MHS của Anthropic cho phép các tác nhân AI kiểm soát thiết bị phòng thí nghiệm và lượng tử

Anthropic đã công bố bản xem trước nghiên cứu về Tiêu chuẩn Phần cứng Mô hình (MHS), nhằm thiết lập một giao diện chung tương tự MCP giữa các AI Agent và thiết bị thực tế. Các thiết bị như kính hiển vi, trạm pipet, tay máy, camera, laser và cảm biến chỉ cần kết nối một lần, sau đó có thể được các mô hình khác nhau phát hiện và điều khiển thông qua trạng thái, lệnh thao tác và giới hạn an toàn thống nhất, giúp rút ngắn thời gian tích hợp tùy chỉnh trước đây mất vài tuần甚至 vài tháng xuống còn vài giờ hoặc vài phút. Trong các bài kiểm tra ban đầu, Claude đã phối hợp thực hiện thí nghiệm phát hiện protein, điều chỉnh hình ảnh hiển vi theo thời gian thực, xử lý sự cố bọt khí lỏng và nâng tỷ lệ thành công khôi phục laser của máy tính lượng tử QuEra từ 58% lên 99,3%. Tuy nhiên, Anthropic đồng thời thừa nhận rằng các mô hình ngôn ngữ thiếu trực giác vật lý thực sự và vẫn cần sự giám sát của chuyên gia khi đối mặt với các vấn đề thực tế như bọt khí, va chạm, quang lộ và mẫu sinh học. Hiện tại, MHS chỉ được mở rộng cho một số phòng thí nghiệm và doanh nghiệp sản xuất, và sẽ được mở nguồn sau khi các đánh giá an toàn được hoàn thiện. Tầm quan trọng của nó không chỉ nằm ở việc “Claude có thể vận hành máy móc”, mà còn ở việc AI Agent đang tiến từ việc đọc phần mềm, gọi API sang khả năng quan sát, can thiệp và thử nghiệm lặp lại trong thế giới vật lý.

Tác giả bài viết, nguồn: Anthropic

Claude đã có thể đọc các bài báo nghiên cứu, phân tích dữ liệu, đưa ra giả thuyết nghiên cứu và viết mã thí nghiệm, nhưng khi nghiên cứu đến bước “thực sự vận hành thiết bị”, AI thường bị cản trở ngoài thế giới thực.

Vấn đề không hoàn toàn nằm ở khả năng của mô hình, mà nằm ở việc thiết bị trong phòng thí nghiệm và nhà máy cực kỳ phân mảnh. Camera có thể sử dụng Python, bộ phát hiện chạy trên MATLAB, thiết bị điện sinh lý sử dụng C#, còn tay máy, kính hiển vi và trạm hút dịch lại mỗi cái có trình điều khiển, định dạng dữ liệu và phần mềm điều khiển riêng. Nhiều thiết bị hoàn toàn không biết thiết bị kế bên hiện đang ở trạng thái nào.

Nếu các nhà nghiên cứu muốn cho camera thông báo vị trí mẫu đến tay máy hoặc cho kính hiển vi tự động thay đổi thông số quét dựa trên hình ảnh thời gian thực, họ thường cần viết riêng một chương trình kết nối cho từng cặp thiết bị. Càng nhiều thiết bị, càng phức tạp trong việc duy trì các tích hợp điểm-điểm.

Anthropic cho biết, trước đây các phòng thí nghiệm hoặc cơ sở sản xuất thường cần vài tuần đến vài tháng để tích hợp một bộ phần cứng. MHS mong muốn rút ngắn phần công việc này xuống còn vài giờ hoặc vài phút.

Nó không giải quyết vấn đề “mô hình làm thế nào để trở nên thông minh hơn”, mà trước tiên tạo ra một ngôn ngữ chung mà tất cả các thiết bị có thể sử dụng và mô hình có thể hiểu được.

(Hình minh họa kiến trúc trước và sau khi tích hợp MHS, thể hiện việc chuyển đổi từ kết nối tùy chỉnh điểm-điểm giữa nhiều thiết bị sang giao tiếp thông qua giao diện thống nhất.)

MHS cốt lõi là một trình điều khiển chuẩn hóa. Nó đóng vai trò lớp dịch thuật giữa giao diện thiết bị và AI Agent, chuyển đổi các máy móc phức tạp thành một số ít nguyên lý chung, chẳng hạn như đọc nhiệt độ, ghi nhiệt độ, truy vấn trạng thái hoặc thực hiện một thao tác nào đó.

Thiết bị kết nối với MHS sẽ tạo ra một tài liệu tham chiếu chuẩn hóa, nêu rõ nó có thể đo những gì, các thông số nào có thể điều chỉnh, thiết bị có thể ở những trạng thái nào, và phải thực hiện những hạn chế an toàn nào.

Mã thuần túy thường không thể biểu đạt đầy đủ các thuộc tính thực tế của máy móc. Ví dụ, nếu mô hình chỉ nhìn thấy API điều khiển cánh tay cơ khí, nó có thể không biết được trọng lượng thực tế của cánh tay cơ khí, phạm vi di chuyển, quán tính hoặc rủi ro va chạm. Trước đây, những thông tin này có thể rải rác trong hướng dẫn in trên giấy, máy tính của kỹ sư hoặc kinh nghiệm của người vận hành.

MHS cho phép người dùng bổ sung những kiến thức này bằng các nhãn ngôn ngữ tự nhiên. Người dùng có thể điền trực tiếp hoặc để Agent hỏi thông tin thiết bị qua hội thoại, sau đó tự động tạo tệp mô tả.

Sau khi kết nối hoàn tất, Agent có thể điều khiển thiết bị thông qua MCP, dòng lệnh hoặc API mã nguồn. Nó có thể đọc dữ liệu thời gian thực từ nhiều thiết bị, sắp xếp thứ tự thao tác và điều chỉnh thông số dựa trên kết quả thí nghiệm; khi cần thực hiện các thao tác tốc độ cao hoặc kéo dài, nó sẽ biên dịch một chuỗi lệnh điều khiển thành mã để thiết bị tự vận hành, không cần mô hình phải suy luận lại trước mỗi hành động nhỏ.

MHS không phụ thuộc vào mô hình và không giới hạn việc sử dụng Claude. Về nguyên tắc, bất kỳ mô hình hoặc khung Agent nào cũng có thể truy cập thiết bị thông qua các giao thức tiêu chuẩn như MCP.

Genentech đã sử dụng MHS để kiểm tra quy trình kiểm tra protein BCA. Thí nghiệm yêu cầu phối hợp trạm pipet, tay máy và máy đọc enzyme để đo nồng độ protein thông qua sự thay đổi màu sắc của mẫu.

Các quy trình này nghe có vẻ phù hợp để tự động hóa, nhưng trong thực tế lại dễ bị ảnh hưởng bởi các tính chất vật lý của chất lỏng. Khi pipette gặp bọt, cảm biến mực chất lỏng có thể báo lỗi; bọt khí cũng sẽ gây nhiễu cho kết quả đọc quang học cuối cùng.

Lần đầu tiên Claude gặp lỗi chạy do bọt khí gây ra, phản xạ tự nhiên là điều chỉnh thông số và thử lại ở cùng một vị trí lỗ. Kết quả là càng khuấy động chất lỏng, tạo ra thêm nhiều bọt khí hơn.

Các nhà nghiên cứu phải thông báo rằng: đây không phải là lỗi phần mềm có thể giải quyết bằng cách chạy lặp lại, mà là vấn đề vật lý trong chất lỏng thực tế. Cách đúng đắn là chuyển sang vị trí lỗ sạch và giảm số lần trộn để thao tác nhẹ nhàng hơn.

Sau khi nhận được giải thích, Claude đã duy trì ngữ cảnh này trong các thí nghiệm tiếp theo. Nhóm đã tổng hợp kinh nghiệm thành các kỹ năng xử lý chất lỏng có thể tái sử dụng, giúp Claude lựa chọn các tham số mặc định hợp lý hơn dựa trên đặc tính của từng chất lỏng, từ đó giảm thiểu lỗi pipet.

Vụ việc này làm rõ ranh giới rõ ràng nhất hiện tại của MHS. Agent có thể suy luận dựa trên phản hồi từ cảm biến, nhưng mô hình thế giới mà nó học được từ văn bản và hình ảnh không tương đương với trực giác vật lý mà các nhà thí nghiệm hình thành qua hoạt động lâu dài.

MHS ban đầu xuất phát từ một bộ thiết bị hình ảnh não phức tạp tại HHMI Janelia.

Nhà nghiên cứu Virginie Ruetten sử dụng kính hiển vi hai photon để quan sát hoạt động của toàn bộ tế bào và cơ quan trong cơ thể cá zebra sống trong quá trình ngủ. Toàn bộ thiết bị thí nghiệm bao gồm laser, gương, bàn đặt mẫu, camera và nhiều cảm biến khác, trước đây cần bảy phần mềm từ các nhà sản xuất khác nhau phối hợp vận hành.

Giữa các thiết bị thiếu giao diện thống nhất, thậm chí còn sử dụng các ngôn ngữ lập trình khác nhau. Một chương trình biết vị trí của bàn tải, trong khi chương trình khác không thể đọc trực tiếp; các nhà nghiên cứu buộc phải viết rất nhiều mã cầu nối, đôi khi còn phải thêm thẻ thu thập dữ liệu chuyên dụng để các thiết bị có thể truyền tín hiệu.

MHS đặt tất cả trạng thái, biến, lệnh điều khiển và dữ liệu cảm biến của thiết bị vào một không gian trạng thái chia sẻ chuẩn hóa. Mỗi thiết bị chỉ cần được mô tả và kết nối một lần, sau đó các chương trình hoặc Agent khác có thể phát hiện và sử dụng trực tiếp.

Trước khi triển khai MHS, việc thêm một camera mới có thể mất vài ngày để tích hợp; sau khi kết nối với MHS, các nhà nghiên cứu chỉ mất vài phút để thêm camera mới dùng để quan sát vị trí tia laser vào hệ thống và gửi dữ liệu hình ảnh về chương trình điều khiển gương phản xạ.

Claude còn có thể quan sát tia sáng qua camera, điều chỉnh gương phản xạ, sau đó dựa vào hình ảnh mới để đánh giá kết quả di chuyển, tạo thành vòng lặp “hành động—quan sát—hiệu chỉnh”. Trong một hệ thống kính hiển vi khác, quy trình kiểm tra laser, cảm biến và quang lộ trước đây mất nửa ngày để các nhà nghiên cứu thực hiện nay đã được rút gọn thành một bước tự động hóa.

QuEra Computing xây dựng máy tính lượng tử bằng nguyên tử trung tính, cần kiểm soát chính xác các nguyên tử bằng tia laser. Sai số cho phép của tần số laser chỉ khoảng một phần nghìn tỷ, tương đương với việc đo khoảng cách từ Trái Đất đến Mặt Trăng mà sai số không được vượt quá độ rộng của một sợi tóc.

Các thay đổi về nhiệt độ, rung động hoặc áp suất đều có thể khiến laser mất “khóa”. Nếu điều này xảy ra trong quá trình tính toán lượng tử kéo dài, các tác vụ đã chạy hàng giờ có thể thất bại ngay lập tức. Quy trình phục hồi truyền thống thường yêu cầu nhân viên vận hành có kinh nghiệm quan sát đồng thời nhiều thiết bị và điều chỉnh các tham số theo trình tự, mất khoảng 5 đến 10 phút.

Trước đây, QuEra đã tập hợp các kỹ sư laser, kỹ sư phần mềm, chuyên gia thuật toán và nhân viên kiểm thử để viết một bộ script khôi phục cố định trong vài tháng. Nó điều chỉnh từng bước bộ điều khiển theo quy trình thủ công, với tỷ lệ thành công khoảng 58% và mỗi lần thử mất khoảng 150 giây.

Sau khi tích hợp MHS, Agent không còn chỉ lặp lại các quy trình cố định, mà còn liên tục tạo ra các nhiễu khác nhau, quan sát phản ứng của tia laser và xác định những tham số điều khiển nào thực sự cần được điều chỉnh.

Sau một đêm thí nghiệm, thời gian phục hồi giảm xuống khoảng 6 giây với tỷ lệ thành công đạt 96%; sau khi tối ưu hóa thêm, Anthropic báo cáo tỷ lệ thành công phục hồi cuối cùng đạt 99,3%.

Agent cũng phát hiện rằng khi độ lệch tần số laser nhỏ, không cần kiểm tra tất cả các thông số điều khiển, chỉ cần điều chỉnh một hoặc hai tham số. Nhân viên vận hành con người thường vẫn xác nhận từng mục để đảm bảo an toàn; trong khi đó, Agent đã xác định được các bước có thể bỏ qua thông qua nhiều thí nghiệm lặp lại.

Tuy nhiên, QuEra nhấn mạnh rằng Agent không hoàn toàn thay thế các chuyên gia. Khi gặp sự cố phần cứng thuần túy, Claude thường không biết cách xử lý vì hiểu biết của nó về thiết bị chủ yếu đến từ giao diện chương trình. Đối với các thao tác có chút rủi ro, nó thường dừng lại để chờ sự cho phép của con người, dẫn đến một số thí nghiệm ban đêm bị hoãn đến ngày hôm sau.

Tetsuwan Scientific tích hợp MHS vào nền tảng thí nghiệm sinh học tự động hóa ResearchOS để thực hiện các thí nghiệm qPCR phân tích tình trạng ô nhiễm địa phương.

qPCR cần sử dụng một loại hóa chất "master mix" đặc, giống như dung dịch xà phòng. Chất lỏng này dễ tạo bọt khi hút, gây ra sai lệch về thể tích hút và làm giảm chất lượng thí nghiệm.

Trong một thí nghiệm, camera phát hiện bọt khí trong ống nghiệm được kẹp bởi tay máy. Tay máy không thể tự xử lý vấn đề này, nhưng ResearchOS có thể tìm kiếm các thiết bị khác được kết nối với MHS trong phòng thí nghiệm. Claude sau đó đề xuất qua Slack với các nhà nghiên cứu: cho tay máy đưa ống nghiệm vào máy ly tâm, quay với tốc độ thấp trong thời gian ngắn để tái tụ hợp chất lỏng và bọt khí xuống đáy.

Các tình huống xử lý xuyên thiết bị này là những cảnh huống mà các quy trình tự động hóa cố định truyền thống khó có thể bao quát. Người thiết kế chương trình không cần phải预先 viết sẵn toàn bộ đường dẫn phục hồi cho từng loại lỗi; Agent có thể quan sát lỗi và sau đó giải quyết dựa trên tổ hợp thiết bị hiện có.

Đội ngũ này còn nhờ Claude tối ưu trình biên dịch chuyển đổi các giao thức thí nghiệm nâng cao thành các lệnh vận hành phần cứng. Thí nghiệm bao gồm 9.143 lần chia dịch riêng lẻ, 300 tổ hợp chuyển dịch khác nhau, 1.508 điều kiện đo lường và bốn loại chất lỏng.

Trong các bài kiểm tra không tham gia tối ưu hóa, mô hình được cải tiến bởi Claude và MHS dự đoán độ chính xác của việc chia dịch nhiều lần chính xác hơn khoảng 12% so với thông số kỹ thuật do nhà sản xuất thiết bị cung cấp, giành chiến thắng trong 31 trên 45 vòng kiểm tra; trên dữ liệu có số lần lặp lại nhiều nhất, mức cải thiện khoảng 17%. Những kết quả này đến từ các thí nghiệm do đối tác dự án thực hiện và chưa thể được coi là kết luận phổ quát đã được xác minh độc lập giữa các phòng thí nghiệm.

Anthropic không mô tả MHS như một hệ thống phòng thí nghiệm không người lái đã trưởng thành.

Claude có thể đọc trạng thái, phân tích hình ảnh và sử dụng thiết bị, nhưng kiến thức của nó về thế giới thực chủ yếu đến từ văn bản và hình ảnh. Các vấn đề như ma sát, bọt, trọng lượng, độ nhớt của chất lỏng, khe hở cơ khí và trôi drift quang học thường chỉ được phơi bày khi thực hiện thao tác thực tế.

Nếu thiết bị không có bất kỳ giao diện lập trình nào, MHS hiện cũng không thể kết nối trực tiếp; Anthropic đang hợp tác với các nhà sản xuất để thêm trình điều khiển cho các thiết bị này.

An toàn vật lý cũng phức tạp hơn so với quyền hạn phần mềm. Khi Agent kỹ thuật số thực hiện lệnh sai, thường có thể hoàn tác tệp hoặc khôi phục hệ thống; nhưng khi điều khiển tay máy, laser, hóa chất và mẫu sinh học, hành động sai có thể gây hư hỏng thiết bị, làm hỏng mẫu hoặc thậm chí đe dọa đến tính mạng con người.

Do đó, nhiệm vụ quan trọng trong giai đoạn xem trước nghiên cứu không phải là mở rộng số lượng thiết bị, mà là xây dựng các đánh giá bảo mật mới: những thao tác nào phải được con người phê duyệt, thiết bị nên tự động dừng trong điều kiện nào, mô hình có thể nhận diện bất thường cảm biến không, và làm thế nào để đảm bảo các giới hạn ở lớp trình điều khiển phần cứng không thể bị Agent bỏ qua.

Anthropic cho biết đang xây dựng "đường đi an toàn vật lý" và dự định công bố các phát hiện từ bản xem trước nghiên cứu cùng hướng dẫn triển khai an toàn khi chính thức mở nguồn MHS.

MHS đã nhận được sự hỗ trợ ban đầu từ nhiều công ty thiết bị và nền tảng. AWS dự kiến cung cấp khả năng truy cập thông qua Strands Robots; Doosan Robotics và Universal Robots đang thử nghiệm hỗ trợ tay máy; Tecan, QIAGEN và Automata tập trung vào tự động hóa phòng thí nghiệm; Hugging Face lên kế hoạch tích hợp MHS vào thư viện robot LeRobot, và Raspberry Pi cũng đang thử nghiệm tích hợp trong một số sản phẩm và trình điều khiển camera.

Nếu MHS tạo thành một hệ sinh thái, nó có thể thống nhất cách kết nối Agent với thiết bị thực tế, tương tự như cách MCP kết nối mô hình và công cụ phần mềm. Các phòng thí nghiệm sẽ không còn cần phải xây dựng lại giao diện cho từng mô hình, từng thiết bị và từng bộ phần mềm, đồng thời các nhà sản xuất thiết bị cũng có thể cung cấp trực tiếp các mô tả năng lực chuẩn có thể được Agent phát hiện.

Tuy nhiên, MHS đối mặt với độ khó rõ ràng cao hơn. Đầu vào và đầu ra của các công cụ phần mềm thường có thể được xác định chính xác, trong khi thiết bị vật lý lại có thể hao mòn, trôi, tắc nghẽn, tạo ra nhiễu và chịu ảnh hưởng bởi sự thay đổi môi trường. Hai thiết bị cùng mô hình cũng có thể hoạt động không nhất quán do trạng hiệu chuẩn và cách lắp đặt khác nhau.

Do đó, điều mà MHS thực sự cần chuẩn hóa không chỉ là các lệnh, mà còn là trạng thái máy, các ràng buộc thực tế, ranh giới an toàn và kiến thức phục hồi sự cố.