Anthropic hat eine Forschungsvorschau auf den Model Hardware Standard, kurz MHS, eröffnet. Dabei handelt es sich um eine gemeinsame Spezifikation, mit der KI-Agenten physische Geräte sicher bedienen können. Das Unternehmen hat sie einer ersten Gruppe von Laboren und fortschrittlichen Herstellern zugänglich gemacht. Ein autonomes System kann damit gleichzeitig mehrere Labor- und Produktionsgeräte steuern, von Mikroskopen über Pipettierroboter bis hin zu Roboterarmen. Es bewältigt Aufgaben von Routineexperimenten bei der Arzneimittelsuche bis zur Kalibrierung eines Lasers in einem Quantencomputer. Die Entwickler vergleichen dies mit dem USB-C-Kabel, das vereinheitlicht hat, wie Peripheriegeräte Informationen austauschen.
Die Inbetriebnahme eines neuen Aufbaus im Labor oder in der Produktion dauert Wochen, manchmal sogar Monate. Die meisten Geräte kommunizieren nicht miteinander, sodass Fachleute maßgeschneiderte Verbindungen programmieren müssen. MHS soll diesen Aufwand auf Stunden oder Minuten reduzieren. Zihao Song von der University of Washington erklärte, dass jede seiner Maschinen über eine eigene Software und einen eigenen Treiber verfüge und es Monate bis Jahre dauere, sie miteinander zu verbinden.
Ein Treiber, der vier Wörter beherrscht, plus eine Maschinenbeschreibung
MHS basiert auf einem standardisierten Treiber, also einer Software, die die Kommunikation zwischen dem Betriebssystem eines Computers und einem Gerät übersetzt. Er arbeitet mit einem einfachen Satz von Befehlen wie „lesen“, etwa zum Ermitteln der Temperatur, und „schreiben“, etwa zum Einstellen der Temperatur, die jedes Gerät versteht. Zudem melden sich die Geräte in einem standardisierten Format an, sodass Maschinen und KI-Agenten einander im Netzwerk ohne eigens programmierten Vermittler finden.
Der Treiber enthält außerdem Felder, in denen ein Mensch die Grenzen und Eigenschaften der jeweiligen Maschine in natürlicher Sprache beschreibt, beispielsweise die Tragfähigkeit eines Roboterarms. Dieses Wissen war früher in Handbüchern oder nur im Kopf des Bedienpersonals zu finden. Aus diesen Feldern erstellt MHS anschließend eine Referenzdatei mit einer Beschreibung dessen, was das Gerät misst, was sich verändern lässt und welche Sicherheitsbeschränkungen gelten.
Die Steuerung funktioniert auf drei Wegen, konkret über das Model Context Protocol, die Befehlszeile und Codedateien. Ein autonomes System kann so mehrere Geräte gleichzeitig mit einer einzigen Zeile steuern, die Ergebnisse überwachen und die Parameter fortlaufend anpassen. Dieser Standard funktioniert mit jedem Gerät, das über eine programmierbare Schnittstelle verfügt, und ist nicht an Claude-Modelle gebunden.
Genentech, Pipettieren und Blasen, an denen das Modell scheiterte
Die Grundlage des Standards schufen Alek Kemeny aus dem Team Beneficial Deployments bei Anthropic und Arco Bast, Postdoktorand am HHMI Janelia Research Campus. Bast bildete damals ein Gehirn mit einem Aufbau ab, in dem Laser, motorisierte Verfahrtische und Kameras verschiedener Hersteller ohne gemeinsame Schnittstelle zusammenkamen. Deshalb entwickelte er ein Wörterbuch in einem gemeinsamen Speicher, über das die Geräte Werte austauschten. Kemeny band anschließend KI-Modelle in diese Schnittstelle ein.
Virginie Ruetten, die bei Janelia den Einfluss von Schlaf auf Zebrafische untersucht, hatte Detektoren in MATLAB, Kameras in Python und die Elektrophysiologie in C#. Bevor sie mit den Messungen beginnen konnte, musste sie sieben Programme in einer exakten Reihenfolge starten, wobei jeder Fehler ein gescheitertes Experiment bedeutete. Nach dem Umstieg auf MHS startet sie das Experiment mit einem einzigen Klick. Eine neue Kamera, deren Einbindung früher ein mehrtägiges Projekt war, fügte sie zudem innerhalb weniger Minuten hinzu.
Wissenschaftler von Genentech erprobten mit MHS die Automatisierung des BCA-Tests, eines gängigen Verfahrens zur Messung der Proteinkonzentration in einer Probe. Sie integrierten einen Pipettierroboter, einen Roboterarm und ein Mikrotiterplatten-Lesegerät, wobei Claude den gesamten Prozess steuerte. Beim ersten Versuch führte das Modell das Verfahren mit einer einheitlichen Durchflusseinstellung für wässrige und viskose Lösungen durch, wodurch Blasen entstanden und die Genauigkeit der Übertragungen beeinträchtigt wurde. Die Forscher ließen es deshalb den Durchfluss durch Probeübertragungen einer gefärbten Lösung selbst optimieren und die Ergebnisse mit der Arbeit vergleichen, die ein Fachmann auf derselben Platte durchgeführt hatte. Claude ermittelte einen Wert von etwa 140 Mikrolitern pro Sekunde für Wasser und 10 Mikrolitern für die viskose Probe, was die Fachleute genehmigten.
Bei den Blasen verstand das System jedoch die physikalische Ursache des Fehlers nicht und versuchte, den Vorgang an derselben Stelle mit einer anderen Einstellung zu wiederholen, wodurch die Flüssigkeit noch stärker aufgewirbelt wurde. Erst als das Team ihm erklärte, dass der Fehlercode auf den Schaum zurückzuführen sei und es in eine saubere Vertiefung wechseln und weniger mischen solle, hielt es sich während des gesamten restlichen Versuchs an diese Anweisungen.
Acht Stunden statt mehrerer Wochen
An der Carnegie Mellon University baute ein Team einen Komplex aus einem Pipettierroboter, einem Plattenlesegerät, einem Roboterarm und Kameras auf, der sich über drei Computer mit inkompatiblen Steuerungen erstreckte. Das Plattenlesegerät verfügt über keine Programmierschnittstelle, daher klickte das MHS-System genauso wie ein Mensch in dessen Fenster. Die Inbetriebnahme dauerte etwa acht Stunden, während eine maßgeschneiderte Anbieterlösung mehrere Wochen benötigt. Versuche mit Verdünnungsreihen liefen anschließend etwa dreimal schneller.
Das Team löste absichtlich sechs Störungen aus, darunter eine fehlende Platte, eine getrennte Kamera und einen aktivierten Sicherheitsstopp. Das System erkannte all diese Probleme, noch bevor sich irgendetwas bewegte. Als der autonome Agent anschließend die Aufgabe erhielt, eine brauchbare Kurve zu erzeugen, bewertete er den ersten Versuch wegen einer Übersättigung im oberen Bereich als unzureichend, verwarf die Platte selbstständig und wiederholte die Messung mit einer von 200 auf 100 Mikrogramm pro Milliliter reduzierten Konzentration. Die zweite Phase lieferte bereits ohne jegliches menschliches Eingreifen ein zuverlässiges Ergebnis.
Ein Laser, der selbstständig zur Frequenz zurückkehrt
Die bemerkenswertesten Ergebnisse erzielte das Unternehmen QuEra, das Quantencomputer auf Basis neutraler Atome baut. Dessen Laser müssen die Frequenz mit einer Genauigkeit von etwa eins zu einer Billion halten, was die Autoren mit der Messung der Entfernung zwischen Erde und Mond mit einer Toleranz von einer Haarbreite vergleichen. Temperatur, Vibrationen oder Druckänderungen bringen das Gerät jedoch von der Frequenz ab, woraufhin die Quantenoperationen zu versagen beginnen. Ein Bediener benötigt dann fünf bis zehn Minuten, um es wieder zurückzuführen. QuEra verfügte dafür bereits zuvor über ein Softwareskript, das ein vierköpfiges Team mehrere Monate lang entwickelt hatte. Es funktionierte jedoch nur in etwa 58 Prozent der Fälle, und ein Versuch dauerte rund 150 Sekunden.
Anschließend übergab das Unternehmen dasselbe Problem über MHS an Claude. Über Nacht lief eine Schleife aus vier Rollen, in der eine Instanz des Modells eine Hypothese entwickelte, die zweite sie in Code umsetzte, die dritte den Code am aktiven Laser ausführte und die vierte über das weitere Vorgehen entschied. Das Modell schrieb die lineare Sequenz in einen Entscheidungsbaum um, der zunächst die Geräte analysiert und nur bei denjenigen Treibern eingreift, die für die jeweilige Störung relevant sind. Bis zum Morgen sank die Zeit zur Wiederherstellung der Frequenz auf etwa sechs Sekunden. In einem Blindtest ohne Anwesenheit des Agenten war dieses Skript bei 695 von 700 Versuchen erfolgreich, also in 99,3 Prozent der Fälle.
Danach setzte das Team den Agenten auf die Optimierung der Lock-Qualität an, die durch zwölf miteinander verknüpfte Parameter der Servoschleife bestimmt wird. Die Einstellung eines Spezialisten des Unternehmens wies einen Restfehler von 15,7 Millivolt auf, den Claude nach 363 Versuchen und sechzehn Stunden auf 1,55 Millivolt reduzierte. Während eines neunzehnstündigen Betriebs verlor seine Einstellung den Lock kein einziges Mal, während der Laser bei der Expertenlösung etwa 1,6-mal pro Stunde ausfiel.
Was das Modell noch nicht bewältigt
Anthropic ergänzt, dass Claude aus Texten und Bildern über die physische Welt lernt, sodass sein räumliches Denken Grenzen hat und die Arbeit die Aufsicht eines Fachmanns erfordert. Im Pilotprojekt bei QuEra konnte das Modell Störungen der tatsächlichen Hardware nicht beheben, da es den Aufbau nur aus programmtechnischer Sicht kannte, und wartete bei Schritten, die ihm riskant erschienen, häufig auf eine menschliche Bestätigung. Dadurch kam der Versuch gelegentlich über Nacht zum Stillstand. Die Autoren merken jedoch an, dass ein übervorsichtiger Agent immer noch besser sei als ein zu wenig vorsichtiger.
Die neue Spezifikation funktioniert bislang nicht mit Geräten ohne programmierbare Schnittstelle, weshalb Anthropic gemeinsam mit deren Herstellern an Treibern arbeitet. Bei Sicherheitstests kooperiert das Unternehmen mit Partnern aus Forschung, Robotik und Fertigung und will die Ergebnisse veröffentlichen, sobald MHS als Open Source freigegeben wird.
Gerätehersteller schließen sich an
Auch Hardwareanbieter integrieren Unterstützung für MHS in ihre Produkte. Amazon Web Services bereitet sie für die Bibliothek Strands Robots vor, Automata fügt sie der LINQ-Plattform hinzu und Doosan Robotics testet sie an Roboterarmen. Das Unternehmen QIAGEN verfügt über einen Prototyp auf dem Gerät QIAsymphony Connect, und MBF Bioscience schreibt einen Treiber für ScanImage, eine Software, mit der Lasermikroskope in Hunderten von Laboren betrieben werden.
Elizabeth Kelly, die bei Anthropic das Team Beneficial Deployments leitet, sagte dem Sender CNBC, der Standard sei für die Wissenschaft entwickelt worden, sie sehe jedoch auch großes Potenzial für den kommerziellen Sektor und die Industrie. Laut CNBC dringt Anthropic damit tiefer in den Hardwarebereich vor, in dem Konkurrenten wie OpenAI und Amazon Milliarden von Dollar für rund um künstliche Intelligenz entwickelte Geräte und Fertigungswerkzeuge ausgegeben haben.
Zu den Ersten, die diese Regeln auf handelsübliche Geräte anwenden, gehören Hugging Face mit der Robotikbibliothek LeRobot und Raspberry Pi. Nach erfolgreichen Tests mit einem Kameratreiber bereiten diese Unternehmen die Unterstützung für mehrere ihrer Modelle vor.
