Model Hardware Standard: как ИИ-агенты безопасно управляют лабораторным и промышленным оборудованием

Anthropic открывает исследовательский ранний доступ к Model Hardware Standard (MHS) — общей спецификации, с которой ИИ-агенты могут безопасно работать с физическим оборудованием. В первую волну вошли научные лаборатории и технологически зрелые производственные компании. Стандарт позволяет агентам параллельно управлять несколькими приборами: микроскопами, станциями дозирования жидкостей, роботизированными манипуляторами и другими программируемыми устройствами. Задачи тоже вполне земные: от экспериментов по поиску лекарств до настройки лазеров в квантовых вычислительных системах.

MHS появился как совместная работа Anthropic и исследовательского кампуса HHMI Janelia. Его цель проста по формулировке, но непроста в реализации: убрать избыточную «ручную склейку» между оборудованием, программным обеспечением и ИИ. Обычно на интеграцию лабораторных или производственных установок уходят недели, а порой и месяцы. Устройства говорят на разных технических диалектах, и для каждого сочетания приходится писать отдельный слой интеграции. MHS способен сократить эту работу до часов, а в отдельных сценариях — до минут.

Для бизнеса это не просто удобный коннектор. Это основа для разработки AI-агентов и автоматизации процессов, где цифровое решение должно действовать в реальном физическом мире: получать телеметрию, контролировать ход эксперимента, менять параметры на лету и фиксировать сбои до того, как они испортят образец или остановят линию.

Как устроен MHS

Согласовать работу нескольких приборов в лаборатории или цехе трудно и без ИИ. У каждого устройства обычно свой API, собственные форматы данных и своя логика управления. Даже если оборудование уже подключено к сети, общего и безопасного способа предоставить его ИИ-агенту до сих пор почти не было.

MHS предлагает стандартизированный драйвер — программный слой между операционной системой и физическим устройством. Он опирается на небольшой набор понятных операций: например, read для чтения температуры или состояния, а также write для задания параметра, такого как целевая температура. Устройство становится обнаруживаемым в едином формате. Агенту не требуется отдельная программа-переводчик для каждого нового прибора — вот где обычно и вязнет вся история.

Драйвер передаёт не только команды, но и контекст, который нельзя надёжно вывести из кода: массу роботизированного манипулятора, допустимые диапазоны работы, физические ограничения, правила безопасности. Раньше такие сведения могли лежать в бумажной инструкции, заметках инженера или, что бывает особенно неудобно, исключительно в его памяти. В MHS их можно зафиксировать на естественном языке. Затем система формирует справочный файл с возможностями устройства, регулируемыми параметрами и ограничениями.

Такая модель близка к тому, что в корпоративных проектах называют архитектурой AI-агентов: агент получает не голый доступ к командам, а структурированное описание среды, ролей, ограничений и доступных действий. Для масштабируемой автоматизации это критично.

Управлять оборудованием в MHS можно тремя способами: через Model Context Protocol (MCP), интерфейс командной строки или программный API. Вместе эти механизмы позволяют оркестрировать несколько устройств одной командой либо собрать повторяемую последовательность в кодовый файл. Если операция длительная или требует быстрого отклика, агент может подготовить детерминированный скрипт — и приборам не придётся ждать нового шага рассуждений модели каждый раз.

В тестах Anthropic Claude действовал скорее как исследователь, чем как обычный диспетчер команд. В одном из сценариев он менял настройки лазера, оценивал результат по изображению с камеры и повторял цикл, пока не понял зависимость между настройкой и смещением луча. После этого модель оформила найденный подход в скрипт, который выравнивал лазер одной командой. Не магия; просто аккуратная связка наблюдения, обратной связи и автоматизации.

Где MHS уже применяют

Ранние пилоты охватывают биотехнологии, робототехнику, квантовые вычисления и приборостроение. Общий эффект повторяется: быстрее подключается оборудование, проще запускать итерации и легче отслеживать неисправности в реальном времени.

Genentech: автоматизация BCA-анализа белка

Исследователи Genentech протестировали MHS как доказательство концепции для автоматизации BCA-анализа — стандартного метода измерения общей концентрации белка. Агент координировал станцию дозирования жидкостей, роботизированный манипулятор и считыватель микропланшетов. В ходе эксперимента Claude подбирал параметры пипетирования для воды и вязких растворов BSA, анализируя данные с планшетного ридера.

Практика одновременно показала и ограничение нынешних моделей. При появлении пузырьков в образцах агенту требовалось объяснение от специалистов: это физическая проблема, а не программная ошибка. Повторять операцию в той же лунке бессмысленно — пены станет только больше. Именно поэтому для систем, работающих с реальными устройствами, необходимы контроль доступа, ограничения команд и экспертный надзор, то есть полноценная безопасность AI-агентов.

Университет Вашингтона: агент у лабораторного стола

Аспирант лабораторий Baker и Pinglay Цзихао Сун использовал MHS для удалённого мониторинга приборов, наблюдения за qPCR и координации роботизированного манипулятора со станцией дозирования жидкостей. Система помогает видеть статус оборудования на единой панели, а не обходить лабораторию по кругу. Для экспериментов, которые идут ночью, это особенно ощутимо.

Университет Карнеги — Меллона: эксперименты «доза—ответ»

Команда университета провела серии разведений примерно в три раза быстрее прежнего темпа. ИИ-агент координировал станцию дозирования жидкостей, планшетный ридер, роботизированный манипулятор и камеры, распределённые между тремя компьютерами с несовместимыми интерфейсами.

HHMI Janelia и QuEra Computing

В HHMI Janelia MHS используют для объединения микроскопических установок, которые прежде требовали нескольких отдельных программ от поставщиков. QuEra применила стандарт для управления частями лазерной системы квантовых компьютеров на нейтральных атомах. В пилоте агент разработал контроллер, восстанавливавший захват лазера в 99,3% случаев без вмешательства человека.

Другие участники

• Tetsuwan Scientific интегрировала MHS с платформой автоматизированной биолаборатории ResearchOS для qPCR-процессов в проектах гражданской науки.
• Amazon Web Services планирует поддержку MHS через библиотеку Strands Robots.
• Automata добавляет поддержку стандарта в платформу автоматизации лабораторий LINQ.
• Doosan Robotics тестирует MHS для контроля качества и координации нескольких роботов.
• MBF Bioscience разрабатывает драйвер MHS для ScanImage, используемого в лазерной сканирующей микроскопии.
• QIAGEN исследует применение MHS на платформе QIAsymphony Connect для ускорения восстановления после сбоев и защиты биологических образцов.
• Tecan внедряет поддержку MHS в платформы дозирования жидкостей Fluent.
• Universal Robots получила ранний доступ и планирует интеграцию стандарта в свою робототехническую платформу.

Что ещё предстоит решить

Ранние результаты выглядят многообещающе, но MHS пока остаётся исследовательским проектом. Языковые модели знают о физическом мире по текстам и изображениям, поэтому их пространственное мышление и понимание материальных ограничений не безупречны. В реальном производстве или лаборатории ошибка — это не всегда сбой в логе. Иногда это пена, вибрация, неудачно установленный образец или кабель, который кто-то задел локтем.

Кроме того, MHS пока работает лишь с оборудованием, у которого есть программный интерфейс. Anthropic сотрудничает с производителями, чтобы расширить поддержку. Среди ранних последователей — Hugging Face, внедряющая MHS в LeRobot, и Raspberry Pi, тестирующая интеграцию стандарта в своих продуктах.

До открытия исходного кода Anthropic намерена провести дополнительные оценки безопасности с партнёрами по пилотам и сформировать рекомендации по безопасному внедрению. Для организаций, работающих в регулируемых отраслях, важно заранее проектировать не только интеграции, но и аудит действий, разграничение полномочий, журналы событий и процедуры согласования. Это часть AI compliance и соответствия требованиям, а не формальность, которую можно оставить на потом.

Участие в раннем доступе

Anthropic приглашает компании и исследовательские организации присоединиться к листу ожидания исследовательского предварительного доступа к MHS. Подать заявку можно на сайте Model Hardware Standard.

Благодарности

Работа над MHS началась как совместный проект Алека Кемени из команды Anthropic Beneficial Deployments и Арко Баста, постдокторанта HHMI Janelia. Anthropic также благодарит всех исследователей, инженеров и отраслевых партнёров, участвовавших в ранних испытаниях стандарта.

Сценарий с лабораторным оборудованием — крайний случай, но принцип тот же и в обычных бизнес-процессах: агент работает предсказуемо там, где заранее описаны среда, границы допустимых действий и журнал операций. Если вы примеряете такой контур на свои задачи — внедрим ИИ-агентов в ваши процессы: от пилота до промышленной эксплуатации.