Az Anthropic bemutatta az AI-ügynökök hardverszabványának előzetesét

Kutatási előzetes laboroknak és fejlett gyártóknak

Az Anthropic első körben tudományos kutatólaborok és fejlett gyártók egy csoportja számára nyitotta meg a Model Hardware Standard kutatási előzetesét. A vállalat leírása szerint az MHS közös specifikáció AI-ügynökök számára, hogy biztonságosan működtethessenek fizikai eszközöket.

A szabvány olyan berendezések párhuzamos kezelését célozza, mint a mikroszkópok, folyadékkezelő rendszerek és robotkarok. Az Anthropic példái szerint az MHS segítségével az AI-ügynökök összetett feladatokat végezhetnek, a rutinszerű gyógyszerkutatási kísérletektől egy kvantumszámítógép lézerkalibrációjáig.

Az MHS fejlesztése az Anthropic és a HHMI Janelia Research Campus együttműködéseként indult. A vállalat szerint egy labor vagy gyártóüzem hardvereinek beállítása és integrálása jellemzően hetekig, akár hónapokig tart, mivel a legtöbb eszköz nem kommunikál egymással, és szakértőknek kell egyedi integrációkat építeniük. Az Anthropic állítása szerint az MHS ezt az integrációs munkát órákra vagy percekre csökkenti.

A kutatási előzetes célja nemcsak a technológia kipróbálása. Az Anthropic partnerekkel dolgozna együtt a tudomány, a robotika, az elektronika és a gyártás területéről, hogy biztonsági értékeléseket és bevált gyakorlatokat alakítsanak ki AI-rendszerekhez, amelyek fizikai berendezéseket működtetnek. A vállalat ezt azelőtt teszi, hogy a szabványt nyílt forráskódúvá tenné.

Így kapcsolja össze az eszközöket az MHS

Az MHS minden olyan eszközzel működik, amelynek van programozható interfésze. Az Anthropic szerint modellfüggetlen is, így bármely ügynökkeretrendszer hozzáférhet szabványos protokollokon keresztül, köztük a Model Context Protocol használatával.

A probléma alapja, hogy a laborokban és gyártóterekben használt eszközöknek gyakran saját programozási felületük van. Eddig az Anthropic leírása szerint nem volt szabványos mód ezek integrálására, és az sem volt egységes, hogyan osszanak meg adatokat egy AI-ügynökkel, illetve hogyan engedjék az ügynöknek a biztonságos működtetést.

Az MHS ezt egy szabványos illesztőprogrammal, vagyis driverrel kezeli. A driver egyszerű alapműveleteket használ, például olvasási és írási parancsokat. Az Anthropic példája szerint ilyen lehet a hőmérséklet lekérdezése vagy a hőmérséklet beállítása. A megközelítés célja, hogy az eszközök egységes formátumban legyenek felfedezhetők, és hálózaton keresztül külön egyedi fordítóprogram nélkül kommunikálhassanak az ügynökökkel.

A driver abban is segít, hogy az AI-ügynök megértse egy korábban ismeretlen eszköz használatát. A rendszer olyan gépjellemzőket is átadhat, amelyek pusztán kódból nem feltétlenül derülnek ki, például egy robotkar tömegét, amely fontos lehet a biztonságos mozgatáshoz. Az Anthropic szerint az ilyen információk eddig sokszor papírkézikönyvekben, a felhasználó számítógépén vagy hallgatólagos tudásként léteztek.

Az MHS-driver címkéket tartalmaz, amelyekbe a felhasználó természetes nyelven írhatja be ezeket az információkat. Ezt közvetlenül is megteheti, vagy egy ügynökkel beszélgetve, amely kikérdezi a hardveres környezetről. A címkék alapján a driver automatikusan referenciafájlt készít az eszköz általános jellemzőiről, például arról, mit tud mérni, mit lehet rajta állítani, és milyen biztonsági korlátokat kell betartani.

Az ügynök vezérel, figyel és kódba szervezi a folyamatokat

Miután az eszközök csatlakoztak, az ügynöknek vezérlési módra van szüksége. Az MHS három mechanizmust kínál erre: MCP-t, parancssori felületet és kódfájlokat, vagyis API-kat. Ezek együtt teszik lehetővé, hogy több eszköz összehangolása akár egyetlen kódsorral történjen.

Az Anthropic leírása szerint az ügynök működési adatokat kaphat az eszközöktől, magas szinten felügyelheti és irányíthatja a munkát, sorrendbe rendezheti a műveleteket, figyelheti az eredményeket, és valós időben módosíthatja a paramétereket. Hosszabb feladatoknál vagy olyan esetekben, amikor az eszközök gyorsabb működtetésére van szükség, mint amit az online érvelés lehetővé tenne, az ügynök több driverparancsot kódfájlokba láncolhat össze. Így az eszközök önállóan végrehajthatják a műveleteket anélkül, hogy az ügynöknek minden lépésnél újra következtetnie kellene.

Az Anthropic tesztjei során a Claude a vállalat szerint felfedező módon lépett kapcsolatba kísérletekkel és hardverekkel, hasonlóan ahhoz, ahogy egy kutató tenné. Egy megfigyelésükben a Claude módosított egy lézeren, kamerán keresztül értékelte, hogyan mozdult el a lézernyaláb, majd megismételte a folyamatot, hogy megértse az események sorrendjét. Ezután a tanultakat kódfájlokba csomagolta, és determinisztikus szkriptet írt, amely egyetlen paranccsal igazította a lézert, lépésenkénti érvelés nélkül.

Korai példák biológiától a kvantumszámítógépekig

Az Anthropic szerint az MHS-t a fejlesztés során néhány laborral és hardvergyártóval osztották meg a biotechnológia, a robotika, a kvantumszámítástechnika és más területek szereplői közül. A korai projektekben a vállalat azt látta, hogy az MHS csökkentette az eszközintegrációhoz szükséges időt, gyorsabb iterációt tett lehetővé különböző kísérleti környezetekben, és segített a gépek élő működtetésében, valamint a valós idejű hibadetektálásban.

A Genentech kutatói koncepcióbizonyításként vezették be és tesztelték az MHS-t a BCA fehérjevizsgálat automatizálására. Ez egy standard eljárás a mintában lévő teljes fehérjekoncentráció mérésére, amely folyadékkezelő, robotkar és lemezolvasó összehangolását igényli.

A University of Washington Baker és Pinglay laborjaiban Zihao Song PhD-hallgató az MHS-sel műszerfelügyeleti irányítópultot épített, AI-ügynök által felügyelt qPCR-t hozott létre, amely figyeli az amplifikációs görbéket és a megfelelő pillanatban leállítja az eljárást, valamint robotkar és folyadékkezelő közötti, ütközésmentes lemezátadást integrált.

A Carnegie Mellon University kutatói az MHS-t sorozathígításos dózis-válasz kísérletekhez használták. Az Anthropic szerint ezek a kísérletek körülbelül háromszor gyorsabban futottak, mint korábban, miközben egy AI-ügynök egy folyadékkezelőt, egy lemezolvasót, egy robotkart és három számítógépen elosztott megfigyelőkamerákat hangolt össze, alapvetően inkompatibilis interfészekkel.

A HHMI Janelia Research Campus kutatói mikroszkópiához kapcsolódó projektek gyorsítására használják az MHS-t. Virginie Ruetten, az Ahrens labor kutatója, aki azt vizsgálja, hogyan segíti az alvás a test stresszből való regenerálódását, egy olyan rendszert egységesített és vezérelt MHS-sel, amely korábban hét különböző gyártói programot használt közös interfész nélkül.

A QuEra Computing, amely semleges atomokra épülő kvantumszámítógépeket fejleszt, az MHS segítségével adott AI-ügynöknek vezérlést a kvantumgépeiben lévő lézerrendszer egyes részei felett. Az ügynök olyan vezérlőt fejlesztett, amely emberi beavatkozás nélkül az esetek 99,3%-ában visszaállítja a lézer lock állapotát, vagyis azt az ultrapontos frekvenciát, amelyet a lézereknek tartaniuk kell az atomokkal való kölcsönhatáshoz.

A Tetsuwan Scientific az MHS-t ResearchOS nevű automatizált biológiai laborplatformjával integrálta. Az MHS egy qPCR-munkafolyamat összehangolásában segített, amely a kaliforniai San Pedro Creek szennyezésének jellemzését célzó közösségi tudományos erőfeszítésekhez járult hozzá.

Mit jelenthet ez a felhasználóknak és a piacnak

Az MHS jelentősége az Anthropic bejelentése alapján abban áll, hogy az AI-ügynökök és a fizikai eszközök közötti kapcsolatot egységesítené. Ha a szabvány a kutatási előzetes után szélesebb körben is elérhetővé válik, a programozható interfésszel rendelkező eszközöket használó laborok és gyártási környezetek kevesebb egyedi integrációval építhetnek összetett munkafolyamatokat.

A hardvergyártók és az őket támogató szoftvercégek már építenek MHS-támogatást saját berendezéseikbe, hogy az AI-ügynökök könnyebben megtalálhassák és működtethessék az eszközöket. Az Amazon Web Services a Strands Robots könyvtáron keresztül támogatja majd az MHS-t, amely AI-ügynököket kapcsol fizikai eszközökhöz. Az AWS a kutatási előzetes idejére privát, előzetes kiadású Strands Robots csomagot ad a résztvevőknek.

Az Automata szintén MHS-támogatást ad a LINQ nevű laborautomatizálási platformjához, az eszközök intelligens hibakezeléséhez. A bejelentés alapján az Anthropic most olyan partnerekkel keresi a közös szabályokat, amelyek a biztonsági tesztelést, a gyakorlati használatot és a későbbi nyílt forráskódú szabvány előkészítését is alakíthatják.