Компания Anthropic объявила о запуске исследовательского предварительного доступа к спецификации Model Hardware Standard (MHS). Это открытый технический стандарт, предназначенный для того, чтобы автономные агенты искусственного интеллекта могли автоматически обнаруживать в сети и безопасно управлять различным физическим оборудованием. Главная проблема, которую призван решить новый стандарт, заключается в хаосе коммуникационных интерфейсов. Современная научно-исследовательская лабораторная установка или автоматизированная производственная ячейка собирается из агрегатов и приборов от множества различных производителей. Эти устройства изначально не проектировались для совместной работы или для управления со стороны искусственного интеллекта, поэтому каждый инструмент поставляется со своим проприетарным программным интерфейсом. В результате специалистам приходится вручную писать индивидуальные трансляторы и мосты для каждой пары взаимодействующих устройств. По данным Anthropic, традиционная настройка подобной инфраструктуры занимает от нескольких недель до нескольких месяцев, в то время как применение MHS сокращает этот процесс до считаных часов или даже минут.

Налог на интеграцию

Каждый измерительный прибор или робот поставляется на рынок со своим собственным интерфейсом программирования. Из-за отсутствия единых стандартов инженеры вынуждены тратить колоссальное количество времени на написание узкоспециализированного программного обеспечения, соединяющего отдельные элементы цепи. Однако даже после успешного физического и программного связывания оборудование не обладает универсальным способом передавать текущее состояние ИИ-агенту или принимать от него команды с гарантией физической безопасности. Этот комплекс проблем разработчики называют «налогом на интеграцию». Спецификация MHS радикально меняет подход, ликвидируя необходимость в громоздких прослойках и снижая временные затраты на ввод оборудования в эксплуатацию с месяцев до минут.

Как устроена спецификация MHS

В основе Model Hardware Standard лежит стандартизация драйвера — слоя, находящегося между операционной системой и физическим устройством. Драйвер MHS предоставляет минимальный базовый набор примитивов, таких как чтение параметров (например, получение текущей температуры) и запись (например, установка целевой температуры). Кроме того, спецификация включает механизмы автоматического обнаружения (discovery), благодаря чему физические устройства и ИИ-агенты способны находить друг друга по локальной сети без привлечения внешних трансляторов.

Помимо стандартного кода исполнения, драйвер MHS содержит контекстную информацию, которую традиционный программный код не способен передать напрямую — к примеру, физическую массу манипулятора или допустимые пределы нагрузки. Специальные теги драйвера позволяют инженеру описывать эти физические характеристики на естественном языке либо давать возможность ИИ-агенту самостоятельно провести «интервью» со специалистом в процессе настройки. На основе полученных тегов драйвер компилирует эталонный файл конфигурации. В этом документе жестко фиксируется всё: измеряемые параметры, регулируемые значения, а также физические ограничения безопасности, за пределы которых агент не имеет права выходить.

Управление устройствами через MHS реализуется через три основных механизма: протокол Model Context Protocol (MCP), интерфейс командной строки (CLI) и файл-скрипты. При этом спецификация полностью независима от конкретных нейросетевых моделей (model-agnostic) — любая агентская система может взаимодействовать с оборудованием через стандартные протоколы связи.

Практические результаты партнеров

Эффективность Model Hardware Standard была подтверждена серией практических испытаний в академических и промышленных лабораториях.

В фармацевтической компании Genentech с помощью MHS была полностью автоматизирована процедура анализа белка BCA. В эксперименте задействовали станцию дозирования жидкостей, роботизированный манипулятор и планшетный ридер. Модель Claude самостоятельно проводила тестовые переливания окрашенной жидкости, считывала показатели оптической плотности и оценивала собственную точность по сравнению с результатом опытного эксперта с использованием метрики среднеквадратичной ошибки (RMSE). В итоге ИИ-агент успешно вышел на оптимальную скорость дозирования воды (~140 мкл/с с RMSE 0.016) и более вязкого раствора белка BSA (10 мкл/с с RMSE 0.181). Эксперты по автоматизации подтвердили, что найденные алгоритмом параметры полностью соответствуют профессиональным стандартам.

Ещё более впечатляющие цифры продемонстрировала компания QuEra Computing. Ранее команда из четырёх специалистов потратила несколько месяцев на создание специализированного скрипта для повторного захвата лазера (laser-relock). Эта разработка работала успешно лишь в 58% случаев, а каждая попытка занимала около 150 секунд. Когда эту же задачу перевели на спецификацию MHS, четырехролевой цикл ИИ-агентов за одну ночь автономной работы сгенерировал детерминированный Python-скрипт. Новый алгоритм обеспечил восстановление захвата в 695 случаях из 700 (успешность 99,3%), при этом решение наиболее сложных сбоев занимало всего 10–14 секунд против 5–10 минут, требовавшихся человеку. Кроме того, Claude снизил остаточную ошибку сервопривода с 15,7 мВ (показатель эксперта) до 1,55 мВ. За 19 часов непрерывной работы установленный ИИ режим ни разу не потерял захват, тогда как экспертная настройка срывалась в среднем 1,6 раза в час.

В Университете Карнеги — Меллона (CMU) автономные эксперименты по исследованию зависимости «доза-эффект» прошли примерно в три раза быстрее обычного. Система управляла манипулятором, дозатором жидкостей, спектрофотометром и камерами, распределенными по трём компьютерам с несовместимыми интерфейсами, причём у одного из приборов вовсе отсутствовал программный API. Полный цикл — от написания драйверов до построения готовой кривой, включая повторный автономный запуск после отклонения ИИ-агентом результатов с R² < 0.9 — занял около восьми часов, тогда как традиционная настройка от вендора длится недели. При этом шесть спровоцированных физических сбоев были автоматически заблокированы системой безопасности до того, как приборы успели совершить опасное движение.

В Вашингтонском университете аспирант лабораторий Бейкера и Пинглея подсоединил шесть разрозненных приборов меньше чем за неделю, включая время на написание всех драйверов. Компания Tetsuwan Scientific успешно интегрировала MHS со своей платформой ResearchOS для профилирования загрязнений методом кПЦР. А в исследовательском институте Janelia микроскопический комплекс, требовавший ранее последовательного запуска семи отдельных программ, был переведён на управление через один клик в едином интерфейсе.

Ключевые выводы

• Открытая спецификация драйверов MHS позволяет ИИ-агентам самостоятельно находить и безопасно управлять любым оборудованием с программируемым интерфейсом.
• Время интеграции систем снижается с нескольких месяцев до считаных часов: так, CMU получил готовую экспрессию «доза-эффект» всего за 8 часов.
• Алгоритм повторного захвата лазера в QuEra улучшил показатели с 58% (за 150 с) до 99,3% успешных срабатываний на выборке из 700 тестов.
• Спецификация не зависит от конкретной языковой модели, совместима с протоколом MCP, а ограничения безопасности зашиты в сам драйвер, а не в промпты.
• Технология находится на этапе исследовательского превью и требует контроля со стороны оператора, поскольку физическое понимание процессов алгоритмами пока имеет определенные ограничения.

Источник: www.marktechpost.com