Anthropic otevřel výzkumný náhled na Model Hardware Standard, zkráceně MHS. Jde o společnou specifikaci, díky které mohou AI agenti bezpečně obsluhovat fyzická zařízení, a společnost ji zpřístupnila první skupině laboratoří a pokročilých výrobců. Autonomní systém tak dokáže naráz řídit několik laboratorních i výrobních přístrojů, od mikroskopů přes pipetovací roboty po robotická ramena. Zvládne úkoly od rutinních pokusů při hledání léků po kalibraci laseru v kvantovém počítači. Vývojáři to srovnávají s kabelem USB-C, který sjednotil způsob, jakým si periferie předávají informace.
Rozjezd nové sestavy v laboratoři nebo ve výrobě zabere týdny, někdy i měsíce. Většina přístrojů mezi sebou nekomunikuje, takže specialisté musí psát propojení na míru. MHS má tuto práci stlačit na hodiny nebo minuty. Zihao Song z Washingtonské univerzity popsal, že každý jeho stroj má vlastní software i ovladač a spojit je dohromady stojí měsíce až roky úsilí.
Ovladač, který umí čtyři slova a k tomu popis stroje
MHS staví na standardizovaném ovladači, což je software překládající komunikaci mezi operačním systémem počítače a přístrojem. Pracuje s jednoduchou sadou příkazů typu „přečti“, například zjisti teplotu, a „zapiš“, například nastav teplotu, kterým rozumí každé zařízení. Technika se navíc hlásí ve standardním formátu, takže se stroje a AI agenti najdou v síti bez prostředníka napsaného na míru.
Ovladač obsahuje také značky, do kterých člověk běžnou řečí popíše limity a vlastnosti daného stroje, například nosnost robotického ramene. Tyto znalosti dříve ležely v manuálech nebo jen v hlavě obsluhy. Ze značek pak MHS vytvoří referenční soubor s popisem toho, co přístroj měří, co se dá měnit a jaká bezpečnostní omezení platí.
Ovládání funguje třemi cestami, konkrétně přes Model Context Protocol, příkazovou řádku a soubory s kódem. Autonomní systém tak řídí několik zařízení naráz jediným řádkem, sleduje výsledky a průběžně upravuje parametry. Tento standard funguje s jakýmkoli zařízením, které má programovatelné rozhraní, a není vázaný na modely Claude.
Genentech, pipetování a bubliny, na které model nestačil
Základ standardu položili Alek Kemeny z týmu Beneficial Deployments v Anthropicu a Arco Bast, postdoktorand na HHMI Janelia Research Campus. Bast tehdy snímkoval mozek na sestavě, kde se potkávaly lasery, motorizované posuvy a kamery od různých výrobců bez společného rozhraní. Vymyslel proto slovník ve společné paměti, přes který si přístroje předávaly hodnoty, a Kemeny do tohoto rozhraní následně zapojil AI modely.
Virginie Ruetten, která v Janelii zkoumá vliv spánku na rybkách dánio pruhované, měla detektory v MATLABu, kamery v Pythonu a elektrofyziologii v C#. Než mohla začít měřit, musela spouštět sedm programů v přesném pořadí, přičemž jakákoli chyba znamenala zmařený pokus. Po přechodu na MHS jí start experimentu zabere jediné kliknutí. Novou kameru, což byl dříve několikadenní projekt, navíc přidala za pár minut.
Vědci z Genentechu si na MHS vyzkoušeli automatizaci BCA testu, což je běžný postup pro měření koncentrace bílkovin ve vzorku. Zapojili do něj pipetovacího robota, robotické rameno a čtečku mikrotitračních desek, přičemž Claude celý proces řídil. Napoprvé model provedl postup s jednotným nastavením průtoku pro vodné i viskózní roztoky, což vytvořilo bubliny a narušilo přesnost přenosů. Výzkumníci ho proto nechali, aby si průtok sám vyladil zkušebními přenosy barveného roztoku a porovnával je s prací, kterou na stejné desce vykonal odborník. Claude došel k hodnotě okolo 140 mikrolitrů za sekundu u vody a 10 mikrolitrů u viskózního vzorku, což specialisté schválili.
U bublin ale systém nechápal fyzikální podstatu selhání a zkoušel operaci opakovat na stejném místě s jiným nastavením, čímž kapalinu rozvířil ještě více. Teprve když mu tým vysvětlil, že chybový kód pochází právě z pěny a že se má přesunout do čisté jamky a míchat méně, držel se těchto instrukcí po celý zbytek pokusu.
Osm hodin místo několika týdnů
Na Carnegie Mellon University tým postavil komplex z pipetovacího robota, čtečky desek, robotického ramene a kamer, rozprostřený přes tři počítače s nekompatibilním ovládáním. Čtečka desek nemá žádné programové rozhraní, takže systém MHS klikal v jejím okně stejně jako člověk. Zprovoznění zabralo asi osm hodin, zatímco dodavatelské řešení na míru se staví několik týdnů. Pokusy s ředicí řadou pak běžely přibližně třikrát rychleji.
Tým naschvál vyvolal šest poruch, mimo jiné chybějící desku, odpojenou kameru a aktivované bezpečnostní zastavení. Systém všechny tyto problémy zachytil ještě předtím, než se cokoli pohnulo. Když pak autonomní agent dostal zadání získat použitelnou křivku, vyhodnotil první pokus jako nedostatečný kvůli přesycení v horní části rozsahu, sám desku zahodil a měření zopakoval se sníženou koncentrací z 200 na 100 mikrogramů na mililitr. Druhá fáze již přinesla spolehlivý výsledek bez jakéhokoli zásahu člověka.
Laser, který se sám vrací na frekvenci
Nejvýraznější výsledky přinesla společnost QuEra, která staví kvantové počítače na neutrálních atomech. Její lasery musí držet frekvenci s přesností přibližně jedna k bilionu, což autoři srovnávají s měřením vzdálenosti Země od Měsíce s tolerancí na šířku vlasu. Teplota, vibrace nebo změna tlaku však přístroj z frekvence vyvedou a kvantové operace začnou selhávat. Operátor ho pak vrací zpět pět až deset minut. QuEra na to už dříve měla softwarový skript, který několik měsíců vyvíjel tým čtyř lidí. Fungoval ale jen asi v 58 procentech případů a jeden pokus trval kolem 150 sekund.
Stejný problém pak společnost předala Claudovi přes MHS. Přes noc běžela smyčka čtyř rolí, ve které jedna instance modelu navrhovala hypotézu, druhá ji zapsala do kódu, třetí ho spustila na živém laseru a čtvrtá rozhodovala o dalším postupu. Model přepsal lineární sekvenci na rozhodovací strom, který nejprve analyzuje přístroje a zasáhne jen do ovladačů, jež mají u dané poruchy smysl. Do rána klesla doba obnovení frekvence na zhruba šest sekund. Ve slepém testu bez přítomnosti agenta tento skript ze 700 pokusů uspěl 695krát, což znamená v 99,3 procentech případů.
Pak tým poslal agenta na ladění kvality zámku, kterou určuje dvanáct propojených parametrů servosmyčky. Nastavení od specialisty společnosti vykazovalo 15,7 milivoltu zbytkové chyby, přičemž Claude ho po 363 pokusech a šestnácti hodinách stlačil na 1,55 milivoltu. V devatenáctihodinovém provozu neztratilo jeho nastavení zámek ani jednou, zatímco u expertního řešení laser vypadával přibližně 1,6krát za hodinu.
Co model ještě nezvládne
Anthropic dodává, že Claude se o fyzickém světě učí z textů a obrázků, takže jeho prostorové uvažování má své limity a práce vyžaduje dohled odborníka. V pilotním projektu u společnosti QuEra model neuměl řešit poruchy skutečného hardwaru, protože sestavu znal jen programově, a často čekal na lidské potvrzení u kroků, které mu přišly riskantní. Pokus tak občas přes noc zůstal stát. Autoři však poznamenávají, že příliš opatrný agent je stále lepší než ten málo obezřetný.
Nová specifikace zatím nefunguje se zařízeními bez programovatelného rozhraní, takže Anthropic řeší ovladače přímo s jejich výrobci. Na bezpečnostních testech pracuje s partnery z výzkumu, robotiky i výroby a výsledky chce zveřejnit ve chvíli, kdy MHS uvolní jako otevřený zdroj.
Sbíhají se výrobci přístrojů
Podporu pro MHS zavádějí do svých produktů také dodavatelé hardwaru. Amazon Web Services ho chystá pro knihovnu Strands Robots, Automata ho přidává do platformy LINQ a Doosan Robotics ho zkouší na robotických ramenech. Společnost QIAGEN má prototyp na přístroji QIAsymphony Connect a MBF Bioscience píše ovladač pro ScanImage, což je software, na němž běží laserové mikroskopy ve stovkách laboratoří.
Elizabeth Kelly, která v Anthropicu vede tým Beneficial Deployments, řekla stanici CNBC, že standard vznikl pro vědu, ale velký přínos vidí i pro komerční sféru a průmysl. Podle CNBC tím Anthropic vstupuje hlouběji do hardwaru, kde konkurenti včetně OpenAI a Amazonu utratili miliardy dolarů za zařízení postavená kolem umělé inteligence a za výrobní nástroje.
Mezi prvními, kdo tato pravidla nasazují na běžně dostupné vybavení, jsou Hugging Face s robotickou knihovnou LeRobot a Raspberry Pi. Tyto společnosti po úspěšných testech s ovladačem pro kameru chystají podporu u několika svých modelů.
