Зміст
Штучний інтелект виходить у реальний світ: Claude опановує управління заводським обладнанням
Компанія Anthropic представила новаторську розробку — Model Hardware Standard (MHS). Ця специфікація покликана відкрити двері для штучного інтелекту у світ фізичних пристроїв. Від складних лабораторних мікроскопів і прецизійних роботизованих маніпуляторів до потужних квантових комп’ютерів і промислових станків — MHS дозволяє AI-агентам безпечно і ефективно взаємодіяти з реальним обладнанням. На даний момент обмежений доступ до стандарту отримали провідні наукові лабораторії та передові виробничі компанії. Початок розробці MHS поклало співробітництво Anthropic з Дослідницьким кампусом HHMI Janelia, що підкреслює наукову основу і потенціал цієї технології.
Революція в інтеграції обладнання: від місяців до хвилин
Однією з головних проблем, з якою стикаються наукові та промислові установи, є тривалість і складність інтеграції нового обладнання. Традиційно процес налаштування і підключення пристроїв може займати тижні, а іноді й місяці. Існуюча проблема полягає в тому, що більшість приладів не мають можливості прямого взаємодії один з одним. Для кожного випадку потрібна індивідуальна, часто вручну написана програма інтеграції, що створюється висококваліфікованими фахівцями. MHS кардинально змінює цей підхід, скорочуючи час, необхідний для інтеграції, до кількох годин, а в ідеальних випадках — до хвилин.
Стандарт MHS розроблений таким чином, щоб бути універсальним. Він сумісний з будь-яким пристроєм, оснащеним програмованим інтерфейсом, і не залежить від конкретної моделі. Будь-який агентський інтерфейс, що використовує стандартні протоколи, включаючи раніше розроблений Anthropic Model Context Protocol (MCP), може отримати доступ до MHS.
Як працює MHS: міст між цифровим і фізичним
В основі Model Hardware Standard лежить стандартизований драйвер. По суті, це програма-посередник, яка транслює команди між операційною системою комп’ютера і самим обладнанням. Драйвер оперує простими, універсальними примітивами — командами типу “прочитати” (наприклад, “отримати значення температури”) або “записати” (наприклад, “встановити бажану температуру”). Ці базові команди зрозумілі практично будь-якому сучасному пристрою. Таким чином, кожен підключений пристрій стає “видимим” в єдиному, стандартизованому форматі. Це дозволяє обладнанню і AI-агентам знаходити один одного і обмінюватися даними по мережі без необхідності розробки специфічних “програм-перекладачів” для кожної пари пристроїв.
Більше того, драйвер надає агенту необхідну інформацію для безпечної і ефективної роботи з незнайомим пристроєм. Наприклад, він може повідомити про максимальну вагу, яку може підняти роботизований маніпулятор, що критично важливо для запобігання поломок або аварій. Раніше такі дані були доступні лише в паперових інструкціях або у вигляді неформальних знань досвідчених фахівців. Тепер ця інформація може бути інтегрована безпосередньо в драйвер, описана на природній мові — як людиною, так і самим AI-агентом шляхом “інтерв’ю” користувача.
Управління пристроями здійснюється через три основних механізми: MCP, командний рядок і файли коду (API). Отримавши необхідний контроль, AI-агент може одночасно відстежувати роботу кількох приладів, оперативно коригуючи їх параметри в режимі реального часу. Для виконання тривалих або високошвидкісних операцій агент може “упаковувати” послідовності команд у вигляді виконуваного коду. Це дозволяє пристроям виконувати завдання автономно, без необхідності постійного покрокового аналізу і прийняття рішень моделлю.
Перші успіхи: від науки до квантових обчислень
Anthropic поділилася вражаючими результатами перших пілотних проектів, що демонструють потенціал MHS. Наприклад, компанія Genentech успішно автоматизувала складний BCA-аналіз (визначення концентрації білка) за допомогою Claude. AI-агент скоординував роботу дозатора рідин, роботизованого маніпулятора і планшетного рідера, самостійно оптимізувавши швидкість подачі різних типів рідин і навіть відновлюючись після раптових помилок обладнання без втручання людини.
Лабораторії Baker і Pinglay в Університеті Вашингтона всього за тиждень підключили шість різних приладів через MHS. На основі цієї інтеграції були створені дашборди для віддаленого моніторингу, AI-агент для контролю qPCR-реакцій, а також система безперебійної передачі планшетів між маніпулятором і дозатором.
Вчені з Університету Карнегі-Меллона змогли прискорити експерименти з побудови кривих “доза-відповідь” приблизно втричі. AI-агент на базі Claude Opus 4.8 самостійно оцінював якість отриманих кривих і, у разі невдалого результату (R² нижче 0,98), проводив автоматичну корекцію без участі людини.
В Дослідницькому центрі HHMI Janelia вдалося об’єднати установку з семи різних програмних рішень для мікроскопії зебрафіш, скоротивши запуск експерименту з семи окремих кроків до одного кліка.
Компанія QuEra Computing, що спеціалізується на виробництві квантових комп’ютерів на нейтральних атомах, доручила AI-агенту задачу з відновлення “блокування” частоти лазера — критично важливого параметра з необхідною точністю порядку 1 до трильйона. За одну ніч ітерацій агент збільшив успішність відновлення з 58% (за 150 секунд) до 96%. Фінальне тестування показало, що агент досяг 99,3% успішності (в середньому за 6 секунд) у 700 випробуваннях. Пізніше цей же агент успішно налаштував 12 взаємопов’язаних параметрів лазерного сервоконтролю, що призвело до зниження шумового показника приблизно в 10 разів у порівнянні з ручним налаштуванням спеціаліста.
Компанія Tetsuwan Scientific інтегрувала MHS у свою автоматизовану лабораторну платформу ResearchOS. На її основі був реалізований проект громадянської науки з qPCR-аналізу забруднення річки San Pedro Creek у Каліфорнії, який підтвердив, що основним джерелом фекального забруднення є людські відходи.
Обмеження і майбутній розвиток
Anthropic відкрито визнає існуючі обмеження. Будучи великою мовною моделлю, Claude пізнає фізичний світ через текст і зображення, тому її просторове і фізичне мислення поки має свої межі і потребує експертного нагляду. Наприклад, дослідникам Genentech довелося спеціально пояснювати Claude, що утворення піни в зразках є фізичним, а не програмним збоєм. У пілотному проекті QuEra агент часто зупинявся, чекаючи підтвердження від людини перед виконанням ризикованих дій, що, на думку розробників, є скоріше перевагою, що забезпечує безпеку.
До розробки MHS вже приєдналися провідні виробники обладнання і розробники програмного забезпечення, включаючи Amazon Web Services (через бібліотеку Strands Robots), Automata, Danaher, Doosan Robotics, MBF Bioscience, QIAGEN, Tecan, Universal Robots, а також Hugging Face (інтеграція в LeRobot) і Raspberry Pi.
На даний момент Anthropic не публікує вихідний код стандарту. Компанія має намір зібрати додаткові дані з безпеки у співпраці з партнерами, які беруть участь у дослідницькому прев’ю, після чого MHS буде відкрито для широкого використання. Паралельно розробляється окрема дорожня карта з фізичної безпеки, покликана запобігти будь-яким зловживанням при управлінні реальним обладнанням.
