- augusztus 27-én elindult a Model Hardware Standard (MHS) kutatási előnézete: egy olyan, hardverfüggetlen specifikáció, amely lehetővé teszi, hogy AI‑ügynökök programozható eszközöket fedjenek le, felügyeljenek és működtessenek laboratóriumokban és gyártásban. A kezdeményezés Anthropic és a HHMI Janelia Research Campus együttműködéséből nőtt ki.
MHS célja, hogy egységes interfészt adjon például mikroszkópokhoz, folyadékmozgatókhoz és robotkarokhoz, így egy ügynök képes legyen több eszközt párhuzamosan koordinálni, reagálni a mérésekre, és bizonyos hibákat beavatkozás nélkül helyreállítani. A standard modell‑agnosztikus: bármely ügynök‑ház (agent harness) hozzáférhet a meghatározott protokollokon keresztül, például a Model Context Protocolon. A kutatási előnézethez tudományos laborok és fejlett gyártók jelentkezhetnek.
MHS működési elve
A MHS bevezet egy egységesített illesztőprogramot (driver), amely egyszerű primitíveken – például "read" (olvasás, pl. hőmérséklet lekérdezése) és "write" (írás, pl. hőmérséklet beállítása) – keresztül fordítja le a számítógép parancsait a hardverre. Az eszközöket felfedezhetővé és szabványos formátumban leírhatóvá teszi, így nincs szükség minden esetre egyedi „fordító” szoftverre.
A driver kiterjeszti a hardver leírását olyan metaadatokkal (pl. robotkar tömege, mérési képességek, állítható paraméterek, biztonsági korlátok), amelyeket korábban papíron, felhasználói jegyzetekben vagy implicit tudásként tároltak. Ezekből a tagekből automatikusan generál egy referenciafájlt, ami megadja az ügynöknek a biztonságos és működőképes vezérléshez szükséges információkat.
Az agent‑hardver vezérlésére három mechanizmus áll rendelkezésre: MCP (Model Context Protocol), parancssori interfész és kódfájlok (API‑szerűen). Ezek együttesen lehetővé teszik, hogy egyetlen kódsorral több eszközt is összehangoljanak.
Az ügynök ezután magas szinten felügyeli a folyamatokat: sorba rendezi a lépéseket, figyeli a mérési eredményeket és valós időben módosít paramétereket. Hosszú vagy nagysebességű feladatoknál az ügynök kódfájlokba fűzött, eszközspecifikus vezérlési parancsokat futtat, hogy a berendezések autonóm módon hajtsanak végre műveleteket.
Korai példák és partnerek — mit hozott a gyakorlat?
A MHS‑t több kutatócsoporttal és gyártóval tesztelték biotechnológia, robotika, kvantumszámítás és más területeken. Az alábbiakban a bemutatott pilotok főbb eredményei és számszerű adatai.
Genentech – BCA protein assay automatizálása
Genentechben MHS‑sel automatizálták a BCA protein assay protokollt, amelynél folyadékmozgató, robotkar és mikroplate‑leolvasó együttműködése szükséges. A rendszerben Claude töltötte be az orchestrator szerepét. A modell önállóan optimalizálta a folyadékátviteli sebességet: egyszerű vízhez ~140 µL/s értéket talált (RMSE ≈ 0.016), míg viszkózus BSA‑hoz ~10 µL/s (RMSE ≈ 0.181). A kísérlet során Claude több futásban is önállóan helyreállította a tip pickup és folyadékészlelési hibákat, bár a csapat rámutatott a modellek fizikai intuíciójának korlátaira — például a buborékképződés okozta problémákat emberi iránymutatással kellett kezelni, majd újrahasznosítható, jóváhagyott liquid handling készségeket kódoltak.
University of Washington (Baker és Pinglay laborok) – távoli felügyelet és koordináció
Egy PhD‑hallgató a MHS és egy ügynök kombinációját használta: műszerállapotok távoli dashboardon való megjelenítésére, qPCR folyamatok valós idejű felügyeletére (amely az amplifikációs görbéket figyeli és leállítja a ciklust a megfelelő pillanatban), valamint egy robotkar és folyadékmozgató összehangolására ütközésmentes lemezátadásokhoz. A bemutatók szerint hat eszköz csatlakoztatása kevesebb mint egy hétbe telt, beleértve a driverírást is; a kutató többé már nem jár körbe a laborban, hanem a MHS‑dashboardon vagy mobilról figyeli a folyamatokat.
Carnegie Mellon University – sorozatos hígítások (dose‑response) háromszoros gyorsulása
Carnegie Mellon kutatói MHS segítségével nagyjából háromszorosára gyorsították a sorozatos hígítási kísérletek végrehajtását. A rendszerben CyBio Felix folyadékmozgató, Varioskan LUX leolvasó, robotkar és kamerák vettek részt, amelyek különböző gépeken és inkompatibilis interfészeken futottak. Az integrációs és orkestrációs megoldás megírása a kutatók szerint körülbelül nyolc órát vett igénybe — ez jelentősen rövidebb, mint a hagyományos, többhetes vendor‑alapú integráció. Egy tesztrunban az első kísérletnél a rendszer elutasította a mérést (R² < 0.9 a telítődés miatt), automatikusan újratervezte a koncentrációs tartományt (felső határ 200 µg/mL → 100 µg/mL), és a második futás R² > 0.98‑at ért el anélkül, hogy emberi beavatkozás történt volna. Az integrációs sebességet kiemelték: teljes folyamat, beleértve egy autonóm újrafuttatást, nyolc órát vett igénybe.
HHMI Janelia – mikroszkópos rigek összehangolása és agentikus képalkotás
A Janelia‑ban komplex mikroszkópos rendszereket kötöttek össze MHS‑sel: lézerek, szkennelő tükrök, detektorok és mozgatórendszerek egy szabványos memóriaszótárban (state dictionary) jelentik magukat. Ez csökkentette az eszközök közötti integrációs időt: egy új kamera hozzáadása néhány perces műveletté egyszerűsödött. A megoldás lehetővé tette online analízisek és visszacsatolt, zártláncú kísérletek futtatását, valamint azt, hogy egy ügynök dinamikusan megtalálja az érdekes régiókat és rájuk fókuszáljon anélkül, hogy a hardver biztonsági korlátait sértené.
QuEra Computing – kvantumlézer stabilizálása és automatikus relock
QuEra egy pilottal tesztelte, hogy MHS‑en keresztül Claude képes‑e a kvantumszámítógép lézerének automatikus visszazárását (relock) és PID‑hangolását végezni. Az eredeti, kézzel írt recovery szkript ~58%‑os sikerességgel működött és átlagosan ~150 másodpercet igényelt próbálkozásonként. Az AI‑ügynök iteratív fejlesztésével — amely során a modell több példányban futott különböző szerepekben (hipotézis, kódírás, futtatás, napló‑elemzés) — a rendszer konvergált egy döntési fára alapozó, determinisztikus recovery szkriptre.
A végső tesztben 700 beavatkozást hajtottak végre mesterségesen indukált zavarokkal, és a script 695 sikeres helyreállítást produkált (99.3% siker). Az egyszerűbb esetek 0.9–5.4 másodperc alatt sikerült, a legnehezebb zavarok 10–14 másodpercet igényeltek; ez nagyjavulás a korábbi emberi 5–10 perchez képest. Emellett a modellel végzett PID‑hangolás az RMS hibát 15.7 mV‑ról 1.55 mV‑ra csökkentette, és egy 19 órás futás alatt a modell parametrizálása egyszer sem vesztette el a lockot, míg a szakértői beállítások körülbelül 1.6 alkalommal veszítették azt óránként.
Tetsuwan Scientific – qPCR automatizálás és közösségi tudomány
Tetsuwan a ResearchOS platformjával és MHS‑sel qPCR munkafolyamatot futtatott polgári tudomány (citizen science) célokra, San Pedro Creek vízmintáinak szennyezettségi vizsgálatához. A projekt során a rendszer 9,143 adagolást hajtott végre, 300 egyedi átviteli típust és 1,508 mért körülményt tesztelve négy folyadéktípusra. Claude és MHS segítségével a compiler predikcióját a több‑dispense precizitására vonatkozóan körülbelül 12%‑kal pontosabbnak találták a gyártó specifikációjához képest (nagyobb mintákon ez ~17%‑ra nőtt). A qPCR előzetes eredményei humán eredetű Bacteroides (HF183, BacH) jelenlétét mutatták a mintákban, alátámasztva a korábbi megállapításokat.
Gyártók és támogatók
Számos hardver‑ és szoftverszállító jelezte, hogy MHS‑támogatást épít be: Amazon Web Services (Strands Robots), Automata (LINQ), Danaher, Doosan Robotics, MBF Bioscience (ScanImage driver), QIAGEN (QIAsymphony Connect), Tecan (Fluent), Universal Robots, Raspberry Pi és Hugging Face (LeRobot). A partnerek a kutatási előnézet idején előzetes hozzáférést kapnak.
Biztonság, korlátok és a kutatási előnézet célja
A MHS célja, hogy előkészítse a szabvány biztonságos, nyílt forráskódú közzétételét. A kutatási előnézet során a résztvevőkkel közösen fejlesztenek biztonsági értékeléseket és üzemeltetési ajánlásokat. A jelenlegi korlátok közé tartozik, hogy a nyelvi modelleknek korlátaik vannak a fizikai intuícióban, és hogy a MHS nem működik olyan hardverrel, amelynek nincs programozható interfésze — emiatt a gyártókkal együtt dolgoznak a driverek beépítésén.
A projekthez Anthropic és HHMI Janelia több kutatója és mérnöke járult hozzá; a kezdeményezés tovább bővül a résztvevő iparági szereplőkkel és végül az open‑source közösséggel.
Hogyan lehet csatlakozni
A kutatási előnézetre várólistára lehet jelentkezni; az érdeklődők regisztrációs folyamatot követően kapnak hozzáférést az előnézethez és az együttműködési lehetőségekhez.
