Anthropic представила Model Hardware Standard
Anthropic представила Model Hardware Standard — стандарт драйверов, призванных сделать взаимодействие автономных ИИ‑агентов с физическими устройствами простым и унифицированным. До настоящего времени развитие агентных систем в значительной мере ограничивалось текстом, изображениями, кодом и другими вычислительными задачами внутри компьютера; MHS стремится вывести управление «вне корпуса», дав ИИ‑м единый интерфейс для контроля и обмена данными с произвольными приборами.
В предварительном исследовательском релизе Anthropic позиционирует MHS в первую очередь как инструмент для учёных: стандарт должен упростить и ускорить создание программных интеграций, необходимых для согласованной работы разнородного оборудования в лабораторных экспериментах. По словам компании, MHS обеспечивает общий интерфейс и единый формат обмена данными между устройствами, позволяя им взаимодействовать по сети без разработки индивидуальных «переводящих» программ. Это, как утверждает Anthropic, может сократить многонедельные или многомесячные настройки экспериментов до часов или даже минут.
В демонстрационном видео технический сотрудник Anthropic Алекс Кемени рассказал, что идею MHS подсказало наблюдение за работой нейробиолога Арко Баста в лаборатории HHMI Janelia Research Campus. Баст настраивал сложный эксперимент по изучению формирования памяти: вращающиеся лазерные лучи, микроскопы, камеры и множество других компонентов были объединены через общий интерфейс. «Тогда мне пришло в голову, что эту идею можно применить, чтобы позволить ИИ проводить любые научные эксперименты в мире», — вспоминает Кемени.
Сам по себе единый машинный интерфейс не требует применения моделей ИИ: устройства в системе MHS можно контролировать напрямую в реальном времени через командную строку и API. Однако интеграция MHS с моделью через Model Context Protocol позволяет исследователям взаимодействовать с оборудованием на естественном языке, а моделям — планировать и корректировать каждый шаг эксперимента, обновлять параметры в реальном времени и в ряде случаев восстанавливаться после аппаратных сбоев без вмешательства человека.
Anthropic приводит примеры: модель вроде Claude автоматически подстраивает лазер, проверяет результаты через камеру и повторяет цикл для калибровки; модель фокусирует микроскоп, анализирует полученные данные, решает, какая область требует дополнительного наблюдения, и перемещает прибор на нужную секцию для продолжения эксперимента. В ролике Anthropic также показала, как модель рассуждает, чтобы заставить роботизированную руку поднять алюминиевую банку, хотя она не была специально обучена этим последовательным действиям.
Вместо повторного поэтапного рассуждения каждый раз, MHS‑совместимые модели способны формировать и хранить последовательности действий для разных инструментов в виде API‑скриптов и корректировать их по мере изменения условий. MHS включает стандартизованную систему тегов, описывающих реальные физические ограничения аппаратуры — важный аспект для моделей, обученных преимущественно в виртуальной среде. Такие теги содержат информацию о физических характеристиках устройств (например, вес и диапазон движения роботизированной руки), настраиваемых параметрах, вариантах измерений и установленных предельных значениях по безопасности. Эти метаданные можно объединить в референсный файл, который быстро предоставляет модели критически важную информацию о незнакомом устройстве.
На этапе предварительного просмотра Anthropic работает с первой группой научно‑исследовательских лабораторий и продвинутых производителей, включая Amazon Web Services (Strands Robots), Hugging Face (LeRobot), Raspberry Pi, Automata и Universal Robots. Партнёры помогают формировать процедуры оценки безопасности и лучшие практики для систем ИИ, управляющих физическим оборудованием.
В дальнейшем компания планирует сделать MHS открытым и «агент‑независимым» стандартом для интеграции ИИ и физической техники. По итогам ранних испытаний с научными партнёрами Anthropic сообщает, что MHS сокращал время интеграции устройств и позволял быстрее проводить итерации в различных экспериментальных условиях. Как отметил Кемени в промо‑видео, ускорение тестирования гипотез может привести к ускорению разработки общих технологий — в перспективе сжатие столетия прогресса в сроки, сопоставимые с десятилетием.