Первый взгляд на стандарт оборудования для моделей

Anthropic открыла тестирование стандарта для управления оборудованием

Anthropic открыла исследовательский доступ к стандарту управления оборудованием (MHS) для первых научных лабораторий и передовых производителей. MHS — единая спецификация, через которую ИИ-агенты могут безопасно управлять программируемыми устройствами: микроскопами, дозаторами жидкостей, роботизированными руками и другим оборудованием. Стандарт позволяет одновременно координировать несколько приборов и выполнять задачи от экспериментов по поиску лекарств до настройки лазеров в квантовом компьютере. MHS создают Anthropic и HHMI Janelia Research Campus; после испытаний с партнёрами разработчики планируют открыть стандарт.

Обычно подключение и согласование оборудования в лаборатории или на производстве занимает недели, а иногда месяцы. Приборы используют разные интерфейсы и не умеют обмениваться данными, поэтому специалисты вручную создают отдельные интеграции. MHS сокращает эту работу до часов или минут. Подключённые к стандарту ИИ-агенты могут пошагово выполнять эксперименты, менять параметры в реальном времени и в некоторых случаях самостоятельно восстанавливаться после ошибок оборудования.

Anthropic передала раннюю версию MHS лабораториям и производителям из сфер науки, робототехники, электроники и промышленности. Вместе с партнёрами компания хочет разработать проверки безопасности и правила работы ИИ с физическими устройствами, а затем открыть стандарт. MHS подходит для любого оборудования с программируемым интерфейсом, не зависит от конкретной модели и может использоваться любым агентом через стандартные протоколы, включая протокол контекста моделей (MCP).

Что такое MHS

Подключить несколько устройств в лаборатории или на производстве сложно даже без ИИ. У каждого прибора собственный программный интерфейс, а общего стандарта для их объединения не существовало. После интеграции оставалась другая проблема: устройства не имели единого способа передавать данные ИИ-агенту и безопасно принимать от него команды.

MHS вводит стандартизированный драйвер — программный слой между операционной системой компьютера и физическим устройством. Драйвер использует небольшой набор базовых операций. Команда «прочитать» может запросить, например, температуру, а команда «записать» — установить новое значение. Такой формат понятен любому совместимому прибору.

Каждое устройство также описывается в едином формате. Благодаря этому приборы и агенты могут находить друг друга и обмениваться данными по сети без отдельной программы-переводчика для каждой пары устройств.

Драйвер MHS помогает агенту разобраться даже с незнакомым оборудованием. В нём можно указать характеристики, которые не видны из программного кода: например, вес роботизированной руки, от которого зависит безопасное управление. Раньше подобные сведения хранились в бумажных руководствах, на компьютерах пользователей или передавались как неформальное знание специалистов.

Пользователь может добавить эти данные в виде текстовых меток сам или рассказать о конфигурации агенту в диалоге. Затем драйвер автоматически создаёт справочный файл: что устройство измеряет, какие параметры позволяет менять и какие ограничения безопасности применяет. Агент получает всё необходимое для работы с прибором.

После подключения устройств и описания их возможностей агент управляет оборудованием тремя способами: через MCP, командную строку и файлы с кодом — API. Вместе они позволяют координировать несколько устройств одной строкой кода.

Агент получает рабочие данные от приборов, контролирует процесс на высоком уровне, выстраивает порядок действий, анализирует результаты и меняет параметры по мере изменения условий. Для долгих или быстрых операций он может объединять команды драйверов в файлы с кодом. Тогда оборудование выполняет последовательность самостоятельно, без рассуждения агента перед каждым шагом.

Во время испытаний Claude работал с экспериментами примерно так, как исследователь: сначала пробовал действие, наблюдал результат и уточнял дальнейшие шаги. Например, агент менял настройку лазера, через камеру смотрел, как сместился луч, а затем повторял процедуру. После этого Claude упаковал полученные знания в код и создал детерминированный скрипт, который выравнивал лазер одной командой.

Anthropic только начинает изучать возможности передовых моделей вместе с MHS. Предполагается, что стандарт сможет ускорить исследования и эксперименты в любой области, где используются устройства с программируемым интерфейсом.

Genentech: автоматизация анализа белков

Одним из ранних партнёров стала Genentech. Исследователи проверили MHS на автоматизации анализа белка BCA — стандартной процедуры для определения общей концентрации белка в образце. В эксперименте участвовали дозатор жидкостей, роботизированная рука и считыватель микропланшетов.

Лаборатории Genentech проводят масштабные эксперименты для поиска лекарств. В таких системах работают специализированные роботы: дозаторы, руки, считыватели микропланшетов и другое оборудование. Каждый прибор нужно калибровать, проверять и программировать. Сегодня настройка подобных комплексов вручную занимает недели или месяцы и ограничивает число гипотез, которые можно проверить.

Genentech внедрила MHS вместе с Anthropic, чтобы стандартизировать обмен данными между ИИ и лабораторными роботами. Учёные могут задавать протоколы естественным языком, не создавая отдельный роботизированный код для каждого эксперимента. В перспективе компания хочет передать ИИ рутинные механические операции, оставив людям разработку экспериментов, интерпретацию результатов, принятие решений и поиск новых подходов.

Первый тест провели на большой роботизированной станции с дозатором жидкостей. BCA-анализ включал три прибора:

🧪 Дозатор делал точные переносы жидкостей.

🦾 Роботизированная рука перемещала лабораторную посуду.

📊 Считыватель измерял оптическое поглощение образцов.

Все эксперименты проходили в стандартных 96-луночных микропланшетах. В качестве белкового образца использовали бычий сывороточный альбумин (BSA) с известной концентрацией.

Жидкости в протоколе имели разные свойства: от обычных водных растворов до вязких и склонных к пенообразованию белковых образцов. Для точного дозирования нужно было подобрать скорость движения жидкости через наконечник. Вязкий BSA при высокой скорости образовывал пузырьки, из-за чего в лунку попадал неправильный объём. Подбор таких параметров обычно выполняет специалист по автоматизации, вручную создавая код для каждого варианта и анализируя результаты.

Сначала Claude получил стандартный протокол BCA и запустил его без изменений. Агент использовал одинаковую скорость для воды и вязкого раствора, поэтому в BSA появились пузырьки, а переносы стали неточными.

Затем Claude поручили самостоятельно подобрать параметры для воды и BSA. Агент проводил пробные переносы окрашенной жидкостью, измерял их считывателем микропланшетов и сравнивал результат с контрольным переносом, который сделал специалист. Точность оценивалась по среднеквадратичной ошибке (RMSE): чем она ниже, тем ближе результат к заданному объёму.

Для воды Claude выбрал скорость около 140 мкл/с и получил RMSE 0,016. Для BSA оптимальной стала скорость 10 мкл/с при RMSE 0,181. Специалисты Genentech подтвердили, что эти параметры подходят для их установки.

Во время эксперимента Claude столкнулся с ошибками захвата наконечников и распознавания жидкости, но смог восстановиться самостоятельно. При этом испытания показали ограничения моделей: Claude хорошо справлялся с общими рассуждениями, но хуже понимал физические, химические и биологические причины неисправностей.

Пузырьки — показательный пример. Если протокол требует набрать 40 мкл реагента, воздух внутри жидкости уменьшает фактический объём. Пена может вызвать ошибку датчика уровня, а пузырьки искажают оптические измерения, которые используются как итоговый результат эксперимента.

При ошибке во время перемешивания Claude сначала просто повторял операцию в той же лунке с другими параметрами. Это усиливало движение жидкости и создавало ещё больше пузырьков. Исследователям пришлось объяснить агенту физическую причину ошибки: нужно перейти в чистую лунку и сократить число циклов перемешивания.

После этого Claude сохранял полученный контекст до конца запуска. Исследователи превратили эти выводы в повторно используемые навыки для работы с жидкостями. Агент стал выбирать более подходящие параметры для растворов с разными свойствами, а число ошибок при дозировании снизилось.

Исследование стало проверкой самой идеи автоматизации лабораторных процедур. Сопоставляя решения Claude с экспертизой специалистов, Genentech собирает данные для дальнейшего улучшения моделей.

В дальнейшем компания хочет проверить Claude и MHS на сквозных автономных процессах поиска лекарств. Учёные будут задавать общую биологическую цель, а ИИ-агенты — формировать команды для оборудования, проводить эксперименты, анализировать результаты в замкнутом цикле и выдавать данные для следующего этапа.

Для этого MHS нужно подключить к дополнительному оборудованию: центрифугам, автоматическим инкубаторам, аналитическим приборам и датчикам. Также потребуется улучшить оболочку агента, чтобы он учитывал особенности работы с молекулами и живыми клетками. Дополнительные модели должны будут круглосуточно следить за экспериментами и менять их параметры по данным в реальном времени.

Университет Вашингтона: удалённый контроль и qPCR

Zihao Song, аспирант лабораторий Baker и Pinglay при Университете Вашингтона, использовал MHS для создания панели удалённого контроля приборов, наблюдения за qPCR под управлением ИИ-агента и безопасной передачи микропланшетов между роботизированной рукой и дозатором.

При разработке белков с нуля стоимость самого компьютерного проектирования может составлять всего $0.01 для одного кандидата, например фермента PETase, разрушающего пластик. Но проверка белка в лаборатории обходится примерно в $100 и занимает неделю на каждый вариант. При этом одновременно тестируются 1 000 кандидатов.

Song разрабатывает методы высокопроизводительного скрининга, чтобы снизить стоимость эксперимента и увеличить число проверяемых белков. Но масштабирование создаёт собственные проблемы. Приборы находятся в разных частях лаборатории, поэтому для проверки состояния каждого приходится подходить к нему отдельно. Если ВЭЖХ останавливается с ошибкой или дозатор портит микропланшет, неисправность может оставаться незамеченной несколько часов.

Большинство приборов в лаборатории представлено в единственном экземпляре. Поэтому один аппарат задаёт темп всей серии экспериментов, а исследователь часами вручную загружает в него образцы. Особенно неудобен этап ПЦР: прибор обрабатывает только один микропланшет за раз, и каждые 90 минут его приходится менять. Иногда это приходится делать в 4 часа утра.

Обычная автоматизация плохо подходит для исследовательской лаборатории, где важна гибкость. На производственной линии один протокол может повторяться 10 000 раз, а в лаборатории за год выполняются десятки разных процедур, причём примерно половина из них новые. Протоколы приходится менять прямо во время работы, если выход белка оказался ниже ожиданий или сборка ДНК не удалась.

Кроме того, приборы разных производителей используют собственные программы, форматы данных и драйверы. Их объединение может занимать от месяцев до лет и стоить от тысяч до миллионов долларов. Для большинства академических лабораторий такая интеграция недоступна.

Song объединил MHS с ИИ-агентом и провёл несколько демонстраций. MHS дал агенту доступ к состоянию каждого прибора, возможность управлять им и координировать устройства между собой.

Раньше исследователю приходилось обходить лабораторию. Теперь все приборы передают состояние на одну панель, которую можно открыть на компьютере. Запросить информацию у ИИ-агента можно даже со смартфона.

Это особенно полезно для длительных экспериментов. Во время qPCR целевая последовательность ДНК многократно копируется циклами нагревания и охлаждения. Флуоресцентный сигнал сначала остаётся почти неизменным, затем быстро растёт и в конце выходит на плато, когда реагенты заканчиваются.

Если дождаться плато, библиотека ДНК искажается, и точное количество амплифицированных последовательностей определить уже нельзя. Поэтому реакцию нужно остановить в правильный момент, что может требовать многочасового наблюдения за экраном прибора.

MHS получает кривую амплификации по мере её построения и передаёт данные агенту. Claude распознаёт форму кривой и в нужный момент спрашивает исследователя, продолжать ли реакцию. После команды остановиться система завершает qPCR и переводит прибор в режим выдержки при 4 °C, чтобы ДНК не разрушалась.

Другие эксперименты требуют регулярно загружать образцы в приборы и забирать их обратно. Сам перенос занимает секунды, но обработка длится час или два, поэтому исследователю приходится возвращаться в лабораторию каждый час для замены микропланшетов.

Для демонстрации Song использовал роботизированную руку с открытым исходным кодом на базе LeRobot, подключённую к MHS. Дозатор сначала заполнял микропланшет реагентами. Затем рука убирала готовую пластину и ставила новую, после чего дозатор начинал следующий цикл.

Claude Code управлял обоими устройствами через MHS и запускал каждый шаг только после завершения предыдущего. При повторных испытаниях столкновений не произошло: рука не двигалась до окончания дозирования, а дозатор не начинал работу, пока рука не освобождала рабочую зону.

После завершения дозирования агент получал сигнал примерно через 10 секунд и запускал следующее движение руки. Весь процесс Song наблюдал с офисного компьютера.

Подключение шести приборов через MHS заняло меньше недели, включая написание драйверов. Предыдущие попытки автоматизации требовали недель на выбор платформ, общение с поставщиками и создание связующего кода. После подключения агент сам обнаруживал устройства, читал их состояние и вызывал нужные операции.

Эти демонстрации остаются проверками концепции. Для сложных протоколов потребуются дополнительная настройка, более широкий набор физических операций и вычислительные ресурсы для длительной работы агента.

Song планирует использовать MHS для полного цикла проектирования, сборки, тестирования и обучения в задачах создания белков. В такой системе агент сможет предлагать варианты белков, проводить сборку и анализ, читать результаты через тот же интерфейс и планировать следующий цикл.

Carnegie Mellon: дозирование в три раза быстрее

Исследователи Университета Карнеги — Меллон с помощью MHS проводили эксперименты по серийному разведению примерно в три раза быстрее прежнего. ИИ-агент координировал дозатор жидкостей, считыватель микропланшетов, роботизированную руку и камеры наблюдения, работавшие на трёх компьютерах с несовместимыми интерфейсами.

При разработке лекарства нужно определить эффективную дозировку. Слишком большая доза может быть дорогой или токсичной, а слишком маленькая не даст результата. Для поиска подходящего диапазона используют серийное разведение: исходный раствор каждый раз разбавляют в одинаковой пропорции, используя предыдущий раствор для следующего шага.

Процедура занимает много времени и подвержена ошибкам. Слишком высокая максимальная концентрация приводит к насыщению сигнала, а слишком крупный шаг между разведениями может пропустить участок, где реакция действительно меняется.

Вручную серия разведений может занимать недели. Для высокопроизводительного скрининга большого числа кандидатов это особенно неудобно, поэтому такие эксперименты часто автоматизируют.

Но автоматизация сама по себе требует недель разработки. Нужно согласовать работу нескольких приборов и провести серию итераций, чтобы получить пригодную кривую «доза — эффект».

MHS позволил связать:

🧪 дозатор CyBio Felix;

📊 считыватель микропланшетов Varioskan LUX;

🦾 роботизированную руку для перемещения 96-луночных пластин;

📹 камеры наблюдения.

ИИ-агент управлял этой системой и динамически измерял кривые зависимости эффекта от дозы. Драйверы для оборудования и слой оркестрации команда создала примерно за восемь часов вместо нескольких недель, которые обычно требуются для решения от поставщика.

Система работала на трёх компьютерах. Первый управлял роботизированной рукой через планировщик, принимающий файлы заданий в специальной папке. Второй запускал дозатор через старый интерфейс Windows ActiveX/COM и обслуживал камеры по USB. Третий управлял считывателем микропланшетов, у которого вообще не было программного интерфейса — только графическое окно.

MHS представил все устройства в виде единого описания состояний и процедур. Состояния показывали, например, положение пластины и температуру образца, а процедуры описывали доступные операции — дозирование, перемешивание и другие действия. Поэтому агент работал с одной схемой независимо от того, каким способом на самом деле управлялся прибор.

Рабочий процесс остался прежним, но теперь им управлял агент: дозатор готовил ряд разведений, камера проверяла наличие и ориентацию пластины, рука переносила её к считывателю, прибор измерял сигнал, а модель оценивала кривую и решала, нужно ли изменить диапазон концентраций и повторить эксперимент.

Вместо настоящего лекарства использовали цветной краситель. Его интенсивность соответствовала концентрации, поэтому эксперимент оставался безопасным и наглядным, но требовал тех же решений, что и реальный тест.

У каждого устройства были свои сложности. Планировщик руки создавал два файла на один XML-файл задания, и MHS должен был объединить их в один результат. Дозатор работал через COM-интерфейс без современного комплекта средств разработки. Один цикл дозирования занимал 4–5 минут, а допустимая ошибка объёма составляла только 5%. Считыватель не имел API, поэтому MHS управлял его графическим интерфейсом так же, как человек.

Раньше оператор вручную наблюдал журнал руки, проверял положение пластины и решал, пригодна ли полученная кривая. Теперь все три решения принимали MHS и агент.

Для проверки безопасности команда искусственно создала шесть условий: отсутствие пластины, неправильную ориентацию, занятый считыватель, отключённую камеру, недоступное устройство и активированную аварийную остановку. Система правильно заблокировала все шесть сценариев до начала движения оборудования.

Затем агенту поручили получить пригодную кривую. Первая серия дала плохое соответствие: R² < 0,9 из-за насыщения на верхнем участке концентраций. Claude самостоятельно отбросил пластину и повторил эксперимент на новой, уменьшив максимальную концентрацию с 200 до 100 мкг/мл.

Вторая серия дала пригодный результат: R² > 0,98 при вариации 3,4 между повторными измерениями. Человек не вмешивался.

Авторы планируют проверить систему на настоящих лекарственных кандидатах, заменить цветовой сигнал показателями биологического эффекта, подключить qPCR и микроскопы, а также интегрировать агентов через MCP. Одновременно команда хочет сократить время подключения каждого нового прибора.

В дальнейших испытаниях будут добавлены новые проверки безопасности, постоянный контроль доступности оборудования и правила, определяющие, когда для рискованных действий требуется одобрение человека.

HHMI Janelia: единый интерфейс для микроскопии

В HHMI Janelia MHS используют в проектах по микроскопии. Virginie Ruetten из лаборатории Ahrens подключила к стандарту установку, которой раньше управляли семь программ разных производителей без общего интерфейса.

Несколько ночей нарушенного сна могут повлиять на когнитивные функции, обмен веществ и иммунную систему. Чтобы понять механизмы сна, нужно одновременно наблюдать разные органы, поскольку сон — состояние всего организма.

Ruetten изучает молодых рыбок данио-рерио. Они небольшие и прозрачные, а их органы и многие особенности сна похожи на млекопитающих. С помощью разработанного подхода WHOLISTIC imaging и двухфотонной микроскопии исследовательница может наблюдать активность клеток сразу во всём организме живой рыбки.

Флуоресцентные сенсоры в клетках испускают свет при активности. Микроскоп фиксирует эти сигналы с высоким временным и пространственным разрешением, позволяя отслеживать работу органов и взаимодействие клеток.

Оборудование занимает целую комнату. В установке используются фемтосекундные лазеры, быстрые гальванометрические зеркала, фотодетекторы и две прецизионные подвижные платформы. Все компоненты приобретались отдельно у разных производителей и соединялись вручную.

Приборы должны работать по общей временной схеме: лазер синхронизируется с зеркалами, а платформа компенсирует движение животного или смещение образца. Но устройства используют разные программы и языки: детекторы работают в MATLAB, камеры — в Python, электрофизиологическое оборудование — в C#.

Из-за этого значение, известное одной программе, например положение платформы, недоступно другим. Исследовательнице приходилось писать отдельный код для связи программ или добавлять платы сбора данных, которые физически маршрутизируют электрические сигналы.

Для запуска эксперимента нужно было открыть семь программ в определённом порядке. Ошибка в последовательности могла сорвать весь сеанс.

MHS заменил такие связи единственным интерфейсом. Каждый прибор описывается и подключается один раз, а его переменные, органы управления и показания датчиков сохраняются в общем словаре в разделяемой памяти.

После внедрения MHS добавление новой камеры для наблюдения за лазерным лучом заняло несколько минут. Камера передавала положение луча зеркалам, которые его направляли, и это позволило точнее выровнять систему. Запуск эксперимента теперь выполняется одним нажатием в панели MHS вместо семи отдельных действий.

Во время эксперимента нужно постоянно проверять состояние рыбки, фокус камеры на сердце и качество флуоресцентного изображения. Для этого вычисляются производные показатели, включая отношение сигнала к шуму и частоту сердцебиения.

Раньше анализ был неудобным. Данные от каждого прибора хранились в собственной программе, и получить их во время записи было трудно. Исследовательница могла анализировать данные после эксперимента, оценивать изображение на глаз или встраивать отдельный код анализа в каждую программу. Все варианты требовали времени и не давали единого способа сравнивать результаты.

MHS хранит потоки данных в словаре состояний в общем формате. Любой процесс может прочитать эти данные, а код анализа и визуализации можно повторно использовать для разных приборов и языков программирования.

Ruetten создала модульную программную среду для анализа в реальном времени. Данные поступают из слота словаря MHS, проходят через последовательность повторно используемых преобразований, а результат записывается в другой слот или на диск. Для просмотра используются отдельные модули для изображений, временных рядов, спектров и других типов данных, а не отдельный просмотрщик для каждого устройства.

Например, один и тот же код вычисляет спектр сердечной активности по данным камеры и спектр нейронной активности, полученной другим прибором.

Микроскопия с участием агента

В экспериментах по визуализации приходится выбирать между скоростью и охватом. Один тонкий слой мозга можно просканировать быстро, а большое число слоёв — медленнее. Чтобы найти нужные клетки, нужен широкий охват, но для измерения их активности требуется высокая скорость.

Обычно исследователь выбирает настройки перед запуском и не может изменить их после начала многочасового эксперимента. Простому детерминированному алгоритму сложно самостоятельно искать подходящий вариант из-за биологической изменчивости.

Агент может определить интересующую область и приблизить изображение, но надёжно управлять установкой, где команды двигают реальные приборы, сложнее. Ошибка может повредить объектив или привести к потере нескольких часов работы с образцом.

MHS хранит состояние всей установки в одном стандартизированном словаре. Агент читает и изменяет переменные через единый интерфейс, а не через семь отдельных API поставщиков. Ruetten написала оболочку, сделавшую установку доступной для ИИ-агента.

Основной детерминированный цикл чередует получение данных и анализ. Агент подключается в точках принятия решений: выбирает область сканирования, параметры съёмки и способ анализа. Ограничения безопасности MHS не позволяют использовать, например, избыточную мощность лазера, которая могла бы обесцветить флуоресцентные молекулы и повредить образец.

Программная среда ещё разрабатывается, но уже помогла найти популяцию колеблющихся клеток, которую фиксированные настройки могли пропустить. Благодаря этому потребовалось меньше повторных экспериментов и животных.

В дальнейшем Ruetten хочет изучить роль этих колебаний в сне и бодрствовании. Для этого нужно определить связанные с колебаниями клетки, а затем проводить фазово-синхронизированные эксперименты с оптогенетической активацией нейронов во время записи.

Такие замкнутые эксперименты требуют быстрой координации множества приборов, собранных от разных производителей. MHS даёт агенту единый интерфейс и позволяет быстрее перебирать параметры, находить подходящие настройки и проверять гипотезы. При этом физические компромиссы — например между скоростью и охватом — никуда не исчезают.

В лаборатории Janelia есть и другие проекты на базе MHS. Команда Arco Bast снимает нейроны и их дендриты в мозге живых мышей, которые учатся ориентироваться в виртуальной среде. MHS вырос из идеи Bast хранить состояние всей установки в стандартизированном словаре в общей памяти. Его микроскоп стал первой установкой, работавшей на этой основе.

Claude может выравнивать лазеры, настраивать оптику и проверять результат по датчикам, сокращая ручную настройку с половины дня до одного шага.

Другая команда, которую возглавляют Magdalena Schneider и Hari Shroff, использует MHS для управления светолистовым микроскопом. Claude в реальном времени решает, как снимать развивающиеся эмбрионы C. elegans и как выбирать между конфликтующими параметрами визуализации.

QuEra: восстановление настройки лазера

Компания QuEra, создающая квантовые компьютеры на нейтральных атомах, подключила к MHS лазерную систему внутри своих машин. ИИ-агент разработал контроллер, который восстанавливает точную частоту лазера после сбоя в 99,3% случаев без участия человека.

Квантовые компьютеры используют свойства квантовой механики для вычислений, недоступных обычным суперкомпьютерам. В подходе QuEra кубиты представлены нейтральными атомами, а управление, работа и считывание их состояний почти полностью выполняются с помощью лазеров.

Частота каждого лазера должна сохраняться с точностью примерно до одной части на триллион. Лазер считается «запертым», когда удерживает эту частоту. Температура, вибрации и изменения давления могут вывести его из режима, после чего квантовые операции начинают давать сбои. Если лазер теряет настройку во время многочасовой программы с исправлением ошибок, вычисление может оказаться испорчено.

В центре эксперимента был перестраиваемый титан-сапфировый лазер. Обычно его настраивают специалисты. В квантовых компьютерах QuEra программное обеспечение исправляет наиболее распространённые возмущения, но предусмотреть все варианты неисправностей невозможно. Восстановление требует оператора, который одновременно наблюдает несколько приборов и решает, что и в каком порядке менять. Обычно процедура занимает 5–10 минут.

До MHS команда из инженера по лазерным системам, разработчика программного обеспечения, специалиста по алгоритмам и тестировщика несколько месяцев создавала отдельный скрипт. Он повторял действия человека: отключал удержание настройки, последовательно менял параметры, проверял частоту и начинал заново, если результат оставался неверным.

Скрипт занимал около 150 секунд на попытку и срабатывал примерно в 58% случаев. Линейная последовательность не могла учесть изменение условий в середине процесса. Например, скачок температуры или давления мог отменить уже выполненную настройку, после чего процедуру приходилось начинать сначала.

QuEra поручила ту же задачу Claude через MHS. Агенту задали цель — написать автономный скрипт на Python для повторной фиксации частоты — и критерий успеха: восстановить настройку с первой попытки и удерживать её 30 секунд.

Команда специально создавала сбои: перекрывала луч, отключала питание приборов и сдвигала частоту на разные расстояния от цели. Через MHS Claude мог читать показания и менять параметры так же, как оператор.

В рабочем цикле участвовали четыре отдельных экземпляра Claude:

🧠 один предлагал гипотезу для ускорения или повышения надёжности;

💻 второй вносил изменение в скрипт;

🧪 третий запускал обновлённую версию на реальном лазере и записывал каждый шаг;

📋 четвёртый анализировал журнал и решал, что изменить дальше.

Цикл повторялся сотни раз в течение ночи без участия человека. К утру восстановление занимало около шести секунд и срабатывало в 96% случаев вместо 150 секунд и 58%.

Claude переписал линейную процедуру в дерево решений. Скрипт анализировал показания приборов, определял тип возмущения и менял только нужные параметры. Если частота почти не смещалась, он мог обратиться к одному или двум регуляторам, не проходя всю последовательность. Такой подход агент нашёл благодаря многократному повторению испытаний.

Затем готовый скрипт проверили на том же наборе случайных сбоев без участия агента. В 700 испытаниях он восстановил настройку 695 раз — с успешностью 99,3%. Самые сложные случаи занимали 10–14 секунд, простые — от 0,9 до 5,4 секунды. Итогом стал детерминированный и полностью проверяемый скрипт, пригодный для работы без ИИ-агента.

Настройка качества лазера

После автоматизации восстановления частоты команда поручила агенту улучшить качество самой настройки. Оно определяется 12 взаимосвязанными параметрами PID-регулятора. Хорошая настройка уменьшает остаточный шум и снижает вероятность потери фиксации частоты.

Точно измерить шум можно, записав сигнал осциллографа и вычислив преобразование Фурье. Человеку было бы непрактично делать это после каждого небольшого изменения каждого из 12 параметров, поэтому специалисты обычно ориентируются на среднеквадратичную ошибку (RMS), которую выдаёт сервосистема.

Исходная настройка специалиста QuEra давала остаточную ошибку 15,7 мВ. За 363 эксперимента и 16 часов автономной работы Claude снизил её до 1,55 мВ — примерно в 10 раз.

Результат независимо проверили. Специалист заново настроил тот же лазер обычным способом, не зная параметров Claude. Оба варианта проверили анализатором фазового шума. Настройка агента совпала с экспертной почти во всём диапазоне, но в области резонанса около 220 кГц ручная настройка оставляла примерно в тысячу раз больше шума.

Затем сравнили стабильность. За 19 часов параметры Claude ни разу не привели к потере фиксации частоты. Настройка специалиста теряла её примерно 1,6 раза в час. В отличие от контроллера восстановления, эта система продолжает использовать агента, который меняет параметры по мере изменения условий.

Контроллер восстановления создавался для одного лазера, но в квантовом компьютере много похожих лазерных систем и других сложных подсистем. В пилотном проекте ИИ не заменил экспертов полностью. Если возникала физическая неисправность, Claude не всегда понимал, как её устранить: он знал программное описание установки, но не обладал достаточной физической интуицией.

Агент также часто останавливался и ждал подтверждения человека перед действием, которое считал даже немного рискованным. Из-за этого некоторые эксперименты прерывались на ночь. Кроме того, команде приходилось подробно описывать цель и порядок работы.

QuEra планирует развернуть контроллер восстановления на работающих квантовых процессорах, превратить настройку в отдельный инструмент и применить полученные подходы к другим подсистемам.

Tetsuwan: qPCR для гражданской науки

Компания Tetsuwan интегрировала MHS с платформой автоматизированной биологической лаборатории ResearchOS. Система управляла qPCR-экспериментом в рамках проекта гражданской науки по изучению загрязнения калифорнийского ручья Сан-Педро.

С 1960-х годов лаборатории используют автоматические устройства для дозирования, запечатывания, перемешивания и перемещения лабораторной посуды. Однако большая часть биологических экспериментов всё ещё выполняется вручную. Причина в том, что протоколы постоянно меняются: отличаются число образцов, формат пластин, количество условий, глубина серийного разведения, время инкубации и число временных точек.

Перевод одного варианта эксперимента в автоматизированный рабочий процесс обычно требует специалиста по автоматизации и занимает недели или месяцы. Поэтому автоматизация окупается в основном при огромном числе повторений одного протокола, например в скрининге сотен тысяч соединений.

Tetsuwan создаёт биологическую лабораторию, доступную исследователям и агентам через API. ResearchOS позволяет за несколько минут создавать, запускать и управлять автоматизированными протоколами без опыта в лабораторной автоматизации. Пользователь описывает процедуру естественным языком, Claude превращает её в скрипт на языке ResearchOS, а специальный компилятор переводит его в команды для оборудования.

Сама лаборатория состоит из дозаторов, одной роботизированной руки и других устройств с разными языками программирования и особенностями. MHS стал слоем оркестрации, который связал приборы между собой и с пользователем.

В рамках проекта в Pacifica, Калифорния, система проводила qPCR, чтобы определить источники фекального загрязнения ручья Сан-Педро. Такой уровень загрязнения десятилетиями оставался опасно высоким.

ПЦР копирует ДНК с помощью термоциклера — металлического блока, который нагревает и охлаждает образец. При нагревании две цепи ДНК разделяются, при охлаждении праймеры прикрепляются к нужным участкам, а затем фермент полимераза достраивает копии. В qPCR добавляется краситель, который светится ярче по мере накопления копий. Это позволяет определить исходное количество ДНК, активность гена или присутствие конкретного микроорганизма.

Для qPCR нужен вязкий реагент, называемый мастер-миксом. При дозировании он легко образует пузырьки и пену, из-за чего снижаются точность переноса и качество эксперимента. MHS подключил камеру, которая обнаруживает такие ошибки и запускает восстановление.

В одном случае камера заметила пузырьки в мастер-миксе внутри пробирки, которую удерживала роботизированная рука. Сама рука не могла устранить проблему. ResearchOS просканировала подключённые через MHS устройства, а Claude предложил через Slack перенести пробирку в центрифугу и ненадолго раскрутить её на небольшой скорости. Это должно было осадить жидкость и убрать пузырьки. Затем Claude отправил центрифуге необходимые команды.

MHS позволяет сохранять протоколы независимыми от конкретного оборудования. Например, процедура может требовать центрифугировать пластину при 15 000 × rpm в течение пяти минут, не указывая модель центрифуги. ResearchOS ищет совместимое устройство в сети, получает описание его драйвера, а Claude переводит заданную в протоколе силу в параметры конкретного прибора. Если центрифуга принимает только скорость вращения ротора, система учитывает радиус ротора при расчёте.

Tetsuwan также использовала Claude для замкнутой оптимизации компилятора, который переводит высокоуровневый код в команды лабораторного оборудования. Команда создала набор реалистичных рабочих списков для разных комбинаций праймеров, образцов, количества образцов и повторов.

Затем проверили разные типы переносов на роботе и измерили точность с помощью индикаторного красителя. После завершения эксперимента Claude через MHS получал данные от считывателя микропланшетов, анализировал и визуализировал их, а затем предлагал изменения в модели точности переноса.

Всего команда проверила:

📌 9 143 отдельных дозирования;

📌 300 уникальных типов переноса;

📌 1 508 измеренных условий;

📌 4 типа жидкости.

На отложенных экспериментах модель точности многократного дозирования, улучшенная с помощью Claude и MHS, оказалась примерно на 12% точнее технической спецификации производителя и превзошла её в 31 из 45 запусков. На наиболее часто повторявшихся данных улучшение составило около 17%.

Предварительные результаты qPCR подтвердили выводы коалиции San Pedro Creek Watershed Coalition: главным источником фекального загрязнения ручья были люди. Исследователи искали ДНК, характерную для человека, лошадей, птиц и собак.

Они обнаружили E. coli с помощью общего маркера 16S и бактерии Bacteroides с помощью праймера AllBac. Маркер 16S соответствует рибосомной РНК, общей для всех бактерий. Участки с межвидовыми различиями позволяют определить организм-хозяина.

Также наблюдалось выраженное усиление человеческих Bacteroides по праймерам HF183 и BacH. Сигналов Bacteroides, характерных для других хозяев, в этом эксперименте не обнаружили. В будущем Tetsuwan хочет точнее определить источник загрязнения и количественно измерить концентрацию человеческих Bacteroides в сточных водах.

Авторы считают, что улучшенная интеграция устройств, оркестрация и восстановление после ошибок в реальном времени помогут связать оборудование, исследователей и модели. ResearchOS и MHS должны сделать лабораторные эксперименты более доступными, воспроизводимыми и программируемыми.

Дальнейшее развитие стандарта

Производители оборудования и разработчики программного обеспечения также добавляют поддержку MHS, чтобы ИИ-агенты могли проще находить и использовать устройства.

Ранние результаты партнёров показывают возможности подхода, но до открытия исходного кода стандарт ещё нужно доработать. Claude получает знания о физическом мире из текста и изображений, поэтому его пространственное и физическое рассуждение пока ограничено. В Genentech исследователям пришлось объяснять, что ошибки из-за пены — физическая проблема жидкости, а не программный сбой.

MHS пока не работает с оборудованием без программируемого интерфейса. Anthropic сотрудничает с производителями, чтобы добавить в такие устройства драйверы MHS. Поддержку стандарта в LeRobot развивает Hugging Face. Raspberry Pi также готовит интеграцию в нескольких продуктах после успешных испытаний драйвера MHS для камеры.

Исследовательский доступ используют для дополнительных проверок безопасности и усиления защиты ИИ в физическом мире. Anthropic разрабатывает дорожную карту физической безопасности и планирует опубликовать результаты испытаний вместе с рекомендациями по безопасному развёртыванию стандарта.

MHS начался с сотрудничества Alek Kemeny из команды Anthropic по полезному внедрению технологий и Arco Bast, постдокторанта HHMI Janelia Research Campus. Bast работал со сложной установкой для визуализации мозга, где лазеры, моторизованные фокусировщики и камеры разных производителей не имели общего интерфейса.

Чтобы ускорить эксперименты, он создал словарь в общей памяти, через который приборы обменивались данными на скорости памяти компьютера. Kemeny и Bast затем добавили к этому интерфейсу ИИ-модели. Так появилась основа MHS.