MHS của Anthropic muốn trở thành “USB-C” cho thiết bị do AI điều khiển

Anthropic đang thử nghiệm một lớp giao tiếp có thể giúp AI agent điều khiển nhiều loại máy móc thực tế — từ kính hiển vi, thiết bị xử lý chất lỏng đến cánh tay robot và hệ thống laser. Có tên Model Hardware Standard (MHS), tiêu chuẩn này được phát triển cùng HHMI Janelia Research Campus và hiện hướng đến các phòng thí nghiệm khoa học cùng cơ sở sản xuất tiên tiến. 1

MHS không phải robot mới, cũng chưa phải một sản phẩm tự động hóa thương mại hoàn thiện. Về bản chất, đây là một đặc tả chung giúp AI agent:

• phát hiện thiết bị đang được kết nối;
• hiểu thiết bị có thể làm gì và đang ở trạng thái nào;
• nhận biết các thông số có thể điều chỉnh, đại lượng có thể đo và giới hạn an toàn;
• phối hợp quy trình trên nhiều máy móc khác nhau.

MHS hoạt động như thế nào?

Thành phần cốt lõi của MHS là driver thiết bị chuẩn hóa. Thay vì phải xây dựng một kết nối riêng cho từng cặp AI và máy móc, driver cung cấp các thao tác cơ bản như read và write.

Mỗi thiết bị cũng có thể cung cấp bản mô tả tham chiếu bằng ngôn ngữ tự nhiên, trong đó nêu rõ khả năng, dữ liệu có thể đo, tham số có thể thay đổi, trạng thái hiện tại và các ràng buộc an toàn. Nhờ đó, agent có thể “khám phá” thiết bị mà không cần kỹ sư viết lại toàn bộ logic tích hợp từ đầu. 1

Agent có thể tương tác với thiết bị thông qua Model Context Protocol (MCP), công cụ dòng lệnh hoặc API mã nguồn. Một giao diện thống nhất như vậy cho phép agent kiểm tra máy móc, sắp xếp chuỗi thao tác giữa nhiều thiết bị, theo dõi kết quả và phản ứng khi xảy ra lỗi. Những quy trình đã được kiểm chứng có thể tiếp tục chuyển thành script xác định để chạy lặp lại hoặc vận hành trong thời gian dài. 1

MHS cũng được thiết kế theo hướng không phụ thuộc một mô hình cụ thể. Nói cách khác, đây là giao diện cho phần cứng chứ không phải tính năng chỉ dành riêng cho Claude; về nguyên tắc, các hệ thống agent khác có thể sử dụng cùng lớp trừu tượng nếu hỗ trợ giao diện tương ứng. 1

Vì sao MHS được ví như USB-C?

Thiết bị phòng thí nghiệm và máy móc công nghiệp thường đến từ nhiều nhà cung cấp, với các API và giao diện phần mềm không tương thích. Việc kết nối nhiều thiết bị để chạy một quy trình tự động vì thế có thể mất nhiều tuần, thậm chí cần một dự án kỹ thuật riêng.

Anthropic muốn MHS đóng vai trò tương tự USB-C: một lớp chuẩn chung giúp giảm nhu cầu sử dụng một đầu nối hoặc cách tích hợp riêng cho từng thiết bị. Trong các thử nghiệm ban đầu, các đối tác cho biết thời gian tích hợp từng mất hàng tuần đã giảm xuống còn vài giờ, một số trường hợp là vài phút. Tuy nhiên, đây mới là kết quả của giai đoạn xem trước và mục tiêu của tiêu chuẩn, không phải cam kết áp dụng được cho mọi thiết bị hay cơ sở. 12

Các thử nghiệm ban đầu cho thấy điều gì?

Genentech: AI có thể điều khiển thiết bị, nhưng chưa chắc hiểu quy trình

Tại Genentech, các nhà nghiên cứu dùng MHS để thử nghiệm tự động hóa phép định lượng protein BCA — một quy trình cần phối hợp nhiều thiết bị phòng thí nghiệm. Agent có thể vận hành quy trình xử lý chất lỏng và lặp lại các thao tác để điều chỉnh quá trình. 1

Nhưng thử nghiệm cũng phơi bày một giới hạn quan trọng. Claude ban đầu khiến lỗi liên quan đến bong bóng trở nên nghiêm trọng hơn vì không hiểu nguyên nhân vật lý phía sau hiện tượng này. Các nhà nghiên cứu phải cung cấp kiến thức chuyên môn để hệ thống đi đúng hướng.

Ví dụ này cho thấy việc chuẩn hóa giao diện chỉ giúp AI tiếp cận máy móc dễ hơn; nó không tự động mang lại khả năng hiểu sâu về vật lý, hóa học hoặc sinh học của quy trình. 1

Carnegie Mellon: viết driver trong khoảng 8 giờ

Carnegie Mellon University cho biết nhóm nghiên cứu đã tạo một driver MHS trong khoảng 8 giờ và tiến hành thí nghiệm nhanh hơn khoảng 3 lần. Kết quả này minh họa lợi ích tiềm năng của việc tái sử dụng một lớp điều khiển thiết bị chung, thay vì xây dựng tích hợp hoàn toàn riêng cho từng loại máy. 1

QuEra: khôi phục khóa tần số laser trong 695/700 lần thử

QuEra sử dụng Claude thông qua MHS trên một bệ thử laser riêng để phát triển script khôi phục trạng thái khóa tần số của laser trên máy tính lượng tử sau các nhiễu loạn được tạo ra có chủ đích.

Bộ điều khiển thu được đã khôi phục trạng thái mục tiêu trong 695 trên 700 lần thử, trải qua 7 loại nhiễu loạn — tương đương tỷ lệ thành công được báo cáo là 99,3%. 1

Đây là kết quả đáng chú ý, nhưng phạm vi của nó cần được nhìn nhận đúng: thử nghiệm diễn ra trên một bệ thử được kiểm soát và chỉ tập trung vào một nhiệm vụ khôi phục cụ thể. Con số này chưa chứng minh rằng AI agent đã sẵn sàng tự do điều khiển mọi thiết bị lượng tử hoặc máy móc công nghiệp quan trọng.

Trong trường hợp QuEra, MHS giúp đưa thiết bị vào phạm vi tương tác của agent; kết quả cuối cùng vẫn phụ thuộc vào việc thử nghiệm và xác thực một bộ điều khiển thông thường. 1

Những tổ chức nào tham gia bản xem trước?

Anthropic cho biết bản xem trước nghiên cứu giới hạn có sự tham gia của các tổ chức trong nghiên cứu khoa học, robot, điện tử và sản xuất tiên tiến. Những cái tên được nêu gồm Genentech, Carnegie Mellon University, QuEra, dự án LeRobot của Hugging Face và Raspberry Pi, cùng một số đối tác khác. 1

Anthropic cũng muốn dùng giai đoạn này để xây dựng các phương pháp đánh giá an toàn và quy trình vận hành. Công ty cho biết dự định phát hành MHS dưới dạng mã nguồn mở sau khi hoàn tất công việc trong bản xem trước, đồng thời phát triển chính sách xác định khi nào một hành động rủi ro cao phải được chuyển cho con người phê duyệt. 12

MHS giải quyết được gì — và chưa giải quyết được gì?

MHS chuẩn hóa cách AI tiếp cận phần cứng. Nó không tự bảo đảm rằng agent có thể:

• hiểu đúng các nguyên lý vật lý, hóa học hoặc sinh học liên quan;
• lựa chọn quy trình khoa học phù hợp;
• nhận biết mọi trạng thái nguy hiểm hoặc bất thường;
• vận hành thiết bị an toàn mà không cần giám sát.

Sự cố bong bóng tại Genentech là minh họa trực tiếp cho khoảng cách giữa “điều khiển được máy” và “hiểu được quá trình thực tế đang diễn ra bên trong”. Một agent có thể đọc số đo, thay đổi cài đặt và tiếp tục tối ưu, nhưng vẫn bỏ qua nguyên nhân mà một chuyên gia coi là hiển nhiên. 1

Vì vậy, các triển khai thực tế vẫn cần giới hạn an toàn ở cấp thiết bị, thử nghiệm theo từng giai đoạn, giám sát liên tục, nhật ký kiểm toán, quy trình dự phòng và cơ chế con người phê duyệt những hành động có hậu quả đáng kể. Việc Anthropic dùng bản xem trước để phát triển đánh giá an toàn và quy tắc phê duyệt của con người cũng cho thấy MHS vẫn đang được kiểm chứng, chưa được xem là một hệ thống thương mại hoàn thiện. 12

Ý nghĩa rộng hơn của MHS

MHS là nỗ lực của Anthropic nhằm đưa AI agent ra khỏi phạm vi công cụ phần mềm, tiến vào những môi trường nơi mỗi hành động đều có hậu quả vật lý. Nếu tiếp tục phát triển, một giao diện chung có thể giúp kết nối agent với thiết bị khoa học và máy móc công nghiệp dễ hơn, phối hợp quy trình đa thiết bị và biến các thí nghiệm thành hệ thống tự động hóa có thể lặp lại.

Tuy nhiên, kết luận thận trọng nhất ở thời điểm hiện tại là: MHS dường như đang giảm ma sát ở tầng tích hợp phần cứng và đã cho thấy một số màn trình diễn ban đầu đầy hứa hẹn, trong đó có kết quả 695/700 lần của QuEra. Tiêu chuẩn này chưa loại bỏ nhu cầu về kỹ thuật, kiến thức chuyên môn, kiểm định an toàn hay phán đoán của con người.

MHS nên được xem là một bằng chứng sớm về khả năng tương tác giữa AI và thiết bị vật lý — chưa phải chuẩn phổ quát cho công việc tự động hoàn toàn trong thế giới thực. 12