Anthropic prezentuje Model Hardware Standard (MHS) dla bezpiecznej współpracy AI z urządzeniami fizycznymi

Anthropic udostępniło podgląd badawczy Model Hardware Standard (MHS), ujednoliconej specyfikacji, która umożliwia agentom sztucznej inteligencji odkrywanie i operowanie urządzeniami fizycznymi. Celem MHS jest rozwiązanie problemu interoperacyjności w środowiskach laboratoryjnych i fabrycznych, gdzie sprzęt od różnych dostawców rzadko jest ze sobą kompatybilny. Zespół Anthropic podkreśla, że MHS skraca czas konfiguracji z tygodni lub miesięcy do zaledwie godzin lub minut.

Ujednolicenie komunikacji urządzeń

Obecnie każde urządzenie posiada własny interfejs programistyczny, co wymaga ręcznego tworzenia niestandardowych translatorów dla każdej pary urządzeń. Nawet po połączeniu brakowało wspólnego sposobu na przekazywanie stanu urządzeń agentowi AI lub bezpieczne operowanie nimi. MHS standaryzuje sterownik – warstwę między systemem operacyjnym a urządzeniem. Udostępnia on mały, prymitywny zestaw funkcji: odczyt (np. temperatury), zapis (np. ustawienie temperatury) oraz funkcję wykrywania, dzięki czemu urządzenia i agenci mogą odnaleźć się w sieci bez potrzeby dodatkowych translatorów.

Standard MHS zawiera również tzw. tagi sterownika, które pozwalają na zapisanie wiedzy, której sam kod nie jest w stanie zakodować, np. wagi ramienia robota. Użytkownik może wprowadzić te informacje w języku naturalnym lub agent AI może je pozyskać w drodze wywiadu. Sterownik kompiluje te tagi do pliku referencyjnego, zawierającego dane o tym, co urządzenie mierzy, co można regulować i jakie limity bezpieczeństwa są egzekwowane. Kontrola odbywa się za pomocą trzech mechanizmów: Model Context Protocol, interfejsu wiersza poleceń (CLI) oraz plików kodu. MHS jest niezależny od modelu AI, co oznacza, że każdy agent może uzyskać do niego dostęp za pośrednictwem standardowych protokołów.

Praktyczne zastosowania i wyniki

Anthropic przedstawiło kilka przykładów zastosowania MHS, demonstrujących jego skuteczność w różnych środowiskach:

• Genentech zautomatyzował test białka BCA, wykorzystując podajnik cieczy, ramię robotyczne i czytnik płytek. Claude przeprowadził próbne transfery barwionej cieczy, odczytał absorbancję i ocenił się na podstawie płytek eksperta, uzyskując rozsądne parametry przepływu.
• QuEra Computing wykorzystała MHS do problemu ponownego blokowania lasera. Niestandardowy skrypt, tworzony przez czteroosobowy zespół przez miesiące, działał z efektywnością około 58%. Dzięki MHS, pętla agentów AI działała bez nadzoru przez noc, tworząc deterministyczny skrypt Pythona, który odzyskiwał blokadę 695 razy na 700 prób (99,3%). Czas na najtrudniejsze przypadki skrócił się z 5-10 minut dla człowieka do 10-14 sekund. Claude również zmniejszył błąd szczątkowy serwomechanizmu z 15,7 mV (ekspert) do 1,55 mV.
• Carnegie Mellon przyspieszyło eksperymenty dawka-reakcja około trzykrotnie, koordynując podajnik cieczy, czytnik płytek, ramię robotyczne i kamery na trzech komputerach z niekompatybilnymi interfejsami. Proces od pisania sterownika do uzyskania kompletnej krzywej zajął około ośmiu godzin, w porównaniu do kilku tygodni w przypadku konfiguracji dostawcy. Zablokowano sześć celowo wywołanych błędów, zanim jakiekolwiek urządzenie się poruszyło.
• Na University of Washington student doktorancki podłączył sześć instrumentów w mniej niż tydzień, wliczając w to pisanie sterowników. Tetsuwan Scientific połączyło MHS ze swoją platformą ResearchOS do profilowania zanieczyszczeń metodą qPCR. W Janelia jedna mikroskopowa platforma przeszła z siedmiu programów uruchamianych w ustalonej kolejności do obsługi za pomocą jednego kliknięcia w panelu.

Co to oznacza dla badań i przemysłu

Wprowadzenie Model Hardware Standard przez Anthropic stanowi znaczący krok w kierunku demokratyzacji automatyzacji w laboratoriach i przemyśle. Upraszczając i przyspieszając integrację różnorodnych urządzeń, MHS może radykalnie obniżyć bariery wejścia dla innowacji, umożliwiając naukowcom i inżynierom szybsze prototypowanie i przeprowadzanie eksperymentów. Potencjał bezpiecznej i efektywnej współpracy agentów AI z fizycznym sprzętem otwiera nowe możliwości dla zautomatyzowanych badań, produkcji i rozwoju, przyspieszając postęp w wielu dziedzinach, gdzie precyzja i szybkość są kluczowe. Warto obserwować, jak standard ten będzie adaptowany i rozwijany w przyszłości, wpływając na kształt laboratoriów przyszłości i inteligentnych fabryk.

Źródło: marktechpost.com