Anthropic wchodzi w Physical AI. MHS ma połączyć agentów z maszynami

Anthropic robi pierwszy wyraźny krok z agentów software’owych do Physical AI. 27 sierpnia firma pokazała Model Hardware Standard, czyli specyfikację mającą ujednolicić sposób, w jaki modele i agenci AI odkrywają urządzenia, poznają ich ograniczenia, wydają polecenia i odbierają stan maszyny. W praktyce MHS ma pełnić dla sprzętu rolę podobną do tej, jaką warstwy integracyjne pełnią w świecie software’u — tyle że konsekwencje błędu są tu fizyczne.

Pierwszy preview obejmuje laboratoria badawcze i zaawansowanych producentów. Anthropic wymienia m.in. mikroskopy, liquid handlery, ramiona robotyczne oraz urządzenia wykorzystywane w eksperymentach biologicznych i systemach kwantowych. Firma podkreśla, że MHS jest model-agnostic i może współpracować z agentami przez standardowe protokoły, w tym MCP.

Co dokładnie robi MHS

Najważniejszą ideą jest standardowy driver opisujący urządzenie i jego możliwości. Zamiast pisać osobną integrację dla każdej maszyny, MHS udostępnia wspólne prymitywy typu read i write, informacje o stanie oraz opis ograniczeń. Driver może też zawierać wiedzę, której nie da się łatwo wywnioskować z samego API — na przykład masę ramienia, zakresy ruchu albo limity bezpieczeństwa.

Po podłączeniu urządzeń agent może koordynować wiele maszyn jako jeden workflow: uruchomić liquid handler, zlecić ramieniu przeniesienie płytki, odczytać wynik z czytnika i na tej podstawie zmienić parametry kolejnej próby. Anthropic pokazuje to nie jako pojedynczy „robot sterowany Claude”, ale jako warstwę orkiestracji całej grupy urządzeń.

Pierwsze testy są konkretne, ale nadal eksperymentalne

W opublikowanym materiale Anthropic opisuje proof-of-concept w Genentech, gdzie Claude przez MHS koordynował liquid handler, ramię i czytnik mikropłytek. System optymalizował parametry transferu cieczy i reagował na część błędów. Firma opisuje również testy w laboratoriach akademickich, mikroskopii i automatyce. To wartościowszy dowód niż sceniczne demo, bo pokazuje zamkniętą pętlę pomiar–decyzja–akcja.

Jednocześnie sam Anthropic opisuje ograniczenia. W eksperymencie z próbkami białkowymi model nie rozumiał początkowo fizycznej przyczyny problemów z pęcherzykami i potrzebował wskazówki eksperta. To ważny sygnał: standard komunikacji nie rozwiązuje automatycznie problemu physical reasoning. MHS może ułatwić modelowi dostęp do maszyny, ale nie gwarantuje, że model poprawnie zinterpretuje świat fizyczny.

Dlaczego to jest ważne dla robotyki

Rynek Physical AI jest dziś rozdrobniony. Producenci robotów mają własne SDK, systemy sterowania i formaty danych, a integratorzy budują dużą część logiki od zera. Jeżeli MHS lub podobny standard zdobędzie szerokie wsparcie, wartość może przesunąć się z pojedynczego robota w stronę warstwy, która pozwala temu samemu agentowi pracować z wieloma typami urządzeń.

To również ciekawy kontrapunkt dla wyścigu humanoidów. Humanoid próbuje dopasować ciało do środowiska zbudowanego dla człowieka. MHS atakuje problem od drugiej strony: nie wymaga jednego uniwersalnego ciała, tylko próbuje dać agentowi wspólny język do obsługi wielu wyspecjalizowanych maszyn.

Co jest deklaracją Anthropic

• Anthropic twierdzi, że integracje trwające dziś tygodnie lub miesiące mogą w części przypadków skrócić się do godzin lub minut. Nie jest to niezależny benchmark całej branży.
• Firma deklaruje możliwość autonomicznych, całodobowych workflowów oraz odzyskiwania po części błędów sprzętowych. Zakres tej autonomii zależy od konkretnego urządzenia i scenariusza.
• MHS ma zostać otwarty jako open source po fazie preview. Na dzień publikacji pełna publiczna wersja nie jest jeszcze dostępna.

Europa: standard spotka regulacje maszynowe

Dla europejskich producentów cobotów, automatyki i sprzętu laboratoryjnego MHS może być szczególnie interesujący, ale też trudniejszy regulacyjnie. Od 20 stycznia 2027 r. zacznie być stosowane unijne Machinery Regulation 2023/1230, obejmujące m.in. określone systemy bezpieczeństwa wykorzystujące AI oraz maszyny o zachowaniu ewoluującym. Warstwa, która opisuje limity ruchu i pozwala agentowi sterować fizyczną maszyną, będzie musiała być projektowana z bezpieczeństwem jako elementem architektury, a nie dodatkiem.

Wniosek RoboMorrow

MHS nie jest jeszcze „systemem operacyjnym dla robotów”, ale może stać się ważnym elementem stosu Physical AI. Najciekawsze nie jest to, że Claude poruszył ramieniem. Najciekawsze jest to, że Anthropic próbuje ustandaryzować interfejs między modelem a fizycznym światem. Jeśli producenci sprzętu zaczną implementować taki standard natywnie, bariera wejścia dla agentów sterujących maszynami może spaść podobnie jak wcześniej spadła bariera integracji modeli z narzędziami software’owymi.

MHS nie jest „mózgiem robota” — to inna warstwa stosu

Najłatwiej pomylić MHS z kolejnym modelem VLA albo robot foundation model. To błąd. Model ruchu decyduje, jak robot ma poruszyć ręką, nogą lub chwytakiem. MHS próbuje standaryzować niższą warstwę integracyjną: jak agent odkrywa urządzenie, poznaje dostępne stany i operacje, sprawdza ograniczenia oraz przekazuje polecenia do maszyny. W jednym systemie tym urządzeniem może być ramię robotyczne, w drugim mikroskop, piec, pompa albo kamera.

To rozróżnienie jest strategiczne. Rynek może mieć dziesiątki konkurujących modeli „mózgów”, ale wszystkie zyskują, jeśli urządzenia mówią wspólnym językiem. Anthropic opisuje trzy mechanizmy sterowania: MCP, interfejs wiersza poleceń oraz pliki kodu/API. Agent może więc wykorzystać rozumowanie do zaplanowania zadania, a powtarzalny fragment zamknąć w deterministycznym skrypcie. To ważniejsze dla bezpieczeństwa i opóźnień niż próba podejmowania każdej decyzji przez LLM w czasie rzeczywistym.

Pierwsze liczby są mocne — ale pochodzą od Anthropic i partnerów

Najbardziej konkretny case study dotyczy QuEra Computing. Zespół automatyzował odzyskiwanie stabilizacji lasera używanego w komputerach kwantowych. Poprzedni, budowany miesiącami skrypt miał według opisu partnera około 58% skuteczności i potrzebował około 150 sekund na próbę. System rozwijany z MHS osiągnął w ślepym teście 695 udanych odzyskań na 700 prób, czyli 99,3%. Proste zaburzenia miały być korygowane w 0,9–5,4 s, trudniejsze w około 10–14 s. To interesujące wyniki, ale nie są niezależnym benchmarkiem RoboMorrow; pochodzą z materiału Anthropic i uczestników preview.

Równie ważny jest negatywny wynik z Genentech. Claude potrafił optymalizować parametry transferu cieczy i samodzielnie wychodził z części błędów, ale przy problemach powodowanych przez pianę błędnie traktował fizyczne zjawisko jak problem programowy i wymagał wskazówki eksperta. Anthropic publikuje ten przypadek wprost. To dobry reality check: wspólny interfejs do maszyny nie daje modelowi automatycznie intuicji fizycznej, chemicznej ani procesowej.

To nie jest projekt tylko Anthropic

W preview uczestniczy już grupa firm z kilku warstw rynku. Universal Robots planuje wsparcie MHS na swojej platformie, Doosan Robotics testuje standard na ramionach robotycznych, Hugging Face dodaje obsługę do LeRobot, a Raspberry Pi pracuje nad integracją dla swoich produktów. AWS wspiera preview przez bibliotekę Strands Robots. Automata, Danaher, QIAGEN i Tecan testują standard w automatyce laboratoryjnej. To nadal nie jest masowa adopcja, ale lista jest wystarczająco szeroka, by traktować MHS jako próbę ustanowienia ekosystemu, a nie jednorazowe demo Claude.

Dla producentów hardware’u najważniejsze pytanie brzmi, czy opłaci się utrzymywać driver MHS obok własnego SDK. Dla integratorów — czy wspólna warstwa rzeczywiście zmniejszy koszt projektów, czy tylko doda kolejną abstrakcję. Dla klientów przemysłowych — czy dostęp do urządzeń, uprawnienia, logowanie akcji, blokady bezpieczeństwa i walidacja poleceń będą wystarczająco deterministyczne, aby system dało się certyfikować.

RoboMorrow Reality Check

Największy potencjał MHS leży nie w efektownym sterowaniu robotem, lecz w redukcji kosztu integracji Physical AI. Jeżeli urządzenie może opisać agentowi swoje możliwości, limity i stan w standardowy sposób, łatwiej zbudować system, w którym jeden agent koordynuje wiele maszyn. Ale dzisiejszy preview nie odpowiada jeszcze na pytania o niezawodność przy długiej pracy, cyberbezpieczeństwo, twarde mechanizmy fail-safe, odpowiedzialność za błędne polecenie ani zachowanie przy utracie łączności.

Dlatego MHS warto dziś traktować jako bardzo ważny standard-kandydat, a nie gotową „warstwę sterowania dla całego świata fizycznego”. Najbliższy test będzie prosty: czy po fazie preview producenci sprzętu rzeczywiście wdrożą sterowniki w produktach seryjnych i czy niezależne zespoły odtworzą deklarowane skrócenie integracji bez pogorszenia bezpieczeństwa.

Źródła

Źródło pierwotne: Anthropic — Model Hardware Standard research preview. Niezależne potwierdzenie i kontekst: Reuters. Oficjalna strona standardu: Model Hardware Standard.