan laser. Julat penyimpangan frekuensi laser hanyalah sekitar satu trilion per satu, setara dengan kesalahan tidak melebihi lebar sehelai rambut apabila mengukur jarak dari Bumi ke Bulan.

Perubahan suhu, getaran, atau tekanan udara boleh menyebabkan laser kehilangan “kunci”. Jika kejadian ini berlaku semasa pengiraan kuantum jangka panjang, tugas yang telah berjalan selama berjam-jam mungkin gagal secara langsung. Proses pemulihan tradisional biasanya memerlukan operator yang berpengalaman untuk memantau pelbagai peralatan dan menyesuaikan parameter mengikut urutan, yang mengambil masa sekitar 5 hingga 10 minit.

QuEra sebelum ini pernah menghimpun jurutera laser, jurutera perisian, pakar algoritma, dan penyedia ujian untuk menulis satu set skrip pemulihan tetap selama berbulan-bulan. Ia menyesuaikan pengawal mengikut prosedur manual langkah demi langkah, dengan kejayaan sekitar 58%, dan setiap percubaan memerlukan kira-kira 150 saat.

Setelah menghubungkan MHS, agen tidak lagi hanya mengulangi proses tetap, tetapi terus menciptakan gangguan yang berbeza, memantau tindak balas laser, dan mencari parameter kawalan mana yang benar-benar perlu disesuaikan.

Selepas satu malam ujian, masa pemulihan berkurang kepada sekitar 6 saat, dengan kejayaan 96%; selepas pengoptimuman lanjut, Anthropic melaporkan kejayaan pemulihan akhir sebanyak 99.3%.

Agen juga mendapati bahawa apabila pergeseran frekuensi laser kecil, tidak perlu memeriksa semua kawalan; cukup dengan mengubah satu atau dua parameter sahaja. Manusia biasanya masih mengesahkan setiap butir demi keselamatan; manakala agen mengenal pasti langkah-langkah yang boleh dilangkau melalui banyak eksperimen berulang.

Namun, QuEra menekankan bahawa Agen tidak sepenuhnya menggantikan pakar. Semasa menghadapi kegagalan peranti fizikal tulen, Claude sering tidak tahu bagaimana menanganinya, kerana pemahamannya terhadap peranti masih terutamanya berasaskan antaramuka program. Untuk operasi yang sedikit berisiko, ia sering berhenti dan menunggu kebenaran manusia, menyebabkan sebahagian eksperimen malam ditangguhkan hingga ke esok hari.

Tetsuwan Scientific mengintegrasikan MHS ke platform eksperimen biologi automatik ResearchOS untuk menjalankan eksperimen qPCR bagi menganalisis keadaan pencemaran tempatan.

qPCR memerlukan reagen "master mix" yang pekat dan menyerupai cecair sabun. Cecair ini mudah menghasilkan buih semasa pipet, menyebabkan ketidakakuratan dalam pengambilan dan menurunkan kualiti eksperimen.

Dalam satu eksperimen, kamera mengesan gelembung di dalam tabung uji yang dipegang oleh lengan robot. Lengan robot itu sendiri tidak mampu menangani masalah ini, tetapi ResearchOS mampu mencari peranti lain yang terhubung ke MHS di dalam makmal. Claude kemudian mencadangkan melalui Slack kepada penyelidik: biarkan lengan robot menghantar tabung uji ke dalam mesin pemusing, dan putar pada kelajuan rendah untuk sementara waktu, supaya cecair dan gelembung kembali berkumpul di bahagian bawah.

Perkara pemprosesan merentas peranti ini adalah situasi yang sukar dicakup oleh proses automatik tetap tradisional. Pembangun program tidak perlu menulis laluan pemulihan penuh untuk setiap jenis kegagalan secara pra-mendahulu; Agen boleh memantau ralat, kemudian menyelesaikan masalah berdasarkan kombinasi peranti yang tersedia pada masa itu.

Tidak itu sahaja, pasukan tersebut juga meminta Claude untuk mengoptimumkan kompilator yang menukar protokol eksperimen lanjutan kepada arahan operasi peranti keras. Eksperimen ini merangkumi 9143 tindakan pemisahan berasingan, 300 kombinasi pemindahan berbeza, 1508 syarat pengukuran, dan empat jenis cecair.

Dalam ujian tanpa penyempurnaan, model yang diperbaiki oleh Claude dan MHS meramal ketepatan pembahagian berulang dengan ketepatan kira-kira 12% lebih tinggi daripada spesifikasi teknikal pengeluar peralatan, dan menang dalam 31 daripada 45 ujian; pada data dengan jumlah ulangan paling tinggi, peningkatan adalah sekitar 17%. Keputusan ini berasal daripada eksperimen sendiri oleh rakan kongsi projek, dan belum boleh dianggap sebagai kesimpulan am yang telah disahkan secara bebas di antara makmal.

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

Claude boleh membaca status, menganalisis gambar, dan menggunakan peranti, tetapi pengetahuannya tentang dunia nyata terutamanya berasal daripada teks dan gambar. Masalah seperti geseran, buih, berat, kekentalan cecair, jurang mekanikal, dan pergerakan laluan cahaya sering hanya terdedah semasa operasi sebenar.

Jika peranti tidak mempunyai antaramuka yang boleh diprogram, MHS tidak boleh disambungkan secara langsung; Anthropic sedang bekerjasama dengan pengilang untuk menambahkan pemandu bagi peranti jenis ini.

Keselamatan fizikal juga lebih kompleks berbanding kebenaran perisian. Jika Agen digital menjalankan arahan yang salah, fail biasanya boleh dipulihkan atau sistem dipulihkan; tetapi apabila mengawal lengan mekanikal, laser, bahan kimia dan sampel biologi, tindakan yang salah boleh menyebabkan kerosakan peralatan, sampel rosak, atau risiko kepada manusia.

Oleh itu, tugas penting dalam fasa pra-pelihat ialah bukan untuk meningkatkan bilangan peranti, tetapi untuk membina penilaian keselamatan baru: operasi mana yang mesti disahkan oleh manusia, dalam keadaan apa peranti harus berhenti secara automatik, sama ada model boleh mengenal pasti ketidakteraturan sensor, dan bagaimana untuk memastikan sekatan peringkat pemandu keras tidak boleh dilangkau oleh Agen.

Anthropic menyatakan sedang menyusun "peta jalan keselamatan fizikal" dan merancang untuk mengumumkan dapatan pra-penyelidikan dan panduan pelaksanaan selamat semasa membuka sumber MHS secara rasmi.

MHS telah mendapat sokongan awal daripada pelbagai syarikat peralatan dan platform. AWS merancang untuk menyediakan akses melalui Strands Robots; Doosan Robotics dan Universal Robots sedang menguji sokongan lengan robot; Tecan, QIAGEN dan Automata fokus pada automatik makmal; Hugging Face merancang untuk memasukkan MHS ke dalam perpustakaan robot LeRobot, dan Raspberry Pi juga sedang menguji integrasi dalam sebahagian produk dan pemandu kamera.

Jika MHS membentuk ekosistem, ia mungkin menyatukan cara penyambungan Agent dengan peranti sebenar, sama seperti bagaimana MCP menyatukan model dan alat perisian. Makmal tidak perlu lagi membina semula antaramuka untuk setiap model, setiap peranti, dan setiap perisian, dan pembuat peranti juga boleh secara langsung menyediakan perihalan kemampuan piawai yang boleh dikenal pasti oleh Agent.

Namun, MHS menghadapi kesukaran yang jelas lebih tinggi. Input dan output alat perisian biasanya boleh ditakrifkan dengan tepat, tetapi peralatan fizikal boleh haus, berpindah, tersumbat, menghasilkan gangguan, dan dipengaruhi oleh perubahan persekitaran. Dua peranti dengan model yang sama mungkin menunjukkan prestasi yang berbeza kerana keadaan kalibrasi dan cara pemasangan yang berbeza.

Oleh itu, yang perlu distandardkan oleh MHS bukan sahaja perintah, tetapi juga keadaan mesin, batasan sebenar, sempadan keselamatan, dan pengetahuan pemulihan kegagalan.