Anthropics nya standard kopplar AI-agenter till fysisk utrustning

Anthropics Model Hardware Standard, MHS, är en gemensam specifikation för hur AI-agenter kan ansluta till och styra programmerbar fysisk utrustning. Standarden har utvecklats tillsammans med HHMI Janelia Research Campus och testas i första hand i vetenskapliga laboratorier och avancerad tillverkning. Där kan en agent behöva samordna exempelvis mikroskop, vätskehanterare, robotarmar och lasrar. 1

MHS är varken en ny robot eller en färdig kommersiell automationsprodukt. Tanken är i stället att skapa ett gemensamt kompatibilitetslager. En agent ska kunna upptäcka vad en maskin gör, förstå dess reglage och begränsningar samt samordna arbetsflöden mellan flera olika enheter.

Så fungerar MHS

Kärnan är en standardiserad drivrutin för varje enhet. I stället för att utvecklare bygger en separat integration för varje kombination av AI-system och instrument kan drivrutinen exponera gemensamma kontrollfunktioner, exempelvis read och write.

En ansluten enhet kan dessutom beskrivas med naturligt språk. Beskrivningen redogör för enhetens funktioner, vilka värden som kan mätas, vilka parametrar som kan ändras, aktuellt tillstånd och säkerhetsbegränsningar. 1

AI-agenter kan kommunicera med utrustningen via Model Context Protocol, MCP, kommandoradsverktyg eller kod-API:er. Det ger en mer enhetlig metod för att undersöka instrument, planera körningar, övervaka resultat och hantera fel. Arbetsflöden som fungerar kan sedan omvandlas till deterministiska skript för upprepade eller långvariga körningar. 1

MHS är också tänkt att vara modelloberoende. Det innebär att standarden inte är låst till Claude, utan i princip kan användas av olika agentsystem som stöder det aktuella gränssnittet. 1

Därför jämför Anthropic MHS med USB-C

Laboratorieinstrument och industrimaskiner kommer ofta från olika leverantörer och använder programvarugränssnitt som inte fungerar tillsammans. Att koppla ihop flera enheter kan därför kräva omfattande specialutveckling innan ett automatiserat arbetsflöde ens kan starta.

Anthropic beskriver MHS som ett gemensamt lager mellan utrustningen och AI-agenten – ungefär som en gemensam fysisk standard gör att olika produkter kan anslutas utan en unik kontakt för varje apparat. 1

I tidiga integrationer uppger Anthropic och samarbetspartner att arbete som tidigare tog veckor kunde genomföras på timmar och i vissa fall minuter. Det är dock ett resultat från ett tidigt forskningsförsök och ett mål för standarden, inte en garanti för att alla instrument eller anläggningar kan anslutas lika snabbt. 12

Vad visade de första testerna?

Genentech: användbar automation – men bristande fysisk förståelse

På Genentech användes MHS i ett proof of concept för en BCA-proteinanalys, ett arbetsflöde där flera laboratorieenheter måste samordnas. Agenten kunde styra ett arbetsflöde med en vätskehanterare och göra nya försök utifrån resultaten. 1

Testet visade samtidigt en viktig begränsning. Claude förvärrade först problem med bubblor eftersom modellen inte förstod den fysiska orsaken. Forskarna behövde tillföra den relevanta domänkunskapen innan systemet kunde börja arbeta i rätt riktning.

Exemplet visar skillnaden mellan att kunna styra en maskin och att förstå den vetenskapliga eller fysiska process som pågår i den. 1

Carnegie Mellon: snabbare utveckling av drivrutiner

Carnegie Mellon University uppgav att de kunde skapa en MHS-drivrutin på ungefär åtta timmar och genomföra experiment omkring tre gånger snabbare. Resultatet illustrerar värdet av att återanvända ett gemensamt abstraktionslager i stället för att utveckla en helt ny integration för varje instrument. 1

QuEra: 695 lyckade återställningar av 700

QuEra använde Claude via MHS på en särskild testbädd för lasrar. Målet var att ta fram ett skript som kunde återställa en kvantdators laserfrekvenslåsning efter avsiktligt framkallade störningar.

Den resulterande styrenheten återställde måltillståndet i 695 av 700 försök över sju typer av störningar, vilket motsvarar en rapporterad träffsäkerhet på 99,3 procent. 1

Resultatet är lovande, men måste ses i sitt sammanhang. Det genomfördes på en kontrollerad testbädd och gällde en specifik återställningsuppgift. Det visar inte att AI-agenter är redo att utan begränsningar styra all kritisk kvant- eller industriutrustning. MHS gjorde utrustningen tillgänglig för agenten, men det slutliga resultatet byggde på testning och validering av en konventionell styrenhet. 1

Vilka deltar i forskningsförsöket?

Anthropic uppger att det begränsade forskningsförsöket omfattar organisationer inom vetenskaplig forskning, robotik, elektronik och avancerad tillverkning. Bland de namngivna deltagarna finns Genentech, Carnegie Mellon University, QuEra, Hugging Faces LeRobot-projekt och Raspberry Pi. 1

Försöket ska också hjälpa Anthropic och samarbetspartnerna att utveckla säkerhetsutvärderingar och praktiska arbetssätt. Anthropic har sagt att MHS ska släppas som öppen källkod efter det här arbetet, tillsammans med tydligare riktlinjer för när riskfyllda åtgärder måste hänvisas till en människa för godkännande. 12

Vad löser MHS – och vad löser standarden inte?

MHS standardiserar hur en AI-agent får tillgång till hårdvara. Den garanterar inte att agenten:

• förstår relevant fysik, kemi eller biologi,
• väljer en vetenskapligt hållbar metod,
• upptäcker varje farligt eller avvikande tillstånd, eller
• kan använda enheten säkert utan övervakning.

Bubbelproblemet hos Genentech är ett konkret exempel på glappet mellan maskinstyrning och verklig förståelse. En agent kan läsa mätvärden och ändra inställningar, men ändå missa den orsakssamband som en erfaren forskare tar för givet. 1

En praktisk användning skulle därför fortfarande kräva säkerhetsgränser på enhetsnivå, tester i flera steg, övervakning, loggning, reservrutiner och uttryckligt mänskligt godkännande för åtgärder med stora konsekvenser. Att Anthropic använder forskningsförsöket för att utveckla säkerhetsutvärderingar och rutiner för mänskligt godkännande visar också att MHS fortfarande prövas – det är inte ett färdigt kommersiellt system. 12

Ett tidigt steg mot fysisk AI

MHS är Anthropics försök att flytta AI-agenter bortom rena programvaruverktyg och in i miljöer där deras beslut får fysiska följder. Om metoden utvecklas vidare kan ett gemensamt gränssnitt göra det enklare att ansluta agenter till vetenskapliga instrument och industrimaskiner, samordna arbetsflöden och omvandla lyckade experiment till repeterbar automation.

Den mest försiktiga slutsatsen är samtidigt den mest hållbara: MHS verkar minska friktionen i integrationslagret och har gett lovande tidiga resultat, bland annat testet hos QuEra. Standarden ersätter däremot inte ingenjörsarbete, ämneskunskap, validering eller mänskligt omdöme.

Forskningsförsöket bör därför ses som ett tidigt bevis på att interoperabilitet mellan AI och fysisk utrustning är möjlig – inte som en universell standard för självständigt fysiskt arbete. 12