Anthropic открывает превью стандарта MHS: ИИ-агенты учатся безопасно управлять физическими устройствами
Anthropic открыла исследовательское превью Model Hardware Standard (MHS) — общей спецификации, которая позволяет ИИ-агентам обнаруживать физические устройства и управлять ими. Проблема, на решение которой направлен стандарт, — техническая «сантехника». Лабораторный стенд или производственная ячейка собираются из оборудования разных вендоров, которые никогда не планировали совместную работу: каждый прибор поставляется со своим интерфейсом, и специалистам приходится вручную писать индивидуальные «переводчики» между каждой парой устройств. По словам команды Anthropic, настройка обычно занимает от недель до месяцев, а MHS сокращает её до часов или даже минут.
«Налог на интеграцию»
Каждый прибор поставляется со своим программным интерфейсом, поэтому специалисты вручную пишут уникальные преобразователи между каждой парой устройств. Даже после того как оборудование соединено, не существует общего способа передать состояние устройства агенту или безопасно управлять им. По оценке Anthropic, настройка обычно занимает от недель до месяцев; MHS сокращает её до часов или минут.
Как это работает
MHS стандартизирует драйвер — слой между операционной системой и устройством. Он предоставляет небольшой набор примитивов: чтение (получить температуру), запись (задать температуру), плюс обнаружение, благодаря которому устройства и агенты находят друг друга в сети без посредника-переводчика.
Стандарт также несёт знания, которые не закодировать одним кодом, — например, вес манипулятора робота. Теги драйвера позволяют пользователю описать это на естественном языке или поручить агенту расспросить владельца об установке. Драйвер компилирует теги в референсный файл: что устройство измеряет, что можно регулировать, какие пределы безопасности соблюдаются.
Управление осуществляется через три механизма: Model Context Protocol, интерфейс командной строки и файлы кода. MHS не привязан к конкретной модели — любая агентная платформа может обратиться к нему через стандартные протоколы.
Что показали партнёры
Компания Genentech автоматизировала BCA-тест на белок, объединив дозатор жидкостей, роботизированную руку и ридер планшетов. Claude выполнял пробные переносы окрашенной жидкости, считывал оптическую плотность, сравнивал себя с результатами эксперта по RMSE и сошёлся на скорости примерно 140 мкл/с для воды (RMSE 0,016) и 10 мкл/с для вязкого BSA (RMSE 0,181) — параметры, которые специалисты по автоматизации компании подтвердили как разумные.
Самый впечатляющий результат — у QuEra Computing. Индивидуальный скрипт перезахвата лазера, создававшийся месяцами командой из четырёх человек, срабатывал примерно в 58% случаев и тратил около 150 секунд на попытку. Когда ту же задачу отдали агентному циклу через MHS, он проработал ночь без участия человека и выдал детерминированный Python-скрипт, который восстанавливал захват 695 раз из 700 — 99,3%, причём самые сложные случаи решались за 10–14 секунд против 5–10 минут у человека. Claude также снизил остаточную ошибку сервопривода с 15,7 мВ у специалиста до 1,55 мВ; за 19-часовой прогон его настройка ни разу не теряла захват, тогда как экспертная настройка срывалась примерно 1,6 раза в час.
В Университете Карнеги-Меллона эксперименты по определению зависимости «доза–ответ» пошли примерно в три раза быстрее: агент координировал дозатор, ридер планшетов, роботизированную руку и камеры на трёх компьютерах с несовместимыми интерфейсами — один из них вообще не имел программного интерфейса. Путь от написания драйверов до готовой кривой, включая автономный повторный прогон после того, как агент забраковал аппроксимацию с R² меньше 0,9, занял около восьми часов против нескольких недель у типовой настройки вендора. Шесть искусственно созданных нештатных ситуаций были заблокированы до того, как какое-либо устройство сдвинулось с места.
В Университете Вашингтона аспирант из лабораторий Бейкера и Пинглэя подключил шесть приборов менее чем за неделю, включая написание драйверов. Компания Tetsuwan Scientific объединила MHS со своей платформой ResearchOS для профилирования загрязнений в qPCR. В исследовательском кампусе Janelia одна микроскопная установка перешла от семи программ, запускавшихся в фиксированном порядке, к одному клику на приборной панели.
Ключевые выводы
- Общая спецификация драйверов, позволяющая ИИ-агентам обнаруживать и эксплуатировать любое устройство с программируемым интерфейсом.
- Интеграция сокращается с недель до часов: в Карнеги-Меллоне готовую кривую «доза–ответ» получили за восемь часов.
- Перезахват лазера QuEra: с 58% за ~150 секунд до 99,3% за 700 испытаний в виде детерминированного скрипта.
- Не привязан к модели и совместим с MCP; ограничения безопасности зашиты в драйвер, а не в промпт.
- Доступ пока ограничен и требует контроля — физические рассуждения Claude имеют реальные пробелы.
