Standarden er åbnet som en begrænset forskningspreview for laboratorier og avancerede producenter. Ambitionen er, at en AI-agent kan finde, forstå og betjene flere typer programmerbart udstyr uden en ny specialbygget integration for hver eneste maskine.
Et fælles lag mellem agent og udstyr
MHS fungerer som et oversættelseslag. En driver beskriver, hvad et instrument kan måle eller ændre, hvilke tilstande det kan være i, og hvilke sikkerhedsgrænser der gælder. Agenten møder dermed en ensartet beskrivelse, selv om maskinerne bagved er bygget af forskellige producenter og bruger vidt forskellige kontrolsystemer.Det fælles lag er ikke bundet til Claude. Anthropic beskriver MHS som modeluafhængig, og udstyret kan styres gennem blandt andet Model Context Protocol, kommandolinjer eller kode. Den praktiske idé er at skille agentens planlægning fra den tekniske særbehandling af hver maskine.
Forsøg flytter integration fra uger til timer
I de tidlige projekter har forskere koblet MHS til blandt andet mikroskoper, væskeautomater, pladelæsere og robotarme. Anthropic oplyser, at opsætning, der normalt kan tage uger eller måneder, i nogle tilfælde er blevet reduceret til timer eller minutter. Resultaterne kommer dog fra partnerprojekter omkring en tidlig standard og er ikke en garanti for alle laboratorier eller fabrikker.Et hold fra Carnegie Mellon University brugte cirka otte timer på at bygge drivere og et styringslag til fire typer udstyr, som normalt kræver flere ugers integrationsarbejde. Systemet gennemførte derefter et forsøg med serielle fortyndinger omtrent tre gange hurtigere end den tidligere proces. Før maskinerne bevægede sig, blev seks kunstigt fremkaldte fejltilstande registreret og blokeret.
Hos Genentech blev en AI-agent sat til at koordinere en proteinmåling på tværs af en væskeautomat, en robotarm og en pladelæser. Agenten kunne afprøve forskellige hastigheder for væskeoverførsel og samle det lærte i en fast procedure. Det peger på en mulig gevinst ved standarden: erfaring fra én kørsel kan omsættes til genbrugelig styring i stedet for at blive i en enkelt chatsamtale.
Fysikken sætter stadig grænsen
De samme forsøg viste, hvorfor en fælles forbindelse ikke i sig selv gør en AI-agent til laboratorieekspert. Da der opstod bobler i en tyktflydende prøve, forsøgte Claude først at gentage handlingen med nye indstillinger. Det gjorde problemet værre, fordi modellen ikke selv forstod den fysiske årsag.Først efter menneskelig vejledning ændrede agenten fremgangsmåde. Den kunne derefter fastholde den nye viden og bruge den i resten af forsøget. Eksemplet er centralt, fordi et digitalt fejltrin kan få en fysisk konsekvens, når AI får adgang til bevægelige maskiner, kemiske prøver eller dyrt måleudstyr.
En standard før det bliver et produkt
Nyheden er først og fremmest et forsøg på at etablere en fælles byggesten. MHS er endnu ikke frit tilgængelig kode, og interesserede organisationer skal søge om adgang. Anthropic inviterer forsknings- og industripartnere til at teste specifikationen, udvikle sikkerhedsevalueringer og finde praksis for ansvarlig brug, før en planlagt open source-udgivelse.Hvis standarden får bred støtte, kan den gøre det lettere at flytte AI-agenter fra skærmarbejde til fysiske processer uden at begynde forfra ved hver maskine. Men previewens vigtigste lektie er lige så jordnær: Et fælles sprog gør forbindelsen enklere, mens sikker drift stadig afhænger af gode drivere, faste grænser og mennesker med faglig forståelse.
Der er benyttet AI til at skrive denne artikel.
