MHS от Anthropic позволяет ИИ-агентам управлять лабораторными и квантовыми устройствами

Anthropic выпустила исследовательский превью Model Hardware Standard (MHS), стремясь создать универсальный интерфейс, подобный MCP, для взаимодействия AI-агентов с физическими устройствами. Микроскопы, пипетирующие станции, роботизированные манипуляторы, камеры, лазеры и датчики достаточно подключить один раз — после этого различные модели смогут обнаруживать и управлять ими через единые состояния, команды операций и ограничения безопасности, сокращая время интеграции, которое ранее занимало недели или месяцы, до нескольких часов или минут. В ранних тестах Claude с помощью MHS успешно выполнил эксперимент по обнаружению белков, в реальном времени настроил микроскопическую визуализацию, устранил сбои, связанные с пузырьками в жидкости, и повысил成功率 восстановления лазера на квантовом компьютере QuEra с 58% до 99,3%. Однако Anthropic признает, что языковые модели лишены настоящей физической интуиции и по-прежнему требуют контроля экспертов при работе с такими реальными проблемами, как пузырьки, столкновения, оптические пути и биологические образцы. В настоящее время MHS доступен только для ограниченного круга лабораторий и производственных предприятий; открытие исходного кода произойдет после завершения оценки безопасности. Значение MHS заключается не только в том, что «Claude может управлять машинами», а в том, что AI-агенты переходят от чтения программного обеспечения и вызова API к способности наблюдать, вмешиваться и проводить повторяющиеся эксперименты в физическом мире.

Автор и источник статьи: Anthropic

Claude уже может читать научные статьи, анализировать данные, генерировать исследовательские гипотезы и писать код экспериментов, но когда исследование доходит до этапа «реального управления оборудованием», ИИ обычно остается за пределами реального мира.

Проблема не столько в возможностях модели, сколько в крайней фрагментации оборудования в лабораториях и на заводах. Камеры могут использовать Python, детекторы работают на MATLAB, электрофизиологическое оборудование использует C#, а роботизированные манипуляторы, микроскопы и станции для пипетирования имеют собственные драйверы, форматы данных и программное обеспечение для управления. Многие устройства вообще не знают, в каком состоянии находятся соседние приборы.

Исследователям, чтобы заставить камеру уведомлять манипулятор после обнаружения положения образца или чтобы микроскоп автоматически изменял параметры сканирования на основе изображений в реальном времени, часто необходимо писать отдельные программы подключения для каждой пары устройств. Чем больше устройств, тем сложнее становится поддерживать точечные интеграции.

Anthropic отмечает, что ранее лаборатории или производственные объекты требовали недель или даже месяцев для интеграции одного комплекта оборудования. MHS стремится сократить этот процесс до нескольких часов или минут.

Он решает не вопрос «как сделать модель умнее», а сначала создает для всех устройств общий язык, который может понимать модель.

(На исходном тексте приведены схемы архитектуры до и после подключения MHS, демонстрирующие переход от точечных индивидуальных подключений устройств к общему интерфейсу обмена данными.)

Ядро MHS представляет собой стандартизированный драйвер. Он выступает в роли языкового посредника между интерфейсом устройства и AI-агентом, преобразуя сложные машины в небольшой набор универсальных примитивов, таких как чтение температуры, запись температуры, запрос состояния или выполнение определенной операции.

Устройства, подключенные к MHS, генерируют стандартный справочный файл, в котором указано, что они могут измерять, какие параметры можно настраивать, в каких состояниях может находиться устройство, и какие ограничения безопасности необходимо соблюдать.

Чистый код обычно не может передать все реальные характеристики машины. Например, если модель видит только API управления манипулятором, она может не знать вес самого манипулятора, диапазон его движения, инерцию или риск столкновения. Раньше эта информация могла быть рассеяна в бумажных инструкциях, на компьютерах инженеров или в опыте операторов.

MHS позволяет пользователям дополнять эти знания с помощью меток на естественном языке. Пользователи могут вводить информацию непосредственно или позволить агенту через диалог запросить информацию об устройстве, после чего он автоматически сгенерирует описательный файл.

После завершения подключения агент может управлять устройствами через MCP, командную строку или API кода. Он может считывать данные с нескольких приборов в реальном времени, планировать последовательность операций и корректировать параметры на основе результатов эксперимента; при необходимости выполнения высокоскоростных или длительных операций серия команд приведения в действие компилируется в код, чтобы устройство работало автономно, без необходимости повторного вывода модели перед каждым мельчайшим действием.

MHS не зависит от модели и не ограничивает использование только Claude. Любая модель или агентская система может быть подключена к устройствам через стандартные протоколы, такие как MCP.

Genentech использовала MHS для тестирования протокола анализа белка BCA. Эксперимент требовал координации станции пипетирования, роботизированной руки и микропланшетного спектрофотометра для измерения концентрации белка по изменению цвета образца.

Эти процессы кажутся подходящими для автоматизации, но на практике они легко подвержены влиянию физических свойств жидкостей. При попадании пены на пипетку датчик уровня жидкости может выдавать ошибку; пузырьки воздуха также могут нарушать окончательные оптические показания.

Когда Клод впервые столкнулся с ошибкой выполнения, вызванной пузырьками, его инстинктивной реакцией было изменить параметры и повторить попытку в той же ячейке. В результате жидкость продолжала перемешиваться, образуя еще больше пузырьков.

Исследователи должны сообщить ему: это не программный сбой, который можно решить повторным запуском, а физическая проблема в жидкой среде. Правильным решением будет перейти на чистую лунку и сократить количество циклов смешивания, чтобы сделать операцию более мягкой.

Получив объяснение, Клауд в последующих экспериментах сохранил эту контекстную информацию. Команда также структурировала опыт в виде повторно используемых навыков работы с жидкостями, позволяя Клауду выбирать более обоснованные параметры по умолчанию в зависимости от свойств жидкостей и снижать количество ошибок при пипетировании.

Этот пример демонстрирует наиболее четкие границы MHS на данный момент. Агент может делать выводы на основе обратной связи от датчиков, но его модель мира, обученная на тексте и изображениях, не равна физической интуиции, сформированной у экспериментаторов в результате длительной практики.

MHS изначально возник как набор сложных устройств для визуализации мозга в HHMI Janelia.

Исследователь Virginie Ruetten использовала двухфотонную микроскопию для наблюдения за активностью клеток и органов живой зебрафишки во время сна. Полный комплект экспериментального оборудования, включающий лазер, зеркала, предметный стол, камеру и множество датчиков, ранее требовал совместной работы семи программных продуктов от разных производителей.

Между устройствами отсутствует единый интерфейс, а иногда используются даже разные языки программирования. Одна программа знает положение стола, а другая не может напрямую его считать; исследователям приходится писать большое количество мостовых кодов и иногда добавлять специализированные карты сбора данных, чтобы устройства могли передавать сигналы.

MHS помещает состояние, переменные, команды управления и показания датчиков всех приборов в стандартизированное общее пространство состояний. Каждое устройство необходимо описать и подключить только один раз, после чего другие программы или агенты могут напрямую обнаруживать и использовать его.

До внедрения MHS подключение новой камеры могло занять несколько дней; после подключения MHS исследователям потребовалось всего несколько минут, чтобы добавить новую камеру для наблюдения за положением лазера в систему и передать данные изображения программе, управляющей зеркалами.

Claude также может наблюдать за лучом через камеру, регулировать зеркала и на основе новых изображений определять результат движения, создавая замкнутый цикл «действие — наблюдение — корректировка». В другой системе микроскопа процесс проверки лазера, датчиков и оптической схемы, который ранее занимал у исследователей полдня, был сокращен до одного автоматизированного шага.

QuEra Computing использует нейтральные атомы для построения квантовых компьютеров, требуя чрезвычайно точного управления атомами с помощью лазеров. Допустимое отклонение частоты лазера составляет примерно одну триллионную, что эквивалентно тому, что погрешность при измерении расстояния от Земли до Луны не превышала бы ширину человеческого волоса.

Изменения температуры, вибрации или давления могут привести к потере «блокировки» лазера. Если это произойдет во время длительного квантового вычисления, задача, выполнявшаяся несколько часов, может сразу же завершиться неудачей. Традиционный процесс восстановления обычно требует опытного оператора, который одновременно отслеживает несколько приборов и последовательно настраивает параметры, занимая примерно 5–10 минут.

Ранее QuEra собрала команду инженеров по лазерам, программистов, экспертов по алгоритмам и тестировщиков, которые в течение нескольких месяцев написали набор фиксированных скриптов восстановления. Они пошагово настраивали контроллеры вручную, достигая успеха примерно в 58% случаев, при этом каждая попытка занимала около 150 секунд.

После подключения MHS агент больше не просто повторяет фиксированные процессы, а постоянно создает различные возмущения, наблюдает за реакцией лазера и определяет, какие параметры управления действительно требуют корректировки.

После ночного эксперимента время восстановления снизилось до примерно 6 секунд, а成功率 достиг 96%; после дальнейшей оптимизации Anthropic сообщила о финальной успешной скорости восстановления 99,3%.

Агент также обнаружил, что при небольшом смещении лазерной частоты нет необходимости проверять все параметры управления — достаточно изменить один-два из них. Человек-оператор, чтобы обеспечить безопасность, обычно все же проверяет каждый параметр по очереди; агент же выявил эти пропускаемые шаги благодаря множеству повторяющихся экспериментов.

Однако QuEra подчеркивает, что агент не полностью заменил экспертов. При чисто физических сбоях оборудования Claude часто не знает, как действовать, поскольку его понимание оборудования в основном основано на программных интерфейсах. Он также часто останавливается, ожидая разрешения человека, что приводит к приостановке некоторых ночных экспериментов до следующего дня.

Tetsuwan Scientific подключила MHS к автоматизированной биологической экспериментальной платформе ResearchOS для проведения qPCR-экспериментов по анализу уровня загрязнения в регионе.

qPCR требует использования вязкого, похожего на мыльный раствор, реагента «master mix». Эта жидкость легко образует пены при пипетировании, что приводит к неточному объему и снижению качества эксперимента.

В ходе эксперимента камера обнаружила пузырьки воздуха в пробирке, зажатой роботизированным манипулятором. Сам манипулятор не мог решить эту проблему, но ResearchOS смог найти другие устройства в лаборатории, подключенные к MHS. Claude затем через Slack предложил исследователям отправить пробирку в центрифугу и кратковременно вращать ее на низкой скорости, чтобы снова собрать жидкость и пузырьки на дне.

Такие сценарии обработки через устройства трудно охватить с помощью традиционных фиксированных автоматизированных процессов. Разработчикам программ не нужно заранее прописывать полные пути восстановления для каждого типа сбоя; агент может наблюдать за ошибкой и затем решать проблему, исходя из доступной комбинации устройств.

Команда также поручила Claude оптимизировать компилятор, преобразующий продвинутые экспериментальные протоколы в инструкции для работы с оборудованием. Эксперимент охватывает 9143 отдельных операции разлива, 300 различных комбинаций переноса, 1508 условий измерения и четыре типа жидкостей.

В тестах без участия оптимизации модель, улучшенная Claude и MHS, предсказывала точность многократного разлива на 12% точнее, чем технические характеристики производителя оборудования, выигрывая в 31 из 45 тестов; на данных с наибольшим количеством повторений улучшение составило около 17%. Эти результаты получены в ходе экспериментов партнеров по проекту и пока не могут рассматриваться как универсальные выводы, подтвержденные независимыми лабораториями.

Anthropic не описывает MHS как уже зрелую систему无人ной лаборатории.

Клауд может считывать состояние, анализировать изображения и использовать устройства, но его знания о реальном мире в основном основаны на тексте и изображениях. Проблемы, такие как трение, пенообразование, вес, вязкость жидкости, механический люфт и дрейф оптического пути, часто проявляются только при реальном использовании.

Если устройство не имеет никакого программного интерфейса, MHS в настоящее время также не может подключиться напрямую; Anthropic сотрудничает с производителями для добавления драйверов к таким устройствам.

Физическая безопасность также сложнее, чем цифровые разрешения. Ошибочные команды, выполняемые цифровыми агентами, обычно можно отменить, восстановив файлы или систему; при управлении роботизированными манипуляторами, лазерами, химическими реагентами и биологическими образцами ошибочные действия могут привести к повреждению оборудования, порче образцов или даже угрозе для жизни людей.

Таким образом, ключевая задача на этапе предварительного исследования — не увеличение количества устройств, а создание новых критериев безопасности: какие операции должны одобряться человеком, при каких условиях устройство должно автоматически останавливаться, может ли модель распознавать аномалии датчиков и как обеспечить, чтобы ограничения на уровне драйверов оборудования не могли быть обойдены агентом.

Anthropic сообщает, что разрабатывает «дорожную карту физической безопасности» и планирует опубликовать выводы предварительного исследования и руководство по безопасному развертыванию одновременно с официальным открытием исходного кода MHS.

MHS уже получил раннюю поддержку от нескольких компаний, производящих оборудование и платформы. AWS планирует обеспечить доступ через Strands Robots; Doosan Robotics и Universal Robots тестируют поддержку роботизированных манипуляторов; Tecan, QIAGEN и Automata сосредоточены на автоматизации лабораторий; Hugging Face планирует включить MHS в библиотеку роботов LeRobot, а Raspberry Pi тестирует интеграцию в некоторых продуктах и драйверах камер.

Если MHS сформирует экосистему, она может унифицировать подключение агентов к реальным устройствам так же, как MCP объединяет модели и программные инструменты. Лабораториям больше не придется повторно разрабатывать интерфейсы для каждой модели, каждого устройства и каждой программы, а производители оборудования смогут напрямую предоставлять стандартные описания возможностей, доступные для обнаружения агентами.

Однако MHS сталкивается с значительно более высокой сложностью. Входные и выходные данные программных инструментов обычно можно точно определить, тогда как физические устройства подвержены износу, дрейфу, засорению, шуму и влиянию изменений окружающей среды. Два прибора одной и той же модели могут по-разному работать из-за различий в состоянии калибровки и способе установки.

Таким образом, MHS стандартизирует не только команды, но и состояние машин, реальные ограничения, границы безопасности и знания о восстановлении после сбоев.