MHS ของ Anthropic ช่วยให้ตัวแทน AI ควบคุมอุปกรณ์ห้องปฏิบัติการและควอนตัม

Anthropic เปิดตัวการทดลองล่วงหน้าของ Model Hardware Standard (MHS) เพื่อสร้างอินเทอร์เฟซทั่วไปคล้าย MCP สำหรับการเชื่อมต่อ AI Agent กับอุปกรณ์จริง อุปกรณ์ต่างๆ เช่น กล้องจุลทรรศน์ สถานีงานดูดของเหลว หุ่นยนต์กลไก กล้อง เลเซอร์ และเซนเซอร์ แค่เชื่อมต่อเพียงครั้งเดียว ก็สามารถถูกโมเดลต่างๆ ค้นพบและควบคุมผ่านสถานะ การสั่งงาน และข้อจำกัดด้านความปลอดภัยที่เป็นมาตรฐานเดียวกัน ลดเวลาการรวมระบบแบบกำหนดเองซึ่งเคยใช้เวลาหลายสัปดาห์หรือหลายเดือนให้เหลือเพียงไม่กี่ชั่วโมงหรือไม่กี่นาที ในการทดสอบเบื้องต้น Claude สามารถร่วมมือกับ MHS เพื่อดำเนินการทดลองตรวจจับโปรตีน ปรับการถ่ายภาพจุลทรรศน์แบบเรียลไทม์ จัดการข้อผิดพลาดจากฟองอากาศในของเหลว และเพิ่มอัตราความสำเร็จในการกู้คืนเลเซอร์ของคอมพิวเตอร์ควอนตัม QuEra จาก 58% เป็น 99.3% อย่างไรก็ตาม Anthropic ยอมรับว่า โมเดลภาษาไม่มีสัญชาตญาณทางกายภาพที่แท้จริง และยังคงต้องการการกำกับดูแลจากผู้เชี่ยวชาญเมื่อเผชิญกับปัญหาจริง เช่น ฟองอากาศ การชนกัน เส้นทางแสง และตัวอย่างชีวภาพ MHS ในขณะนี้เปิดให้เฉพาะห้องปฏิบัติการและบริษัทผลิตบางแห่งเท่านั้น และจะเปิดซอร์สโค้ดหลังจากเสร็จสิ้นการประเมินความปลอดภัยอย่างสมบูรณ์ ความสำคัญของ MHS ไม่ได้อยู่ที่แค่ “Claude สามารถควบคุมเครื่องจักร” แต่อยู่ที่ AI Agent กำลังก้าวจากแค่การอ่านซอฟต์แวร์และการเรียก API มาสู่การสังเกต การแทรกแซง และการทดลองซ้ำๆ ในโลกทางกายภาพ

ผู้เขียนบทความ แหล่งที่มา: Anthropic

Claude สามารถอ่านบทความวิจัย วิเคราะห์ข้อมูล สร้างสมมติฐานการวิจัย และเขียนโค้ดการทดลองได้ แต่เมื่อการวิจัยมาถึงขั้นตอน “การดำเนินการอุปกรณ์จริง” AI มักจะถูกกีดกันออกจากโลกแห่งความเป็นจริง

ปัญหาไม่ได้อยู่ที่ความสามารถของโมเดล แต่อยู่ที่อุปกรณ์ในห้องปฏิบัติการและโรงงานมีความแตกแยกอย่างรุนแรง กล้องอาจใช้ Python ตัวตรวจจับทำงานบน MATLAB อุปกรณ์ไฟฟ้าชีวภาพใช้ C# ส่วนหุ่นยนต์กลไก กล้องจุลทรรศน์ และ工作站ดูดของเหลวแต่ละตัวมีไดรเวอร์ รูปแบบข้อมูล และซอฟต์แวร์ควบคุมของตนเอง หลายอุปกรณ์ไม่รู้เลยว่าอุปกรณ์ข้างเคียงอยู่ในสถานะใดอยู่ตอนนี้

นักวิจัยมักต้องเขียนโปรแกรมเชื่อมต่อแยกสำหรับอุปกรณ์แต่ละคู่ หากต้องการให้กล้องตรวจจับตำแหน่งตัวอย่างแล้วแจ้งแขนกล หรือให้กล้องจุลทรรศน์ปรับพารามิเตอร์การสแกนอัตโนมัติตามภาพแบบเรียลไทม์ ยิ่งมีอุปกรณ์มากเท่าใด การบูรณาการแบบจุดต่อจุดที่ต้องดูแลรักษาก็ยิ่งซับซ้อนขึ้นเท่านั้น

Anthropic ระบุว่า ห้องปฏิบัติการหรือโรงงานผลิตในอดีตมักต้องใช้เวลาหลายสัปดาห์จนถึงหลายเดือนในการรวมฮาร์ดแวร์ชุดหนึ่ง MHS ต้องการลดเวลาส่วนนี้เหลือเพียงไม่กี่ชั่วโมงหรือไม่กี่นาที

มันไม่ได้แก้ปัญหาว่า “โมเดลจะทำอย่างไรให้ฉลาดขึ้น” แต่เป็นการสร้างภาษาทั่วไปที่โมเดลสามารถเข้าใจได้สำหรับอุปกรณ์ทั้งหมดก่อน

(มีแผนผังโครงสร้างก่อนและหลังการเชื่อมต่อ MHS แสดงการเปลี่ยนจากการเชื่อมต่อแบบจุดต่อจุดแบบกำหนดเองเป็นการสื่อสารผ่านอินเทอร์เฟซเดียว)

แกนหลักของ MHS คือไดรเวอร์มาตรฐาน มันทำหน้าที่เป็นชั้นแปลงภาษาระหว่างอินเทอร์เฟซของอุปกรณ์กับ AI Agent โดยแปลงเครื่องจักรที่ซับซ้อนให้กลายเป็นคำสั่งพื้นฐานทั่วไปจำนวนน้อย เช่น อ่านอุณหภูมิ เขียนอุณหภูมิ สอบถามสถานะ หรือดำเนินการใดๆ

อุปกรณ์ที่เชื่อมต่อกับ MHS จะสร้างไฟล์อ้างอิงมาตรฐานที่อธิบายว่าอุปกรณ์สามารถวัดอะไรบ้าง พารามิเตอร์ใดบ้างที่สามารถปรับได้ อุปกรณ์อาจอยู่ในสถานะใดบ้าง และต้องดำเนินการข้อจำกัดด้านความปลอดภัยใดบ้าง

รหัสบริสุทธิ์มักไม่สามารถแสดงคุณสมบัติจริงทั้งหมดของเครื่องจักรได้ ตัวอย่างเช่น ถ้าโมเดลเห็นเพียง API ควบคุมแขนกล มันอาจไม่รู้น้ำหนักของแขนกลเอง ช่วงการเคลื่อนที่ ความเฉื่อย หรือความเสี่ยงจากการชนกัน ในอดีต ข้อมูลเหล่านี้อาจกระจายอยู่ในคู่มือกระดาษ คอมพิวเตอร์ของวิศวกร หรือประสบการณ์ของผู้ปฏิบัติงาน

MHS อนุญาตให้ผู้ใช้เพิ่มข้อมูลเหล่านี้ด้วยป้ายกำกับภาษาธรรมชาติ ผู้ใช้สามารถกรอกข้อมูลโดยตรง หรือให้ Agent สอบถามข้อมูลอุปกรณ์ผ่านการสนทนา เพื่อสร้างเอกสารคำอธิบายโดยอัตโนมัติ

หลังจากเชื่อมต่อเสร็จสิ้น ตัวแทนสามารถควบคุมอุปกรณ์ผ่าน MCP คำสั่งบรรทัดหรือ API รหัสได้ มันสามารถอ่านข้อมูลแบบเรียลไทม์จากอุปกรณ์หลายตัว จัดลำดับการดำเนินการ ปรับพารามิเตอร์ตามผลการทดลอง; เมื่อต้องดำเนินการที่ต้องความเร็วสูงหรือใช้เวลานาน จะคอมไพล์ชุดคำสั่งขับเคลื่อนเป็นรหัสเพื่อให้อุปกรณ์ทำงานด้วยตนเอง โดยไม่ต้องให้โมเดลทำการวิเคราะห์ใหม่ก่อนการกระทำเล็กๆ แต่ละครั้ง

MHS ไม่ขึ้นกับโมเดลใดๆ และไม่ได้จำกัดให้ต้องใช้ Claude เท่านั้น โมเดลหรือเฟรมเวิร์ก Agent ใดๆ ก็สามารถเข้าถึงอุปกรณ์ผ่านมาตรฐานเช่น MCP ได้โดยหลักการ

Genentech ใช้ MHS ทดสอบขั้นตอนการตรวจวัดโปรตีน BCA การทดลองต้องประสานงานระหว่างเครื่องปิเปต หุ่นยนต์ และเครื่องอ่านค่าจุลภาค เพื่อวัดความเข้มข้นของโปรตีนผ่านการเปลี่ยนสีของตัวอย่าง

กระบวนการประเภทนี้ดูเหมือนจะเหมาะกับการอัตโนมัติ แต่ในทางปฏิบัติมักได้รับผลกระทบจากคุณสมบัติทางกายภาพของของเหลว เมื่อปิเปตเจอฟอง ตัวรับตรวจระดับของเหลวอาจแจ้งข้อผิดพลาด; ฟองอากาศยังสามารถรบกวนการอ่านค่าแบบออปติคัลสุดท้าย

ครั้งแรกที่คลอดพบข้อผิดพลาดในการทำงานที่เกิดจากฟองอากาศ ปฏิกิริยาตามสัญชาตญาณของเขาคือการปรับพารามิเตอร์แล้วลองอีกครั้งที่รูเดิม แต่กลับทำให้ของเหลวถูก搅动ต่อไปและสร้างฟองอากาศเพิ่มขึ้น

นักวิจัยต้องแจ้งให้ทราบว่า: นี่ไม่ใช่ข้อผิดพลาดของซอฟต์แวร์ที่แก้ไขได้ด้วยการรันซ้ำๆ แต่เป็นปัญหาทางฟิสิกส์ในของเหลวจริง วิธีที่ถูกต้องคือเปลี่ยนไปใช้ช่องที่สะอาด และลดจำนวนรอบการผสมให้น้อยลง เพื่อให้การดำเนินการอ่อนโยนยิ่งขึ้น

หลังจากได้รับคำอธิบาย Claude ได้รักษาบริบทนี้ไว้ในการทดลองครั้งต่อไป ทีมงานได้จัดระเบียบประสบการณ์นี้ให้เป็นทักษะการจัดการของเหลวที่สามารถใช้ซ้ำได้ ทำให้ Claude สามารถเลือกพารามิเตอร์เริ่มต้นที่เหมาะสมกว่าตามคุณสมบัติของของเหลวแต่ละชนิด ลดข้อผิดพลาดในการดูดของเหลว

กรณีนี้แสดงให้เห็นขอบเขตที่ชัดเจนที่สุดของ MHS ในปัจจุบัน ตัวแทนสามารถใช้ข้อมูลย้อนกลับจากเซนเซอร์ในการให้เหตุผล แต่แบบจำลองโลกที่มันเรียนรู้จากข้อความและภาพนั้น ไม่เท่ากับสัญชาตญาณทางกายภาพที่นักทดลองพัฒนาขึ้นผ่านการดำเนินการในระยะยาว

MHS เดิมถูกพัฒนาจากชุดอุปกรณ์ถ่ายภาพสมองที่ซับซ้อนของ HHMI Janelia

นักวิจัย Virginie Ruetten ใช้กล้องจุลทรรศน์สองโฟตอนเพื่อสังเกตกิจกรรมของเซลล์และอวัยวะทั้งหมดในปลาแซลมอนแดงขณะหลับ ชุดอุปกรณ์ทดลองทั้งหมดประกอบด้วยเลเซอร์ กระจกสะท้อน โต๊ะวางตัวอย่าง กล้อง และเซนเซอร์หลายชนิด ซึ่งเดิมต้องใช้ซอฟต์แวร์เจ็ดชุดจากผู้ผลิตต่างกันทำงานร่วมกัน

ระหว่างอุปกรณ์ต่างๆ ไม่มีอินเทอร์เฟซที่เป็นมาตรฐานเดียวกัน บางอุปกรณ์ใช้ภาษาโปรแกรมที่ต่างกัน โปรแกรมหนึ่งรู้ตำแหน่งของแท่นวาง แต่อีกโปรแกรมหนึ่งไม่สามารถอ่านข้อมูลได้โดยตรง นักวิจัยจึงต้องเขียนโค้ดเชื่อมต่อจำนวนมาก และบางครั้งต้องติดตั้งการ์ดรวบรวมข้อมูลเฉพาะทาง เพื่อให้อุปกรณ์สามารถส่งสัญญาณถึงกันได้

MHS วางสถานะ ตัวแปร คำสั่งควบคุม และค่าอ่านจากเซนเซอร์ของอุปกรณ์ทั้งหมดไว้ในพื้นที่สถานะร่วมที่เป็นมาตรฐาน แต่ละอุปกรณ์จำเป็นต้องได้รับการอธิบายและเชื่อมต่อเพียงครั้งเดียว โปรแกรมหรือเอเจนต์อื่นๆ จึงสามารถค้นพบและใช้งานได้โดยตรง

ก่อนการใช้งาน MHS การติดตั้งกล้องใหม่อาจใช้เวลาหลายวันในการบูรณาการ แต่หลังจากเชื่อมต่อกับ MHS นักวิจัยสามารถเพิ่มกล้องใหม่ที่ใช้สังเกตตำแหน่งเลเซอร์เข้าสู่ระบบได้ภายในไม่กี่นาที และส่งข้อมูลภาพกลับไปยังโปรแกรมควบคุมกระจกสะท้อน

Claude ยังสามารถสังเกตลำแสงผ่านกล้องถ่ายภาพ ปรับกระจกสะท้อน และตัดสินผลการเคลื่อนไหวจากภาพใหม่ สร้างวงจรปิดของ “การดำเนินการ—การสังเกต—การแก้ไข” ในระบบกล้องจุลทรรศน์อีกชุดหนึ่ง กระบวนการตรวจสอบเลเซอร์ เซนเซอร์ และเส้นทางแสง ซึ่งก่อนหน้านี้นักวิจัยต้องใช้เวลาครึ่งวัน ตอนนี้ถูกลดให้เหลือเพียงขั้นตอนอัตโนมัติเดียว

QuEra Computing ใช้อะตอมเชิงกลางในการสร้างคอมพิวเตอร์ควอนตัม ซึ่งต้องควบคุมอะตอมด้วยเลเซอร์อย่างแม่นยำสูงมาก ความคลาดเคลื่อนที่ยอมรับได้ของความถี่เลเซอร์อยู่ที่ประมาณหนึ่งล้านล้านส่วนหนึ่ง ซึ่งเทียบเท่ากับการวัดระยะทางจากโลกถึงดวงจันทร์โดยมีข้อผิดพลาดไม่เกินความกว้างของเส้นผม

การเปลี่ยนแปลงของอุณหภูมิ ความสั่นสะเทือน หรือความดันอากาศ อาจทำให้เลเซอร์สูญเสียการ “ล็อก” หากเกิดสถานการณ์นี้ขึ้นในระหว่างการคำนวณควอนตัมที่ใช้เวลานาน งานที่กำลังดำเนินการอยู่เป็นเวลาหลายชั่วโมงอาจล้มเหลวทันที กระบวนการกู้คืนแบบดั้งเดิมมักต้องการผู้ปฏิบัติงานที่มีประสบการณ์ เพื่อสังเกตอุปกรณ์หลายชิ้นพร้อมกันและปรับพารามิเตอร์ตามลำดับ ซึ่งใช้เวลาประมาณ 5 ถึง 10 นาที

ก่อนหน้านี้ QuEra ได้จัดทีมวิศวกรเลเซอร์ วิศวกรซอฟต์แวร์ ผู้เชี่ยวชาญด้านอัลกอริทึม และผู้ทดสอบ เพื่อเขียนสคริปต์การกู้คืนแบบคงที่เป็นเวลาหลายเดือน โดยดำเนินการปรับตัวควบคุมทีละขั้นตอนตามขั้นตอนด้วยมือ โดยมีอัตราความสำเร็จประมาณ 58% และใช้เวลาประมาณ 150 วินาทีต่อการลองแต่ละครั้ง

หลังจากเชื่อมต่อกับ MHS ตัวแทนไม่ได้แค่ทำซ้ำขั้นตอนคงที่อีกต่อไป แต่จะสร้างการรบกวนที่แตกต่างกันอย่างต่อเนื่อง สังเกตปฏิกิริยาของเลเซอร์ และค้นหาพารามิเตอร์การควบคุมใดบ้างที่จำเป็นต้องปรับ

หลังจากการทดลองตลอดคืน เวลาในการกู้คืนลดลงเหลือประมาณ 6 วินาที โดยอัตราความสำเร็จอยู่ที่ 96%; หลังจากปรับปรุงเพิ่มเติม Anthropic รายงานว่าอัตราความสำเร็จในการกู้คืนสุดท้ายอยู่ที่ 99.3%

ตัวแทนยังพบว่าเมื่อการเบี่ยงเบนความถี่เลเซอร์มีค่าน้อย ไม่จำเป็นต้องตรวจสอบรายการควบคุมทั้งหมด แค่ปรับพารามิเตอร์หนึ่งหรือสองรายการก็เพียงพอ ผู้ปฏิบัติงานมนุษย์มักจะยืนยันทีละขั้นตอนเพื่อความปลอดภัย แต่ตัวแทนสามารถระบุขั้นตอนที่สามารถข้ามได้ผ่านการทดลองซ้ำๆ จำนวนมาก

อย่างไรก็ตาม QuEra ย้ำว่า Agent ไม่ได้แทนที่ผู้เชี่ยวชาญอย่างสมบูรณ์ เมื่อเกิดข้อผิดพลาดทางฮาร์ดแวร์บริสุทธิ์ Claude มักไม่รู้วิธีจัดการ เพราะความเข้าใจของมันเกี่ยวกับอุปกรณ์ยังคงส่วนใหญ่มาจากการเชื่อมต่ออินเทอร์เฟซโปรแกรม นอกจากนี้ มันยังมักหยุดชะงักเพื่อรอการอนุญาตจากมนุษย์สำหรับการดำเนินการที่มีความเสี่ยงเล็กน้อย ทำให้การทดลองบางส่วนในเวลากลางคืนต้องเลื่อนไปถึงวันถัดไป

Tetsuwan Scientific ได้เชื่อมต่อ MHS กับแพลตฟอร์มการทดลองชีวภาพอัตโนมัติ ResearchOS เพื่อใช้ในการดำเนินการทดลอง qPCR วิเคราะห์สถานการณ์มลพิษในท้องถิ่น

qPCR ต้องใช้สารเรียกว่า "master mix" ซึ่งมีลักษณะเหนียวคล้ายน้ำยาล้างจาน ของเหลวนี้มักเกิดฟองขณะใช้พิพ็ตต์ ทำให้ปริมาณที่ดูดออกไม่แม่นยำและลดคุณภาพของการทดลอง

ในการทดลองครั้งหนึ่ง กล้องถ่ายภาพระบุฟองอากาศในหลอดทดลองที่หุ่นยนต์ถืออยู่ หุ่นยนต์ไม่สามารถจัดการปัญหานี้ได้ด้วยตัวเอง แต่ ResearchOS สามารถค้นหาอุปกรณ์อื่นๆ ที่เชื่อมต่อกับ MHS ในห้องปฏิบัติการ จากนั้น Claude แนะนำผ่าน Slack ให้กับนักวิจัยว่า ให้หุ่นยนต์ส่งหลอดทดลองเข้าไปในเครื่องเหวี่ยงเหยียดและหมุนด้วยความเร็วต่ำเป็นระยะเวลาสั้นๆ เพื่อให้ของเหลวและฟองอากาศรวมตัวกันอีกครั้งที่ด้านล่าง

การจัดการข้ามอุปกรณ์เหล่านี้เป็นสถานการณ์ที่กระบวนการอัตโนมัติแบบดั้งเดิมยากจะครอบคลุม ผู้ออกแบบโปรแกรมไม่จำเป็นต้องเขียนเส้นทางการกู้คืนที่สมบูรณ์สำหรับข้อผิดพลาดแต่ละประเภทล่วงหน้า; Agent สามารถสังเกตข้อผิดพลาดแล้วแก้ไขปัญหาโดยใช้การจัดรวมอุปกรณ์ที่มีอยู่ในขณะนั้น

ทีมงานยังให้ Claude ปรับปรุงคอมไพเลอร์ที่แปลโปรโตคอลการทดลองขั้นสูงเป็นคำสั่งการดำเนินการฮาร์ดแวร์ การทดลองครอบคลุมการแยกของเหลวอย่างอิสระ 9,143 ครั้ง คอมโบการถ่ายโอนที่แตกต่างกัน 300 แบบ สภาพการวัด 1,508 แบบ และของเหลวสี่ประเภท

ในการทดสอบที่ไม่ได้เข้าร่วมการปรับปรุง โมเดลที่ Claude และ MHS ร่วมกันพัฒนา สามารถทำนายความแม่นยำของการแบ่งของเหลวหลายครั้งได้แม่นยำกว่าข้อมูลเฉพาะทางของผู้ผลิตอุปกรณ์ประมาณ 12% และชนะในการทดสอบ 31 จาก 45 รอบ; ในชุดข้อมูลที่มีจำนวนการทำซ้ำมากที่สุด ระดับการปรับปรุงอยู่ที่ประมาณ 17% ผลลัพธ์เหล่านี้มาจากทดลองของพันธมิตรโครงการ และยังไม่สามารถถือเป็นข้อสรุปทั่วไปที่ได้รับการยืนยันอย่างอิสระระหว่างห้องปฏิบัติการ

Anthropic ไม่ได้อธิบาย MHS ว่าเป็นระบบห้องปฏิบัติการโดยไม่มีมนุษย์ที่สมบูรณ์แล้ว

Claude สามารถอ่านสถานะ วิเคราะห์ภาพ และใช้อุปกรณ์ได้ แต่ความรู้ของมันเกี่ยวกับโลกแห่งความเป็นจริงส่วนใหญ่มาจากการข้อความและภาพถ่าย ปัญหาต่างๆ เช่น แรงเสียดทาน ฟองอากาศ น้ำหนัก ความหนืดของของเหลว ช่องว่างทางกล และการเลื่อนของเส้นทางแสง มักจะปรากฏขึ้นเฉพาะเมื่อทำการดำเนินการจริง

หากอุปกรณ์ไม่มีอินเทอร์เฟซที่สามารถโปรแกรมได้ MHS ปัจจุบันก็ไม่สามารถเชื่อมต่อโดยตรงได้; Anthropic กำลังร่วมมือกับผู้ผลิตเพื่อเพิ่มไดรเวอร์สำหรับอุปกรณ์เหล่านี้

ความปลอดภัยทางกายภาพซับซ้อนกว่าสิทธิ์ทางซอฟต์แวร์มากกว่า การที่เอเจนต์ดิจิทัลดำเนินคำสั่งผิดพลาด มักสามารถยกเลิกไฟล์หรือกู้คืนระบบได้; แต่เมื่อควบคุมหุ่นยนต์กลไก เลเซอร์ สารเคมี และตัวอย่างชีวภาพ การกระทำผิดพลาดอาจก่อให้เกิดความเสียหายต่ออุปกรณ์ ตัวอย่างเสียหาย หรือแม้แต่ความเสี่ยงต่อชีวิตมนุษย์

ดังนั้น ภารกิจสำคัญในระยะการทดลองล่วงหน้าจึงไม่ใช่การขยายจำนวนอุปกรณ์ แต่เป็นการสร้างการประเมินความปลอดภัยใหม่: การดำเนินการใดบ้างที่ต้องได้รับการอนุมัติจากมนุษย์ อุปกรณ์ควรหยุดทำงานอัตโนมัติภายใต้เงื่อนไขใด โมเดลสามารถระบุความผิดปกติของเซนเซอร์ได้หรือไม่ และจะรับประกันได้อย่างไรว่าข้อจำกัดที่ระดับไดรเวอร์ฮาร์ดแวร์จะไม่ถูก Agent หลีกเลี่ยง

Anthropic ระบุว่ากำลังพัฒนา “เส้นทางความปลอดภัยทางกายภาพ” และมีแผนเปิดเผยผลการวิจัยเบื้องต้นและคู่มือการปรับใช้อย่างปลอดภัยพร้อมกับการเปิดแหล่งที่มาอย่างเป็นทางการของ MHS

MHS ได้รับการสนับสนุนเบื้องต้นจากบริษัทอุปกรณ์และแพลตฟอร์มหลายแห่ง AWS มีแผนจะให้การเข้าถึงผ่าน Strands Robots; Doosan Robotics และ Universal Robots กำลังทดสอบการรองรับหุ่นยนต์แขน; Tecan, QIAGEN และ Automata ให้ความสนใจกับการอัตโนมัติในห้องปฏิบัติการ; Hugging Face มีแผนจะเพิ่ม MHS ลงในห้องสมุดหุ่นยนต์ LeRobot และ Raspberry Pi กำลังทดสอบการรวมเข้ากับผลิตภัณฑ์บางอย่างและไดรเวอร์กล้อง

หาก MHS สร้างระบบนิเวศขึ้นมา มันอาจเชื่อมต่อ Agent กับอุปกรณ์จริงในลักษณะเดียวกับที่ MCP เชื่อมต่อแบบจำลองและเครื่องมือซอฟต์แวร์เข้าด้วยกัน ห้องปฏิบัติการจะไม่ต้องสร้างอินเทอร์เฟซซ้ำซ้อนสำหรับแต่ละแบบจำลอง อุปกรณ์แต่ละชิ้น และซอฟต์แวร์แต่ละชุด และผู้ผลิตอุปกรณ์ก็สามารถจัดเตรียมคำอธิบายความสามารถมาตรฐานที่ Agent สามารถค้นพบได้โดยตรง

แต่ MHS ต้องเผชิญกับความยากลำบากที่สูงกว่าอย่างชัดเจน แม้ว่าการป้อนข้อมูลและเอาต์พุตของเครื่องมือซอฟต์แวร์มักสามารถกำหนดได้อย่างแม่นยำ แต่อุปกรณ์ทางกายภาพอาจสึกหรอ เลื่อนตำแหน่ง อุดตัน สร้างสัญญาณรบกวน และได้รับผลกระทบจากการเปลี่ยนแปลงของสภาพแวดล้อม อุปกรณ์สองชิ้นที่มีรุ่นเดียวกันอาจแสดงพฤติกรรมไม่เหมือนกันเนื่องจากสถานะการปรับเทียบและวิธีการติดตั้งที่แตกต่างกัน

ดังนั้น สิ่งที่ MHS ต้องการตรึงให้เป็นมาตรฐานไม่ใช่แค่คำสั่ง แต่รวมถึงสถานะของเครื่อง ข้อจำกัดทางกายภาพ ขอบเขตความปลอดภัย และความรู้เกี่ยวกับการกู้คืนเมื่อเกิดข้อผิดพลาด