Anthropic wchodzi do fabryk. Standard MHS ma nauczyć AI obsługi maszyn

W świecie automatyzacji przemysłowej największą barierą nie jest brak mocy obliczeniowej, lecz chaos komunikacyjny. Urządzenia od różnych dostawców operują na zamkniętych ekosystemach i sprzecznych formatach danych. Anthropic, twórca modeli Claude, zamierza to zmienić. Firma właśnie ogłosiła Model Hardware Standard (MHS). To próba stworzenia uniwersalnego interfejsu, który pozwoli agentom AI na bezpośrednią kontrolę nad mikroskopami, ramionami robotycznymi czy komputerami kwantowymi bez pisania dedykowanego kodu dla każdej maszyny.

Dlaczego to ważne właśnie teraz? MHS debiutuje w fazie research preview jako wspólna specyfikacja dla agentów AI, która ma bezpiecznie obsługiwać fizyczne urządzenia. W świecie, gdzie każda zmiana w linii produkcyjnej wymagała dotąd sztabu programistów, Anthropic obiecuje unifikację: standard współpracuje z każdym sprzętem posiadającym programowalny interfejs. Zamiast budować osobne mosty dla każdej maszyny, programiści dostają gotowy schemat komunikacji.

Koniec z wielomiesięczną integracją

MHS bazuje na koncepcji Model Context Protocol (MCP), który wcześniej uporządkował wymianę danych w oprogramowaniu. Tym razem standard opisuje fizyczne parametry urządzeń. Każdy sprzęt wyposażony w sterownik MHS staje się czytelny dla modelu AI, uwzględniając nie tylko funkcje sterujące, ale i limity bezpieczeństwa czy masę komponentów. Anthropic twierdzi, że takie podejście pozwala skrócić proces łączenia maszyn w spójny system z typowych tygodni do zaledwie kilku godzin, eliminując potrzebę tworzenia specjalistycznych programów tłumaczących (tzw. bespoke translators).

Praktyczne testy z partnerami takimi jak Genentech czy Uniwersytet Carnegie Mellon pokazują potencjał tej technologii. W laboratorium Genentech Claude koordynował pracę ramienia robotycznego i czytnika płytek. Z kolei w Carnegie Mellon badacze zintegrowali trzy niekompatybilne systemy w ciągu jednego dnia. Największy sukces odnotowano w projekcie z firmą QuEra, gdzie AI opracowało algorytm stabilizacji lasera w komputerze kwantowym, osiągając 99,3% skuteczności w testach autonomicznych.

Problem z bąbelkami, czyli gdzie AI zawodzi

Mimo wyników, technologia ta obnaża słabość obecnych modeli językowych: brak intuicji fizycznej. W teście z Genentech Claude wpadł w pętlę błędów, gdy w lepkiej cieczy pojawiły się pęcherzyki powietrza. Model nie rozumiał zjawiska i powtarzał proces z minimalnie zmienionymi parametrami, co pogarszało sprawę. Dopiero interwencja człowieka, który wyjaśnił mechanikę problemu, pozwoliła AI znaleźć rozwiązanie.

To kluczowy argument dla sceptyków pełnej autonomii. Anthropic otwarcie przyznaje, że Claude uczy się fizyki poprzez tekst i obrazy, co nie zawsze przekłada się na poprawną orientację w przestrzeni. Dlatego nadzór ekspertów pozostaje nieodzowny. MHS nie jest magiczną różdżką, ale narzędziem ułatwiającym komunikację na linii człowiek-maszyna-AI.

Otwarta przyszłość standardu

Obecnie standard znajduje się w fazie zamkniętych testów, ale Anthropic planuje udostępnić specyfikację jako open source. Lista partnerów obejmuje gigantów takich jak AWS, Universal Robots oraz Doosan Robotics, a nawet projekt Raspberry Pi. Jeśli MHS zyska powszechną akceptację, bariera między cyfrowym kodem a fizyczną produkcją może ostatecznie zniknąć.