Anthropics Model Hardware Standard: så kan AI-agenter styra fysisk utrustning

Anthropic tar sikte på steget från AI som arbetar i datorprogram till AI som kan interagera med den fysiska världen. Företagets Model Hardware Standard (MHS) är en föreslagen gemensam mjukvaruspecifikation som ska koppla AI-agenter till programmerbar utrustning i laboratorier och avancerad tillverkning. Den presenterades som en forskningsförhandsversion den 27 augusti 2026. 11

MHS är alltså inte en ny robot eller en ny AI-modell. Snarare fungerar idén som ett gemensamt rörsystem mellan agenten och maskinerna. Om standarden fungerar som tänkt ska en agent kunna hitta ansluten utrustning, förstå dess funktioner, läsa av maskinstatus och samordna flera instrument utan att varje kombination kräver en helt egen specialintegration.

Vad ska MHS kunna göra?

Standarden riktar sig bland annat till mikroskop, vätskehanterare, robotarmar och annan utrustning som kan styras genom programmerbara gränssnitt. Anthropic beskriver arbetsflöden som sträcker sig från läkemedelsupptäckt till laserkalibrering i en kvantdator. Flera instrument ska kunna köras parallellt. 111

I praktiken är tanken att en MHS-ansluten AI-agent ska kunna:

• upptäcka vilka instrument som finns tillgängliga och vad de klarar av;
• läsa av status, mätvärden och experimentresultat;
• planera och sekvensera åtgärder över flera maskiner;
• ändra parametrar när nya resultat kommer in; och
• hantera vissa fel eller förändrade förhållanden.

Detta beskriver den tänkta användningsmodellen, inte ett löfte om att en AI-agent säkert kan sköta vilken maskin som helst utan mänsklig kontroll. Hur självständig agenten kan vara beror på utrustningen, mjukvaruadaptern, säkerhetsbarriärerna och lokala regler för den aktuella anläggningen.

Kopplingen till MCP

Anthropic beskriver MHS som en fysisk motsvarighet till företagets Model Context Protocol (MCP). MCP, som lanserades 2024, ger AI-system ett standardiserat sätt att få tillgång till externa verktyg och informationskällor. MHS försöker tillämpa samma tanke på fysiska apparater och de data de producerar. 412

Skillnaden är viktig: MHS är inte ett allmänt AI-system, en robot eller en ersättare för ett befintligt system för laboratoriestyrning. Det är ett gränssnitt och en specifikation som ska göra hårdvara lättare för AI-agenter att förstå och använda.

Den stora utlovade vinsten: mindre integrationsarbete

Laboratorier och fabriker använder ofta utrustning från många olika leverantörer. Maskinerna kan ha olika API:er, dataformat, styrprinciper och säkerhetsbegränsningar. Därför behöver specialister ofta bygga anpassade kopplingar innan flera delar av ett automatiserat arbetsflöde kan fungera tillsammans. 110

Anthropic säger att MHS på sikt skulle kunna minska integrationstiden från veckor eller månader till timmar eller minuter. 514 Det bör dock läsas som ett uttalat mål och ett tidigt påstående – inte som ett bevisat resultat som gäller för alla maskiner och installationer.

Det finns i huvudsak två tänkta vägar in i systemet. Tillverkare kan bygga in MHS-stöd i nya produkter, medan operatörer kan använda en mjukvarudrivrutin eller adapter för viss befintlig, programmerbar utrustning. Det tillgängliga underlaget visar däremot inte att alla äldre maskiner kan byggas om eller att samtliga funktioner kan göras åtkomliga via standarden.

Vilka utvecklar och testar MHS?

MHS började som ett samarbete mellan Anthropic och Howard Hughes Medical Institutes forskningscampus Janelia. 411 Anthropic delar nu en tidig version med partner inom vetenskaplig forskning, robotik, elektronik och avancerad tillverkning. Syftet är att testa standarden och utveckla säkerhetsutvärderingar innan en bredare lansering. 12

Genentech och QuEra Computing har pekats ut som tidiga användare eller testare. Genentech testade MHS i ett arbetsflöde för laboratorieautomation, medan QuEra använde tekniken kring delar av ett lasersystem kopplat till neutralatom-baserad kvantdatorforskning. 6

Andra rapporter nämner bland annat Carnegie Mellon University, Universal Robots, AWS, Doosan Robotics, Danaher och Hugging Face i en bredare grupp med tidig åtkomst. Eftersom detta fortfarande är ett tidigt förhandsprogram och listorna varierar mellan rapporter bör namnen ses som rapporterade deltagare – inte som bevis på ett färdigutvecklat ekosystem. 23

Kan standarden minska inlåsningen till en leverantör?

Ett gemensamt gränssnitt skulle kunna göra det enklare för samma AI-agent att arbeta med utrustning från flera leverantörer. Det kan i sin tur minska beroendet av proprietära API:er och göra det lättare att byta ut eller kombinera maskiner.

Men kompatibilitet uppstår inte automatiskt bara för att en specifikation finns. Leverantörerna måste faktiskt ansluta sig till MHS, erbjuda fungerande drivrutiner och exponera de kontroller som behövs. Operatörer kan dessutom fortfarande vara beroende av proprietär hårdvara eller mjukvara även om en MHS-adapter finns.

Säkerheten är den obesvarade huvudfrågan

Anthropic distribuerar den tidiga MHS-versionen till partner bland annat för att ta fram säkerhetstester och praktiska riktlinjer för AI-system som styr fysisk utrustning. Företaget har sagt att standarden ska släppas som öppen källkod efter förhands- och utvärderingsfasen. 12

Förhandsstatusen spelar stor roll. Ett gemensamt gränssnitt kan göra en maskin enklare att styra, men det gör inte styrningen säker av sig själv. Verkliga installationer behöver fortfarande maskinspecifika driftsgränser, autentisering och åtkomstkontroll, övervakning, validering, nödstopp, loggning och lämplig mänsklig tillsyn.

Det finns ännu inget slutligt datum för en öppen källkodsversion, inget färdigt säkerhetsmått och ingen definitiv styrmodell i det tillgängliga materialet. Påståenden om drift dygnet runt bör därför ses som ett möjligt användningsfall – inte som ett tecken på att MHS-system är redo för obevakad drift i riskfyllda miljöer.

Ett första steg mot fysisk AI

MHS markerar Anthropics ambition att gå från agenter som främst hanterar programvara till system som kan samverka med laboratorieapparater, robotar och tillverkningsmaskiner. 12 Initiativet är samtidigt en del av en bredare utveckling där språkmodeller kopplas samman med sensorer, automation och robotik.

Den strategiska möjligheten är att forskare och industriföretag ska kunna beskriva ett mål på en högre nivå, medan agenten samordnar den underliggande utrustningen. Det avgörande testet blir dock inte om en agent kan skicka kommandon genom ett gemensamt protokoll, utan om den kan göra det på ett tillförlitligt, granskningsbart och säkert sätt i verkliga miljöer.

För tillfället är den mest rättvisa beskrivningen att MHS är tidig infrastruktur för fysisk AI. Den kan potentiellt minska integrationsarbetet, men nyttan är fortfarande beroende av kompatibel hårdvara, leverantörernas stöd, rigorösa tester och säkerhetskontroller som människor utformar och ansvarar för.