O MHS da Anthropic permite que agentes de IA controlem dispositivos de laboratório e quânticos

A Anthropic lançou uma prévia de pesquisa do Model Hardware Standard (MHS), tentando estabelecer uma interface universal, semelhante ao MCP, entre agentes de IA e dispositivos físicos. Microscópios, estações de pipetagem, braços robóticos, câmeras, lasers e sensores precisam ser conectados apenas uma vez, permitindo que diferentes modelos descubram e controlem esses dispositivos por meio de um estado unificado, instruções de operação e limitações de segurança, reduzindo integrações personalizadas que antes levavam semanas ou meses para apenas horas ou minutos. Em testes iniciais, o Claude colaborou com o MHS para realizar experimentos de detecção de proteínas, ajustar imagens microscópicas em tempo real, lidar com falhas de bolhas líquidas e aumentar a taxa de sucesso na recuperação do laser do computador quântico QuEra de 58% para 99,3%. No entanto, a Anthropic reconhece que modelos linguísticos carecem de intuição física real e ainda exigem supervisão humana ao enfrentar problemas do mundo real, como bolhas, colisões, trajetórias ópticas e amostras biológicas. O MHS está atualmente disponível apenas para alguns laboratórios e empresas de fabricação e será aberto ao público após a conclusão das avaliações de segurança. Sua importância vai além de “o Claude operar máquinas” — trata-se do fato de que agentes de IA estão evoluindo da simples leitura de software e chamada de API para a capacidade de observar, intervir e realizar experimentos repetidos no mundo físico.

Autor do artigo, fonte: Anthropic

Claude já pode ler artigos científicos, analisar dados, gerar hipóteses de pesquisa e escrever código de experimentos, mas quando a pesquisa chega ao estágio de "operar equipamentos realmente", a IA geralmente é excluída do mundo real.

O problema não está totalmente na capacidade do modelo, mas sim no extremo fragmentamento dos equipamentos no laboratório e na fábrica. As câmeras podem usar Python, os detectores rodar MATLAB, os equipamentos eletrofisiológicos usar C#, e os braços robóticos, microscópios e estações de pipetagem cada um tem seus próprios drivers, formatos de dados e softwares de controle. Muitos equipamentos nem sabem o que os instrumentos adjacentes estão fazendo no momento.

Pesquisadores que desejam que a câmera notifique o braço robótico após detectar a posição da amostra, ou que o microscópio ajuste automaticamente os parâmetros de varredura com base em imagens em tempo real, geralmente precisam escrever programas de conexão separados para cada par de dispositivos. Quanto mais dispositivos houver, mais complexa se torna a integração ponto a ponto que precisa ser mantida.

A Anthropic afirmou que, anteriormente, laboratórios ou instalações de fabricação geralmente levavam semanas ou até meses para concluir a integração de um conjunto de hardware. A MHS deseja reduzir esse processo a algumas horas ou minutos.

Ele não resolve "como tornar o modelo mais inteligente", mas sim primeiro estabelecer uma linguagem comum que possa ser compreendida pelo modelo em todos os dispositivos.

(No texto original, há um diagrama de arquitetura antes e depois da integração do MHS, mostrando a transição de conexões personalizadas ponto a ponto para comunicação por meio de uma interface unificada.)

O núcleo do MHS é um driver padronizado. Ele atua como uma camada de tradução entre a interface do dispositivo e o AI Agent, convertendo máquinas complexas em um pequeno conjunto de primitivas universais, como ler temperatura, escrever temperatura, consultar status ou executar uma operação.

Os dispositivos conectados ao MHS geram um arquivo de referência padronizado que descreve o que eles podem medir, quais parâmetros podem ser ajustados, os estados possíveis do dispositivo e quais restrições de segurança devem ser aplicadas.

Código puro geralmente não consegue expressar todos os atributos reais de uma máquina. Por exemplo, se um modelo vir apenas a API de controle de um braço mecânico, pode não saber o peso real do braço, seu intervalo de movimento, inércia ou riscos de colisão. No passado, essas informações podiam estar espalhadas em manuais impressos, computadores de engenheiros ou na experiência de operadores.

O MHS permite que os usuários completem esses conhecimentos com rótulos em linguagem natural. Os usuários podem preencher diretamente ou permitir que o Agente pergunte sobre o dispositivo por meio de conversa e gere automaticamente o arquivo descritivo.

Após a conclusão da integração, o agente pode controlar os dispositivos por meio de MCP, linha de comando ou API de código. Ele é capaz de ler dados em tempo real de vários instrumentos, programar sequências de operações e ajustar parâmetros com base nos resultados experimentais; quando forem necessárias operações de alta velocidade ou de longa duração, uma série de comandos de驱动 é compilada em código, permitindo que o dispositivo opere autonomamente, sem exigir que o modelo reforce o raciocínio antes de cada pequena ação.

MHS é independente de modelo e não exige o uso obrigatório do Claude. Qualquer modelo ou framework de agente pode, em princípio, acessar dispositivos por meio de protocolos padrão, como MCP.

A Genentech utilizou o MHS para testar o processo de detecção de proteínas BCA. O experimento exigiu coordenação entre uma estação de pipetagem, um braço robótico e um leitor de microplacas, medindo a concentração de proteínas por meio da mudança de cor das amostras.

Esses processos parecem adequados para automação, mas na prática são facilmente afetados pelas propriedades físicas dos líquidos. Ao encontrar espuma, o sensor de nível do pipetador pode gerar erros; bolhas também interferem na leitura óptica final.

Quando o Claude encontrou pela primeira vez um erro de execução causado por bolhas, sua reação instintiva foi modificar os parâmetros e tentar novamente no mesmo local. Isso acabou apenas agitando ainda mais o líquido e gerando mais bolhas.

Os pesquisadores devem informar: este não é um erro de software que pode ser resolvido por execuções repetidas, mas sim um problema físico no líquido real. A abordagem correta é mudar para um poço limpo e reduzir o número de ciclos de mistura para tornar a operação mais suave.

Após receber a explicação, Claude manteve esse contexto nos experimentos subsequentes. A equipe também sistematizou a experiência em habilidades de manipulação de líquidos reutilizáveis, permitindo que Claude escolhesse parâmetros padrão mais adequados com base nas propriedades dos líquidos, reduzindo erros de pipetagem.

Este caso revela o limite mais claro atual do MHS. O agente pode raciocinar com base em feedback de sensores, mas o modelo do mundo que aprendeu a partir de texto e imagens não é equivalente à intuição física formada pelos experimentadores por meio de operações prolongadas.

MHS surgiu originalmente de um conjunto de equipamentos complexos de imagem cerebral no HHMI Janelia.

A pesquisadora Virginie Ruetten usou microscopia de dois fótons para observar a atividade de células e órgãos inteiros em peixes-zebra vivos durante o sono. O conjunto completo do equipamento de experimento, incluindo laser, espelhos, mesa de amostras, câmera e vários sensores, originalmente exigia sete softwares diferentes de fabricantes distintos para operar em conjunto.

Falta uma interface unificada entre os dispositivos, e alguns até usam linguagens de programação diferentes. Um programa conhece a posição da mesa, mas outro não consegue lê-la diretamente; os pesquisadores precisam escrever grande quantidade de código de integração e, às vezes, adicionar placas dedicadas de aquisição de dados para permitir que os dispositivos transmitam sinais.

O MHS coloca o estado, variáveis, comandos de controle e leituras de sensores de todos os instrumentos em um espaço de estado compartilhado padronizado. Cada dispositivo precisa ser descrito e conectado apenas uma vez, permitindo que outros programas ou Agentes descubram e utilizem diretamente.

Antes da implementação do MHS, adicionar uma nova câmera poderia levar vários dias de integração; após a conexão ao MHS, os pesquisadores integraram a nova câmera usada para observar a posição do laser ao sistema em apenas alguns minutos e enviaram os dados da imagem de volta ao programa que controla os espelhos.

Claude também pode observar o feixe por meio da câmera, ajustar os espelhos e, com base na nova imagem, avaliar o resultado do movimento, formando um ciclo fechado de “operação—observação—correção”. Em outro sistema de microscópio, a verificação de laser, sensores e caminho óptico, que anteriormente exigia metade de um dia de trabalho dos pesquisadores, foi reduzida a um único passo automatizado.

A QuEra Computing constrói computadores quânticos usando átomos neutros, exigindo controle extremamente preciso dos átomos com lasers. A tolerância permitida para a frequência do laser é de aproximadamente um trilionésimo, o que equivale a um erro não superior à largura de um fio de cabelo ao medir a distância da Terra à Lua.

Alterações na temperatura, vibração ou pressão atmosférica podem fazer com que o laser perca o “bloqueio”. Se isso ocorrer durante um cálculo quântico de longa duração, uma tarefa que já tenha sido executada por várias horas pode falhar diretamente. O processo tradicional de recuperação geralmente exige operadores experientes que observem múltiplos instrumentos e ajustem os parâmetros em sequência, levando cerca de 5 a 10 minutos.

QuEra anteriormente reuniu engenheiros de laser, engenheiros de software, especialistas em algoritmos e testadores para escrever, ao longo de vários meses, um conjunto de scripts de recuperação fixos. Eles ajustavam os controladores passo a passo conforme o processo manual, com uma taxa de sucesso de aproximadamente 58% e cerca de 150 segundos por tentativa.

Após a integração do MHS, o agente não se limita mais a repetir processos fixos, mas sim gera continuamente perturbações distintas, observa a reação do laser e identifica quais parâmetros de controle realmente precisam ser ajustados.

Após uma noite de experimentos, o tempo de recuperação caiu para cerca de 6 segundos, com uma taxa de sucesso de 96%; após otimizações adicionais, a Anthropic relatou uma taxa final de sucesso de recuperação de 99,3%.

O agente também descobriu que, quando o deslocamento da frequência do laser é pequeno, não é necessário verificar todos os controles, bastando ajustar apenas um ou dois parâmetros. Os operadores humanos, para garantir a segurança, geralmente ainda confirmam cada item individualmente; já o agente identificou, por meio de numerosos experimentos repetidos, os passos que podem ser ignorados.

No entanto, a QuEra enfatiza que o agente não substituiu completamente os especialistas. Em casos de falhas puramente físicas de hardware, o Claude muitas vezes não sabe como lidar, pois sua compreensão dos dispositivos ainda se baseia principalmente nas interfaces de programa. Para operações com algum risco, ele frequentemente para e aguarda autorização humana, fazendo com que alguns experimentos noturnos sejam suspensos até o dia seguinte.

Tetsuwan Scientific integra o MHS à plataforma de experimentos biológicos automatizados ResearchOS para realizar experimentos de qPCR para análise da poluição local.

A qPCR requer o uso de um reagente chamado "master mix", que é viscoso e semelhante a um líquido de sabão. Esse líquido tende a formar espuma durante a pipetagem, o que pode levar a volumes imprecisos e reduzir a qualidade do experimento.

Em um experimento, a câmera identificou bolhas no tubo de ensaio segurado pelo braço robótico. O braço robótico não consegue resolver esse problema por conta própria, mas o ResearchOS consegue pesquisar outros dispositivos conectados ao MHS no laboratório. Claude, em seguida, sugeriu aos pesquisadores, por meio do Slack: fazer o braço robótico levar o tubo de ensaio ao centrífuga para girá-lo brevemente em baixa velocidade, reagrupando o líquido e as bolhas na base.

Esses cenários de processamento entre dispositivos são difíceis de cobrir com fluxos de automação fixos tradicionais. Os programadores não precisam pré-definir caminhos de recuperação completos para cada tipo de falha; o agente pode observar o erro e, em seguida, resolver com base na combinação atual de dispositivos disponíveis.

A equipe também pediu ao Claude para otimizar o compilador que converte protocolos experimentais avançados em instruções de operação de hardware. Os experimentos abrangem 9143 separações independentes, 300 combinações diferentes de transferência, 1508 condições de medição e quatro tipos de líquidos.

Em testes sem otimização, o modelo aprimorado conjuntamente por Claude e MHS previu com precisão de 12% superior às especificações técnicas do fabricante do equipamento em 31 das 45 rodadas de teste; naqueles dados com o maior número de repetições, a melhoria foi de aproximadamente 17%. Esses resultados provêm de experimentos realizados pelos parceiros do projeto e ainda não podem ser considerados conclusões gerais validadas por replicação independente entre laboratórios.

Anthropic não descreveu o MHS como um sistema de laboratório sem pessoas já maduro.

Claude pode ler estados, analisar imagens e usar dispositivos, mas seu conhecimento sobre o mundo real vem principalmente de texto e imagens. Problemas como atrito, espuma, peso, viscosidade de líquidos, folgas mecânicas e deslocamento do caminho óptico geralmente só se manifestam durante operações reais.

Se o dispositivo não tiver nenhuma interface programável, o MHS atualmente também não pode ser conectado diretamente; a Anthropic está trabalhando com fabricantes para adicionar drivers a esses dispositivos.

A segurança física é igualmente mais complexa do que permissões de software. Erros cometidos por Agentes digitais geralmente podem ser revertidos com a restauração de arquivos ou do sistema; já ao controlar braços mecânicos, lasers, reagentes químicos e amostras biológicas, ações erradas podem causar danos aos equipamentos, perda de amostras ou até riscos à segurança das pessoas.

Portanto, a tarefa importante na fase de pré-visualização da pesquisa não é aumentar o número de dispositivos, mas sim estabelecer novas avaliações de segurança: quais operações devem ser aprovadas por uma pessoa, em quais condições o dispositivo deve parar automaticamente, se o modelo pode identificar anomalias nos sensores e como garantir que as limitações da camada de drivers de hardware não possam ser contornadas pelo Agente.

Anthropic afirma que está elaborando um "rota de segurança física" e planeja divulgar as descobertas da prévia de pesquisa e as diretrizes de implantação segura ao mesmo tempo em que lança oficialmente o MHS como código aberto.

O MHS já recebeu apoio inicial de várias empresas de equipamentos e plataformas. A AWS planeja fornecer acesso por meio da Strands Robots; a Doosan Robotics e a Universal Robots estão testando suporte para braços robóticos; a Tecan, a QIAGEN e a Automata estão focadas na automação laboratorial; a Hugging Face planeja incluir o MHS na biblioteca de robôs LeRobot, e o Raspberry Pi também está testando integração em alguns produtos e drivers de câmera.

Se o MHS formar um ecossistema, ele pode unificar a conexão entre Agentes e dispositivos reais da mesma forma que o modelo MCP unifica ferramentas de software. Laboratórios não precisarão mais reconstruir interfaces repetidamente para cada modelo, cada dispositivo e cada conjunto de software, e fabricantes de dispositivos poderão fornecer diretamente descrições padronizadas de capacidades que podem ser descobertas por Agentes.

No entanto, o MHS enfrenta uma dificuldade significativamente maior. As entradas e saídas de ferramentas de software geralmente podem ser definidas com precisão, mas dispositivos físicos sofrem desgaste, deriva, entupimento, ruído e são afetados por mudanças ambientais. Dois instrumentos do mesmo modelo podem apresentar comportamentos diferentes devido a diferenças no estado de calibração e na forma de instalação.

Portanto, o que o MHS realmente busca padronizar não são apenas os comandos, mas também o estado da máquina, as restrições reais, os limites de segurança e o conhecimento sobre recuperação de falhas.