Anthropic ha aperto l’anteprima di ricerca del Model Hardware Standard (MHS), una specifica condivisa che permette agli agenti AI di controllare dispositivi fisici in laboratorio e in fabbrica. E quando dico ‘controllare’, intendo davvero: microscopi, liquid handler, bracci robotici, persino i laser di un computer quantistico. Tutto in parallelo, senza che uno specialista debba costruire integrazioni custom per ogni singolo strumento.
Il progetto è nato dalla collaborazione tra Anthropic e il centro di ricerca HHMI Janelia. Il problema che volevano risolvere? Semplice ma frustrante: normalmente ci vogliono settimane, se non mesi, per integrare l’hardware di un lab o di uno stabilimento produttivo. Ogni dispositivo parla la sua lingua, servono traduzioni artigianali per farli comunicare. Con MHS questo lavoro si riduce a ore. O minuti.
Come funziona davvero MHS
Immaginate un laboratorio pieno di strumenti costosi che non si parlano tra loro. Ognuno ha la sua interfaccia proprietaria, il suo software, il suo manuale cartaceo. Prima di MHS, se volevate che un agente AI li orchestrasse, dovevate costruire un sistema di integrazione pezzo per pezzo. Un incubo.
MHS introduce un driver standardizzato che fa da interprete universale. Usa primitive semplicissime — ‘read’ (tipo: leggi la temperatura) o ‘write’ (imposta la temperatura) — che qualunque dispositivo programmabile può capire ed eseguire. Il driver rende ogni strumento ‘scopribile’ in un formato standard, così agenti e macchine si trovano da soli sulla rete, senza bisogno di software intermediario fatto su misura.
Ma c’è di più. Il driver MHS aiuta l’agente a capire come usare un dispositivo che non ha mai visto prima. Come? Gli dà informazioni che normalmente stanno solo nei manuali cartacei o nella testa degli operatori: il peso di un braccio robotico (importante per non farlo schiantare contro qualcosa), i limiti di sicurezza, cosa può misurare, cosa può regolare. L’utente scrive queste info in linguaggio naturale — o le detta direttamente a un agente che lo intervista sul setup — e il driver MHS genera automaticamente un file di riferimento. L’agente ha tutto quello che gli serve per mettersi al lavoro.
Il controllo: MCP, command line e API
Una volta che i dispositivi sono connessi e l’agente sa usarli, serve un modo per controllarli. MHS ne offre tre: Model Context Protocol, interfaccia a riga di comando e file di codice (API). Lavorano insieme per orchestrare più dispositivi con una singola riga di codice.
A quel punto l’agente riceve dati operativi da ogni strumento, supervisiona il lavoro, dirige le operazioni. Sequenzia i passaggi, monitora i risultati, aggiusta i parametri in tempo reale. E quando deve eseguire task lunghi o più veloci di quanto il suo ragionamento online permetterebbe, incatena i comandi del driver in file di codice. Così i dispositivi eseguono le operazioni da soli, senza che l’agente debba ragionare a ogni step.
Durante i test, Anthropic ha notato che Claude interagisce con gli esperimenti in modo esplorativo, come farebbe uno scienziato. Esempio: Claude ha regolato un laser, osservato i risultati tramite una videocamera per valutare come il raggio si era spostato, ripetuto il processo per capire la sequenza. Poi ha impacchettato quello che aveva imparato in file di codice, scrivendo uno script deterministico per allineare il laser senza dover ragionare a ogni passaggio. Il processo intero girava come un singolo comando.
Cosa stanno facendo i primi utenti
Anthropic ha condiviso MHS con un gruppo ristretto di laboratori e produttori di hardware in biotech, robotica, quantum computing. I risultati? Tempi di integrazione ridotti drasticamente, iterazioni più veloci negli esperimenti, assistenza nella gestione live delle macchine e rilevamento dei guasti in tempo reale.
Genentech ha implementato MHS come proof of concept per automatizzare il BCA protein assay, una procedura standard per misurare la concentrazione proteica in un campione. Serviva coordinare liquid handler, braccio robotico e plate reader. Zihao Song, dottorando all’Università di Washington nei lab Baker e Pinglay, ha usato MHS per costruire una dashboard di monitoraggio remoto degli strumenti, un qPCR supervisionato da agente AI (che osserva le curve di amplificazione e ferma la procedura al momento giusto), e un’integrazione tra braccio robotico e liquid handler per passaggi di piastre senza collisioni.
I ricercatori della Carnegie Mellon hanno usato MHS per esperimenti di dose-risposta con diluizione seriale circa tre volte più veloci di prima. L’agente AI orchestrava liquid handler, plate reader, braccio robotico e videocamere di monitoraggio distribuiti su tre computer con interfacce fondamentalmente incompatibili. Tre volte più veloce. Lasciate che la cosa vi affondi.
Quantum computing e microscopia
QuEra, che costruisce computer quantistici con atomi neutri, ha usato MHS per dare a un agente AI il controllo di parti del sistema laser dentro le sue macchine quantistiche. L’agente ha sviluppato un controller che recupera il ‘lock’ del laser — la frequenza ultra-precisa che i laser devono mantenere per interagire con gli atomi — nel 99,3% dei casi senza intervento umano. 99,3%. Il che significa meno chiamate notturne ai tecnici.
Al centro di ricerca HHMI Janelia, i ricercatori usano MHS per accelerare progetti legati alla microscopia. Virginie Ruetten, scienziata nel lab Ahrens che studia come il sonno aiuta il corpo a riprendersi dallo stress, ha usato MHS per unificare e orchestrare un rig che prima richiedeva sette diversi programmi vendor senza interfaccia condivisa. Sette.
Tetsuwan Scientific ha integrato MHS con la sua piattaforma per lab di biologia automatizzati, ResearchOS. MHS ha orchestrato un workflow qPCR per contribuire a progetti di citizen science sulla caratterizzazione dell’inquinamento nel San Pedro Creek in California.
I produttori hardware si stanno muovendo
Non sono solo i lab a sperimentare. I vendor hardware e le software house che li supportano stanno costruendo supporto MHS direttamente nei loro prodotti. Amazon Web Services supporterà MHS attraverso Strands Robots, la libreria per connettere agenti AI a dispositivi fisici. Automata sta aggiungendo supporto MHS a LINQ, la loro piattaforma di automazione lab, per gestione intelligente degli errori degli strumenti. Danaher e Anthropic stanno esplorando attivamente come le capacità supportate da MHS potrebbero far scalare ricerca e sviluppo biomedico.
Doosan Robotics sta testando MHS coi loro bracci robotici, anche per quality assurance automatizzata e coordinamento task tra robot multipli. MBF Bioscience sta costruendo un driver MHS per ScanImage, il software che fa girare microscopi laser-scanning in centinaia di lab di neuroscienze nel mondo, per integrare agenti AI in analisi dati ed esperimenti real-time. QIAGEN sta sperimentando con MHS tramite proof of concept sulla sua piattaforma di purificazione acidi nucleici, QIAsymphony Connect. L’idea è che gli agenti AI aiutino i laboratori a fare troubleshooting più veloce, guidino gli operatori nel recovery, migliorino l’uptime degli strumenti riducendo il rischio per i campioni biologici.
Tecan aggiunge supporto MHS per le loro piattaforme Fluent di liquid handling. Universal Robots ha avuto accesso anticipato a MHS e pianifica di aggiungere supporto alla sua piattaforma robotica.
I limiti (che esistono, eccome)
I risultati dei partner sono incoraggianti, ma c’è ancora lavoro da fare prima che lo standard diventi open source. Claude è un large language model: impara del mondo fisico attraverso testo e immagini. Il che significa che il suo ragionamento spaziale e fisico ha limiti che richiedono supervisione esperta. I ricercatori Genentech hanno dovuto guidare Claude a riconoscere che errori causati da formazione di schiuma nei campioni erano guasti fisici, non bug software, risolvibili solo con correzioni fisiche appropriate.
MHS non funziona ancora con hardware privo di interfaccia programmabile. Anthropic sta lavorando coi produttori di questi dispositivi per integrare driver MHS. Molti sviluppatori già usano Claude Code per lavorare con singoli pezzi di equipaggiamento fisico; la prossima fase di MHS punta a espandere lo standard per coprire più dispositivi. Early adopter includono Hugging Face, che sta aggiungendo supporto MHS in LeRobot (la loro libreria robotica), e Raspberry Pi, che sta abilitando integrazione MHS su diversi prodotti dopo test riusciti col loro Camera MHS Driver.
L’anteprima di ricerca servirà anche a costruire valutazioni di sicurezza aggiuntive coi partner di lancio e rafforzare le protezioni per l’uso di AI nel mondo fisico. Anthropic sta sviluppando una roadmap di sicurezza fisica per rinforzare le policy di salvaguardia e la copertura enforcement contro rischi di uso improprio. Quando MHS diventerà open source, rilasceranno i risultati dell’anteprima come parte delle linee guida per deployment sicuro dello standard.
Chiunque voglia partecipare all’anteprima di ricerca può iscriversi alla waitlist. MHS è nato dalla collaborazione tra Alek Kemeny del team Beneficial Deployments di Anthropic e Arco Bast, postdoc al centro HHMI Janelia. Bast stava eseguendo esperimenti complessi di brain-imaging su un rig che combinava laser, focuser motorizzati e videocamere specializzate di vendor diversi senza interfaccia comune. Per velocizzare gli esperimenti, ha sviluppato un dizionario di memoria condivisa che permetteva agli strumenti di comunicare tra loro alla velocità della memoria. Kemeny e Bast hanno lavorato insieme per integrare modelli AI in quell’interfaccia. E da lì è partito tutto.
