Anthropic vừa mở research preview cho Model Hardware Standard (MHS), một bản đặc tả chuẩn giúp AI agent vận hành an toàn và song song nhiều thiết bị vật lý. Đây là bước đi cụ thể nhất đến nay của hãng nhằm đưa AI agent từ thế giới số sang vận hành phần cứng thực tế trong phòng thí nghiệm và nhà máy.

Vấn đề MHS giải quyết

Trong một phòng lab hay dây chuyền sản xuất, hầu hết thiết bị không giao tiếp được với nhau. Mỗi máy có giao diện lập trình riêng, muốn kết nối chúng lại phải viết các tích hợp thủ công. Theo Anthropic, việc này thường mất vài tuần đến vài tháng cho mỗi phòng lab. Và ngay cả khi đã kết nối, vẫn chưa có cách chung để dữ liệu từ thiết bị chia sẻ với một AI agent, hay để agent điều khiển chúng an toàn.

MHS giải quyết bằng một driver chuẩn hóa, tức phần mềm trung gian dịch giữa hệ điều hành của máy tính và thiết bị phần cứng. Driver này dùng một bộ lệnh đơn giản, chung cho mọi thiết bị: “đọc” (ví dụ lấy nhiệt độ) hoặc “ghi” (đặt nhiệt độ). Nhờ đó, các thiết bị tự “nhận diện” nhau qua mạng mà không cần chương trình dịch riêng cho từng cặp.

Điểm đáng chú ý là driver còn giúp agent hiểu cách dùng một thiết bị nó chưa từng gặp. Thông tin như trọng lượng cánh tay robot (quan trọng để vận hành an toàn) thường nằm trong sổ tay giấy hoặc tri thức ngầm của kỹ thuật viên. MHS cho phép ghi các thông tin này bằng ngôn ngữ tự nhiên vào tag của driver, rồi tự tạo file tham chiếu về đặc tính thiết bị: đo được gì, chỉnh được gì, giới hạn an toàn ra sao. Agent có đủ thông tin để vận hành thiết bị mà không cần đọc tài liệu.

Khi đã kết nối, agent điều khiển thiết bị qua ba cơ chế: MCP (Model Context Protocol), dòng lệnh CLI, và file code (API). Nó có thể xâu chuỗi các bước thao tác, giám sát kết quả, điều chỉnh thông số theo thời gian thực, thậm chí ghép nhiều lệnh từ nhiều thiết bị vào một file code để chạy tác vụ dài mà không cần suy luận từng bước.

Kết quả ban đầu từ các đối tác

Anthropic chia sẻ chuẩn này với một nhóm phòng lab và hãng sản xuất ở lĩnh vực công nghệ sinh học, robot, điện toán lượng tử. Một số kết quả sớm:

  • QuEra Computing dùng MHS để agent điều khiển hệ laser trong máy tính lượng tử. Agent tự phát triển bộ điều khiển khôi phục “khóa” laser, tức tần số cực chính xác cần giữ để tương tác với nguyên tử, thành công 99,3% số lần không cần người can thiệp.
  • Đại học Carnegie Mellon dùng MHS để chạy thí nghiệm dose-response (xác định phản ứng theo liều) nhanh gấp khoảng 3 lần, với agent điều phối máy xử lý chất lỏng, máy đọc đĩa, cánh tay robot và camera giám sát trải trên ba máy tính có giao diện không tương thích nhau.
  • HHMI Janelia Research Campus, nơi MHS khởi nguồn, dùng nó để hợp nhất và vận hành một hệ kính hiển vi từng cần bảy phần mềm khác nhau mà không có giao diện chung.
  • Genentech triển khai MHS như proof-of-concept tự động hóa xét nghiệm protein BCA, đòi hỏi phối hợp máy xử lý chất lỏng, cánh tay robot và máy đọc đĩa.

Về phía nhà sản xuất, hàng loạt hãng đang thêm hỗ trợ MHS vào thiết bị: AWS qua thư viện Strands Robots, Doosan Robotics cho cánh tay robot, Tecan cho nền tảng xử lý chất lỏng Fluent, Universal Robots, QIAGEN, Danaher, Automata. Hugging Face cũng đang thêm MHS vào thư viện robot LeRobot, còn Raspberry Pi tích hợp MHS trên nhiều sản phẩm.

Giới hạn còn lại

Anthropic thẳng thắn về những hạn chế hiện tại. MHS chưa hoạt động với thiết bị không có giao diện lập trình. Khả năng suy luận về không gian và vật lý của model vẫn có giới hạn, cần chuyên gia giám sát. Điển hình, nhóm Genentech phải hướng dẫn Claude nhận ra lỗi do bọt trong mẫu là lỗi vật lý chứ không phải lỗi phần mềm. Chuẩn này đang ở vòng research preview cùng đối tác, trước khi mở mã nguồn.

MHS là mảnh ghép quan trọng cho cuộc đua tự động hóa phòng lab, vốn đang nóng lên trong ngành công nghệ sinh học và vật liệu. Nếu chuẩn này được áp dụng rộng, nó có thể rút ngắn đáng kể thời gian đưa nghiên cứu từ ý tưởng đến kết quả. Với Anthropic, đây cũng là cách mở rộng vị thế từ cung cấp model sang định hình hạ tầng vận hành AI trong thế giới vật lý, tương tự vai trò MCP đã đóng trong thế giới phần mềm.