Anthropic открыла исследовательский препрев Model Hardware Standard (MHS) — общей спецификации, которая позволяет ИИ-агентам безопасно управлять физическими устройствами. Доступ получила первая группа научных лабораторий и производителей высокотехнологичного оборудования. MHS позволяет ИИ-агентам параллельно управлять несколькими лабораторными и промышленными приборами — микроскопами, дозаторами жидкостей, роботизированными манипуляторами — и выполнять сложные задачи: от рутинных экспериментов по поиску лекарств до калибровки лазеров в квантовых компьютерах. Разработка стандарта началась как совместный проект Anthropic и HHMI Janelia Research Campus.

Обычно настройка и интеграция оборудования в лаборатории или на производстве занимает недели, а то и месяцы. Большинство устройств не умеют «общаться» друг с другом — для этого специалистам приходится создавать индивидуальные интеграции под каждый случай. MHS сокращает эту работу до часов или минут. Встраивание ИИ в эти инструменты также помогает исследователям и инженерам организовывать автономные эксперименты и рабочие процессы, которые могут выполняться круглосуточно: агент способен рассуждать на каждом шаге эксперимента, обновлять параметры в реальном времени и в некоторых случаях самостоятельно восстанавливаться после аппаратных сбоев.

Ранняя версия MHS передана партнёрам из сфер науки, робототехники, электроники и производства — совместно с ними планируется разработать оценки безопасности и лучшие практики для работы ИИ-систем с физическим оборудованием, прежде чем стандарт станет открытым. MHS работает с любым устройством, у которого есть программируемый интерфейс. Стандарт не привязан к конкретной модели — любой агентский фреймворк может использовать его через стандартные протоколы, включая Model Context Protocol. Подать заявку на участие в препреве можно здесь.

Как работает MHS

Заставить несколько устройств в лаборатории или на производственном участке общаться друг с другом — задача непростая сама по себе, даже без учёта дополнительной сложности интеграции ИИ. У каждого устройства обычно свой программный интерфейс, и до сих пор не существовало стандартизированного способа их объединить. А когда устройства всё же удаётся соединить, у них нет общего способа передавать данные ИИ-агенту или позволять ему безопасно ими управлять.

MHS решает эти проблемы за счёт стандартизированного драйвера — программного обеспечения, которое переводит команды между операционной системой компьютера и аппаратным устройством. Драйвер MHS использует простой набор примитивов — команды вроде «read» (например, «получить температуру») или «write» (например, «задать температуру»), — которые способно понять и выполнить любое устройство. Кроме того, каждое устройство становится обнаруживаемым в стандартном формате, поэтому устройства и агенты могут находить друг друга и обмениваться данными по сети без отдельной программы-«переводчика».

Драйвер MHS также помогает ИИ-агенту разобраться, как использовать устройство, которое он видит впервые, предоставляя информацию о характеристиках машины, которые не всегда можно определить только по коду (например, вес роботизированного манипулятора — важный параметр для безопасного управления им). До сих пор подобная информация чаще всего хранилась в бумажных инструкциях, на компьютере пользователя или существовала как неявное знание специалиста. Драйвер MHS содержит теги, позволяющие записать эту информацию прямо на естественном языке — пользователь может сделать это сам либо в диалоге с агентом, который задаёт вопросы об оборудовании. На основе этих тегов драйвер автоматически формирует справочный файл с общими характеристиками устройства: что оно может измерять, что можно регулировать и какие ограничения безопасности будут соблюдаться. Этот файл даёт агенту всю необходимую информацию для управления устройством.

После подключения устройств и получения агентом сведений о каждом из них требуется способ управления оборудованием. В MHS предусмотрено три таких механизма: MCP, интерфейс командной строки и файлы кода (API). Вместе они позволяют оркестрировать работу нескольких устройств одной строкой кода.

Получив контроль над устройствами, агент может получать от них рабочие данные и управлять процессом на высоком уровне — выстраивать последовательность операций между приборами, следить за результатами и корректировать параметры по мере изменения условий в реальном времени. Когда требуется выполнить длительную задачу или управлять устройствами быстрее, чем позволяет пошаговое рассуждение «на лету», агент может собрать команды драйвера одного или нескольких устройств в файл кода. Это позволяет устройствам выполнять операции самостоятельно, без необходимости агенту рассуждать на каждом шаге.

В ходе тестирования MHS выяснилось, что Claude взаимодействует с экспериментами и оборудованием исследовательским способом, во многом похожим на поведение учёного. Например, наблюдалось, как Claude вносит корректировку в настройку лазера, оценивает результат через камеру, чтобы понять, как изменилось положение луча, и повторяет процесс, пытаясь понять последовательность событий. Затем Claude оформил полученные знания в виде файла кода — написал детерминированный скрипт, который позволяет выравнивать лазер без пошагового рассуждения, так что весь процесс запускается одной командой.

Первые примеры использования MHS

Пока рано делать выводы о полном потенциале сочетания передовых моделей и MHS, но стандарт рассчитан на применение исследователями, инженерами и другими специалистами для ускорения процессов открытий и экспериментов в любой области, где используются устройства с программируемым интерфейсом.

В процессе разработки MHS стандарт передавался нескольким лабораториям и производителям оборудования в биотехнологиях, робототехнике, квантовых вычислениях и других сферах. В этих ранних проектах MHS сокращал время интеграции устройств, ускорял итерации в различных экспериментальных условиях и помогал с управлением оборудованием в реальном времени и обнаружением неисправностей. Партнёры поделились деталями некоторых из первых проектов с использованием MHS.

Genentech: внедрение MHS для автоматизации лаборатории

Исследователи Genentech внедрили и протестировали MHS в качестве proof-of-concept для автоматизации BCA-анализа белка — стандартной процедуры измерения общей концентрации белка в образце, требующей координации между дозатором жидкостей, роботизированным манипулятором и планшетным ридером.

University of Washington Baker и Pinglay labs: ИИ-агенты в лаборатории

Зихао Сун, аспирант в лабораториях Baker и Pinglay Университета Вашингтона, использовал MHS для создания панели удалённого мониторинга приборов; qPCR-процедуры (метод копирования целевой последовательности ДНК с помощью повторяющихся циклов нагрева и охлаждения) под наблюдением ИИ-агента, который отслеживает кривые амплификации и останавливает процесс в нужный момент; а также интеграции между роботизированным манипулятором и дозатором жидкостей для передачи планшетов без столкновений.

Carnegie Mellon University: построение кривых доза-эффект с ускоренной автоматизацией

Исследователи Carnegie Mellon University с помощью MHS проводили эксперименты по построению кривых доза-эффект методом серийных разведений примерно втрое быстрее, чем раньше, — ИИ-агент координировал работу дозатора жидкостей, планшетного ридера, роботизированного манипулятора и камер наблюдения, распределённых между тремя компьютерами с принципиально несовместимыми интерфейсами.

HHMI Janelia: ускорение микроскопических исследований с помощью MHS

В HHMI Janelia Research Campus MHS используется для ускорения ряда проектов, связанных с микроскопией. Вирджини Руэттен, учёная из лаборатории Ahrens, изучающая, как сон помогает организму восстанавливаться после стресса, рассказала, как с помощью MHS объединила и оркестрировала установку, ранее работавшую на семи разных программах от разных производителей без общего интерфейса.

QuEra Computing: MHS в стабилизации квантовых лазеров

QuEra — компания, создающая квантовые компьютеры на основе нейтральных атомов, — использовала MHS, чтобы дать ИИ-агенту контроль над частью лазерной системы внутри своих квантовых машин. Разработанный агентом контроллер восстанавливает «захват» лазера — сверхточную частоту, которую лазеры должны удерживать для взаимодействия с атомами, — в 99,3% случаев без вмешательства человека.

Tetsuwan Scientific: использование MHS для qPCR-анализа загрязнения местности

Исследователи Tetsuwan интегрировали MHS со своей платформой для автоматизации биологических лабораторий ResearchOS. MHS помог организовать qPCR-процесс в рамках гражданского научного проекта по оценке загрязнения ручья Сан-Педро в Калифорнии.

Производители оборудования и компании, поддерживающие их программное обеспечение, также встраивают поддержку MHS в свою продукцию, чтобы ИИ-агентам было проще обнаруживать и управлять устройствами. Среди примеров:

  • Amazon Web Services поддержит MHS через Strands Robots — библиотеку для подключения ИИ-агентов к физическим устройствам. AWS предоставит участникам приватную предрелизную версию пакета Strands Robots на время исследовательского препрева MHS.
  • Automata добавляет поддержку MHS в LINQ, свою платформу автоматизации лабораторий, для интеллектуальной обработки ошибок оборудования в автономных лабораториях.
  • Danaher совместно с Anthropic изучают, как поддержка MHS может помочь масштабировать биомедицинские исследования и разработки с помощью умных приборов и автономных лабораторий компании.
  • Doosan Robotics тестирует MHS на своих роботизированных манипуляторах, в том числе для автоматизированного контроля качества и координации задач между несколькими роботами.
  • MBF Bioscience разрабатывает драйвер MHS для ScanImage — программного обеспечения, управляющего лазерными сканирующими микроскопами в сотнях нейробиологических лабораторий по всему миру, — для интеграции ИИ-агентов в анализ данных и эксперименты в реальном времени.
  • QIAGEN экспериментирует с MHS на рабочем proof-of-concept для своей платформы очистки нуклеиновых кислот QIAsymphony Connect, демонстрируя, как ИИ-агенты могут помочь лабораториям быстрее устранять неполадки оборудования, направлять операторов при восстановлении и повышать время безотказной работы приборов, снижая риски для биологических образцов.
  • Tecan добавляет поддержку MHS для своих платформ дозирования жидкостей Fluent, чтобы ИИ-агенты могли обнаруживать их и напрямую управлять ими.
  • Universal Robots получила ранний доступ к MHS и планирует добавить поддержку стандарта в свою робототехническую платформу.

Участие в исследовательском препреве

Ранние результаты партнёров обнадёживают, но перед публикацией стандарта как открытого предстоит ещё немало работы. Как большая языковая модель, Claude узнаёт о физическом мире через текст и изображения, а значит, его пространственное и физическое мышление имеет ограничения, требующие экспертного контроля. Например, при работе с образцами белков исследователям Genentech пришлось объяснять Claude, что ошибки, вызванные образованием пены в пробах, — это физические сбои, а не программные, и устранить их можно только соответствующими физическими действиями.

MHS пока не работает с оборудованием, у которого нет программного интерфейса, поэтому Anthropic сотрудничает с производителями такой техники над созданием драйверов MHS. Многие разработчики уже используют Claude Code для работы с отдельными единицами оборудования; на следующем этапе развития MHS стандарт планируется расширить, чтобы охватить больше устройств, с которыми работают разработчики. Среди ранних участников — Hugging Face, добавляющая поддержку MHS в LeRobot, свою робототехническую библиотеку, и Raspberry Pi, которая внедряет интеграцию с MHS в ряд своих продуктов после успешных тестов драйвера Camera MHS Driver.

Исследовательский препрев также будет использован для разработки дополнительных оценок безопасности совместно с партнёрами запуска и усиления защиты применения ИИ в физическом мире. Разрабатывается дорожная карта по физической безопасности для укрепления политики защиты и контроля соблюдения правил против риска неправомерного использования. При публикации открытой версии MHS будут выпущены выводы, полученные в ходе исследовательского препрева, как часть руководства по безопасному развёртыванию стандарта.

Заинтересованные стороны из разных отраслей могут присоединиться к списку ожидания на участие в исследовательском препреве MHS — заявку можно подать здесь.

Благодарности

MHS начался как совместный проект Алека Кемени из команды Beneficial Deployments Anthropic и Арко Баста, постдока в HHMI Janelia Research Campus. Баст проводил сложные эксперименты по визуализации мозга на установке, объединявшей лазеры, моторизованные фокусировщики и специализированные камеры от разных производителей без общего интерфейса. Чтобы ускорить свои эксперименты, он разработал общий словарь в разделяемой памяти, позволяющий приборам обмениваться данными на скорости памяти. Кемени и Баст вместе работали над интеграцией ИИ-моделей в этот интерфейс.

Работу над проектом поддержали многие, включая (но не ограничиваясь) Аарона Босвелла, Бена Артура, Боаза Мохара, Гагана Бхата, Марка Киттисопикула, Надин Ясер, Ника Перселла, Такаши Кавасе и Вирджини Руэттен. Дальнейшее развитие MHS планируется вместе с индустриальными партнёрами и, в скором времени, с открытым сообществом разработчиков.