Anthropic abrió una vista previa de investigación del Model Hardware Standard (MHS), una especificación diseñada para que los agentes de IA operen equipos físicos de laboratorios, fábricas y centros de investigación. La propuesta busca resolver un problema muy concreto: conseguir que instrumentos creados por distintos fabricantes trabajen juntos sin meses de integraciones personalizadas.
¿Te imaginas pedirle a un agente que coordine un microscopio, un brazo robótico y un manipulador de líquidos como si fueran piezas de un mismo sistema? Eso es lo que Anthropic está comenzando a probar con laboratorios científicos y fabricantes avanzados.
Un lenguaje común para las máquinas
Hoy, muchos dispositivos científicos y de manufactura tienen sus propios programas, interfaces y formas de comunicarse. Integrarlos suele requerir especialistas que construyan conexiones específicas para cada combinación de equipos.
MHS introduce un controlador estandarizado, conocido como driver, que funciona como un traductor entre el sistema operativo y el dispositivo. En lugar de aprender una interfaz completamente distinta para cada máquina, el agente puede utilizar operaciones comunes como leer un dato o escribir un ajuste.
Por ejemplo, una instrucción podría consultar la temperatura de un instrumento o modificar la velocidad de un motor. El estándar también permite describir las capacidades, características y límites de seguridad de cada equipo en un formato que el agente pueda interpretar.
La promesa central de MHS es reducir integraciones que normalmente tardan semanas o meses a procesos que podrían completarse en horas o minutos.
Cómo trabaja un agente con el hardware
MHS permite que los dispositivos sean detectables dentro de una red y que un agente conozca información que no siempre aparece en el código. El peso de un brazo robótico, sus límites de movimiento o la cantidad máxima que puede manipular son datos fundamentales para operar de forma segura.
Esa información puede registrarse mediante etiquetas escritas en lenguaje natural. Un usuario puede introducirla directamente o conversar con un agente para documentar la configuración del equipo. Después, el controlador genera un archivo de referencia con detalles sobre lo que el dispositivo puede medir, ajustar y ejecutar, además de los límites que deben respetarse.
Para controlar los equipos, MHS utiliza tres mecanismos principales:
- Model Context Protocol (MCP), para conectar agentes con herramientas y dispositivos.
- La línea de comandos, útil para ejecutar operaciones de forma directa.
- Archivos de código o APIs, que permiten encadenar instrucciones y automatizar procesos completos.
Con estas piezas, un agente puede coordinar varios dispositivos, observar sus resultados, modificar parámetros en tiempo real y supervisar experimentos prolongados. En tareas repetitivas, también puede convertir lo aprendido en un script determinista que se ejecute sin razonar cada paso desde cero.
Anthropic describe, por ejemplo, pruebas en las que Claude ajustó un láser, observó con una cámara cómo cambiaba el haz y repitió el proceso hasta comprender la secuencia. Luego convirtió ese aprendizaje en un archivo de código capaz de alinear el láser mediante un solo comando.
Primeros experimentos en laboratorios y robótica
La vista previa incluye colaboraciones en biotecnología, robótica, microscopía, computación cuántica y manufactura. Algunos resultados iniciales compartidos por los participantes son:
- Genentech coordinó un manipulador de líquidos, un brazo robótico y un lector de placas para automatizar una prueba de concentración de proteínas.
- Las universidades de Washington y Carnegie Mellon usaron MHS para supervisar experimentos de qPCR, coordinar entregas de placas y ejecutar pruebas de respuesta a dosis con mayor rapidez.
- HHMI Janelia empleó el estándar para unificar un sistema de microscopía que dependía de siete programas de distintos fabricantes.
- QuEra Computing permitió que un agente controlara parte del sistema láser de sus computadoras cuánticas. Según Anthropic, el agente recuperó el bloqueo de frecuencia del láser el 99,3 % de las veces sin intervención humana.
- Tetsuwan Scientific integró MHS en una plataforma de biología automatizada para ejecutar qPCR relacionada con el análisis de contaminación local.
También participan empresas como AWS, Automata, Danaher, Doosan Robotics, MBF Bioscience, QIAGEN, Tecan y Universal Robots. Varias están desarrollando controladores para que sus instrumentos puedan ser descubiertos y operados por agentes de IA.
En el ecosistema abierto, Hugging Face trabaja en la integración con LeRobot, su biblioteca de robótica, mientras que Raspberry Pi prueba la conexión de MHS con algunos de sus productos mediante un controlador para cámaras.
La autonomía física todavía necesita supervisión
Aunque los resultados son llamativos, Anthropic reconoce que un agente de lenguaje no comprende el mundo físico como lo haría un experto. Claude aprende principalmente a partir de texto e imágenes, por lo que puede tener dificultades para interpretar causas mecánicas, espaciales o materiales.
En una prueba con muestras de proteínas, investigadores de Genentech tuvieron que ayudar al agente a distinguir entre un error de software y un problema físico provocado por la espuma en las muestras. La solución no era cambiar el código, sino aplicar una corrección física adecuada.
MHS tampoco funciona todavía con equipos que no cuentan con una interfaz programable. Por eso, Anthropic está trabajando con fabricantes para añadir esos controladores y ampliar el número de dispositivos compatibles.
La empresa planea utilizar esta etapa de investigación para desarrollar evaluaciones de seguridad, definir buenas prácticas y reforzar sus protecciones frente a posibles usos indebidos de la IA en el mundo físico. El objetivo es publicar MHS como código abierto después de analizar los resultados obtenidos con los socios iniciales.
La idea no es que los agentes reemplacen de inmediato a científicos, ingenieros o técnicos. Más bien, apunta a que puedan encargarse de coordinar instrumentos, detectar fallos y ejecutar ciclos repetitivos mientras las personas mantienen la supervisión de las decisiones importantes.
Si MHS logra convertirse en un estándar ampliamente adoptado, conectar equipos de diferentes marcas podría dejar de ser uno de los principales obstáculos para automatizar laboratorios y fábricas. La pregunta será si la industria consigue ponerse de acuerdo en algo tan importante como la forma en que una IA debe tocar, mover y controlar el mundo real.
Fuente original
https://www.anthropic.com/news/model-hardware-standard-research-preview