Предварительная версия стандарта управления оборудованием моделями

Anthropic открыла предпросмотр стандарта MHS для управления оборудованием

Anthropic открыла исследовательский предпросмотр стандарта управления оборудованием моделями (MHS) для первой группы научных лабораторий и производителей оборудования. MHS — единая спецификация, которая позволяет ИИ-агентам безопасно управлять программируемыми устройствами: микроскопами, дозаторами жидкостей, роботизированными манипуляторами и лазерными системами. Стандарт сокращает интеграцию оборудования с недель и месяцев до часов или минут, а агенты могут координировать приборы, менять параметры в реальном времени и иногда самостоятельно восстанавливаться после ошибок. MHS создавался совместно Anthropic и HHMI Janelia Research Campus и пока распространяется в закрытом исследовательском режиме — до будущего открытия исходного кода.

Что такое MHS

Подключение оборудования в лаборатории или на производстве обычно занимает недели, а иногда месяцы. У каждого устройства свой программный интерфейс, и специалистам приходится вручную создавать отдельные интеграции. MHS сокращает эту работу до часов или минут и позволяет исследователям запускать автономные эксперименты и рабочие процессы круглосуточно.

Стандарт рассчитан на любые устройства с программируемым интерфейсом и не привязан к конкретной модели. Любой агент может обращаться к MHS через стандартные протоколы, включая протокол контекста моделей (MCP).

Anthropic передала раннюю версию стандарта партнёрам из науки, робототехники, электроники и производства. Вместе они должны разработать проверки безопасности и рекомендации для ИИ-систем, управляющих физическим оборудованием.

Проблема начинается с того, что приборы используют разные интерфейсы и не умеют обмениваться данными друг с другом. После подключения оборудования остаётся ещё один вопрос: как передавать данные ИИ-агенту и разрешать ему безопасно управлять устройствами.

MHS решает это через стандартизированный драйвер — программный слой между операционной системой и оборудованием. Драйвер использует небольшой набор базовых операций:

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 помогает агенту работать даже с незнакомым оборудованием. Он передаёт характеристики, которые не всегда можно понять из программного кода: например, вес роботизированной руки, необходимый для безопасного управления движением.

Раньше такие сведения хранились в бумажных руководствах, на компьютерах пользователей или передавались как неформальный опыт. В MHS для них есть текстовые теги. Пользователь может заполнить их сам или рассказать об оборудовании агенту в диалоге. Затем драйвер автоматически создаёт справочный файл с описанием возможностей устройства, доступных настроек и ограничений безопасности.

Для управления подключённым оборудованием MHS использует три механизма: MCP, командную строку и файлы кода с API. Вместе они позволяют координировать несколько устройств одной строкой кода.

Агент получает рабочие данные от приборов, задаёт порядок действий, следит за результатами и меняет параметры по мере изменения условий. Для длительных или быстрых операций он может объединять команды драйверов в файлы кода. Тогда устройства выполняют последовательность самостоятельно, без рассуждения агента на каждом шаге.

Во время тестов Claude работал с экспериментами примерно так же, как исследователь. Например, агент менял настройку лазера, смотрел через камеру, как изменилась траектория луча, и повторял процедуру. После этого он оформил найденную последовательность в детерминированный файл кода. В результате юстировку лазера можно было запускать одной командой.

Anthropic отмечает, что пока только начинает изучать возможности передовых моделей вместе с MHS. Стандарт предназначен для исследователей, инженеров и других специалистов, работающих с программируемыми устройствами.

В ранних проектах с лабораториями и производителями из биотехнологий, робототехники и квантовых вычислений MHS сократил время интеграции, ускорил итерации экспериментов и помог управлять оборудованием в реальном времени, включая обнаружение неисправностей.

Genentech: автоматизация анализа белков

Исследователи Genentech протестировали MHS на автоматизации BCA-анализа — стандартной процедуры измерения общей концентрации белка в образце. В эксперименте участвовали дозатор жидкостей, роботизированная рука и считыватель микропланшетов.

Лаборатории Genentech проводят крупномасштабные эксперименты с автоматизированными системами, где одновременно работают дозаторы, манипуляторы и считыватели. Каждый прибор нужно отдельно калибровать, тестировать и программировать. Настройка такой системы обычно занимает недели или месяцы и ограничивает число проверяемых научных гипотез.

MHS должен был унифицировать связь между ИИ и оборудованием, чтобы учёные могли управлять лабораторными роботами на естественном языке и не писали для каждого прибора собственный код. В перспективе Genentech рассчитывает передать ИИ рутинные механические операции, оставив специалистам постановку экспериментов, интерпретацию результатов и принятие решений.

Для первого теста MHS подключили к рабочей станции с дозатором жидкостей. В процедуре участвовали:

Все эксперименты проводились в стандартных 96-луночных планшетах. Claude координировал работу трёх устройств и выступал общим центром обмена данными.

BCA-анализ требует работы с жидкостями разной вязкости — от водных реагентов до пенистых белковых образцов. В качестве белка использовали бычий сывороточный альбумин (BSA) с известной концентрацией. При высокой скорости движения вязкий BSA образует пузырьки, из-за чего в лунку попадает неточный объём.

Сначала Claude получил стандартный протокол и выполнил его с одинаковой скоростью для всех жидкостей. В вязком растворе появились пузырьки, и переносы оказались неточными.

Затем агенту поручили самостоятельно подобрать скорость переноса для воды и BSA. Claude проводил пробные переливания окрашенной жидкости, измерял результат считывателем микропланшетов и сравнивал его с эталонным переносом, выполненным специалистом. Точность оценивалась по среднеквадратичной ошибке (RMSE): чем она меньше, тем ближе результат к целевому.

Для воды Claude выбрал скорость около 140 мкл/с и получил RMSE 0,016. Для BSA оптимальной оказалась скорость 10 мкл/с при RMSE 0,181. Специалисты по автоматизации подтвердили, что для этой системы такие параметры выглядят разумно.

Обычно подобная оптимизация требует отдельной программы для каждого набора параметров и многократного анализа данных специалистом по автоматизации.

Во время эксперимента Claude столкнулся с ошибками захвата наконечников и обнаружения жидкости, но смог восстановиться самостоятельно. Большинство современных научных приборов такой возможности не имеют.

При этом тест выявил ограничения моделей. Claude хорошо справлялся с общим рассуждением, но испытывал трудности с физическими, химическими и биологическими причинами неисправностей.

Пузырьки создают сразу несколько проблем. Если протокол требует набрать 40 мкл реагента, часть объёма займёт воздух, и жидкости окажется меньше. Датчик уровня может принять пену за ошибку, а пузырьки искажают итоговые оптические измерения.

Когда во время перемешивания возникали ошибки из-за пузырьков, Claude сначала просто повторял операцию в той же лунке с другими параметрами. Это усиливало перемешивание и создавало ещё больше пузырьков. Исследователям пришлось объяснить агенту физическую причину сбоя и направить его к более мягким настройкам.

После этого Claude сохранял полученный контекст до конца запуска: переходил в чистую лунку и уменьшал число циклов перемешивания. Позже эти правила оформили в повторно используемые навыки для работы с жидкостями разной вязкости. Это помогло сократить число ошибок и показало, какие ограничения рассуждения можно компенсировать настройкой программной оболочки агента.

В дальнейшем Genentech планирует проверить Claude и MHS на более широких автономных рабочих процессах. Цель — создать систему, в которой учёные задают общую биологическую задачу, а ИИ-агенты формируют инструкции для оборудования, проводят эксперименты, выполняют анализ с обратной связью и выдают данные для следующего этапа.

Для этого понадобятся дополнительные устройства: центрифуги, автоматические инкубаторы, аналитические приборы и датчики. Также потребуется адаптировать оболочку агента к работе с молекулами и живыми чувствительными клетками, а затем подключить другие модели для круглосуточного мониторинга и оптимизации экспериментов.

Университет Вашингтона: мониторинг и qPCR

Zihao Song, аспирант лабораторий Baker и Pinglay в Вашингтонском университете, использовал MHS для создания панели удалённого мониторинга приборов, контроля qPCR с помощью ИИ-агента и безопасной передачи планшетов между роботизированной рукой и дозатором жидкостей.

В его лаборатории разрабатывают методы высокопроизводительного проектирования белков с нуля — белков, которых раньше не существовало в природе. Проектирование кандидата, например фермента PETase, может стоить около $0,01, но проверка одного варианта в лаборатории обходится примерно в $100 и занимает неделю. Одновременно исследователи тестируют до 1 000 кандидатов.

Главные ограничения при таком масштабе — контроль состояния приборов и их пропускная способность. Оборудование находится в разных частях лаборатории, а неисправности часто обнаруживаются спустя часы. Большинство приборов представлено в единственном экземпляре, поэтому одна машина определяет темп всей серии экспериментов. ПЦР-этап обрабатывает только один планшет за раз, и менять планшеты приходится каждые 90 минут.

Обычная автоматизация плохо подходит для лаборатории, где протоколы постоянно меняются. На производственной линии один и тот же процесс можно повторить 10 000 раз, а в исследовательской лаборатории за год выполняются десятки разных протоколов, многие из которых приходится менять прямо во время эксперимента. Приборы разных производителей используют собственные программы, форматы данных и драйверы. Их интеграция может занимать от нескольких месяцев до нескольких лет и стоить от тысяч до миллионов долларов.

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

До этого исследователю приходилось обходить помещение и проверять приборы по отдельности. После подключения MHS их состояние собирается на одной панели. Проверить лабораторию можно с ноутбука, а с помощью ИИ-агента — даже со смартфона.

Особенно полезным это оказалось для количественной ПЦР (qPCR). Метод копирует целевую последовательность ДНК через повторяющиеся циклы нагрева и охлаждения. Флуоресцентный сигнал растёт по S-образной кривой: сначала остаётся слабым, затем резко увеличивается, а после нехватки реагентов выходит на плато.

Если реакцию не остановить вовремя, плато искажает ДНК-библиотеку и не позволяет точно определить конечное количество амплифицированных последовательностей. Раньше исследователю приходилось часами следить за экраном прибора.

MHS анализирует кривую по мере её поступления и сообщает результат в реальном времени. Агент определяет форму кривой и предлагает остановить реакцию или продолжить. После команды остановки прибор переходит к выдержке при 4 °C, чтобы ДНК не разрушалась.

Для других экспериментов требуется регулярно загружать образцы в приборы и вынимать их. Один такой обмен занимает секунды, но сам запуск может длиться час или два, поэтому исследователь вынужден возвращаться в лабораторию каждый час.

Чтобы автоматизировать передачу образцов, Song использовал открытую роботизированную руку на базе LeRobot, подключённую через MHS. Дозатор заполнял планшет реагентами, рука убирала готовый планшет и ставила новый, после чего дозатор запускал следующий цикл. Claude Code управлял обоими устройствами и ждал завершения каждого этапа.

После окончания дозирования агент получал сигнал завершения и примерно через 10 секунд отдавал руке команду поднять планшет. В повторных тестах приборы ни разу не столкнулись: рука не начинала движение раньше времени, а дозатор не запускался, пока рука не освобождала рабочую зону. Исследователь наблюдал за процессом с компьютера в кабинете.

Подключение шести приборов заняло меньше недели, включая написание драйверов. Агент самостоятельно находил устройства, читал их состояние и вызывал нужные операции. Время, которое раньше уходило на наблюдение за qPCR, исследователь смог использовать для планирования экспериментов, чтения статей и анализа данных.

Пока это только доказательства работоспособности. Сложные протоколы потребуют дополнительной оптимизации и более широкого набора физических операций. Кроме того, постоянная работа агента связана с вычислительными затратами, которые нужно сопоставлять с экономией времени исследователя.

В будущем Song хочет автоматизировать полный цикл «проектирование — сборка — проверка — обучение» для белков с нуля: агент должен предлагать варианты, запускать сборку и анализ, получать результаты через тот же интерфейс и использовать их для планирования следующего раунда.

Carnegie Mellon: дозирование лекарств

Исследователи Университета Карнеги — Меллона запускали эксперименты по построению дозозависимых кривых примерно в три раза быстрее прежнего. ИИ-агент координировал дозатор, считыватель микропланшетов, роботизированную руку и камеры, установленные на трёх компьютерах с несовместимыми интерфейсами.

При разработке лекарства необходимо определить дозу, которая даёт нужный эффект. Слишком большая доза может быть дорогой или токсичной, а слишком маленькая — неэффективной. Для этого применяют серийное разведение: исходный раствор каждый раз разбавляют в одинаковой пропорции, используя предыдущую концентрацию для следующего шага.

Метод требует времени и легко приводит к ошибкам. Слишком высокая максимальная концентрация вызывает насыщение сигнала, а слишком крупный шаг между разведениями может пропустить участок, где реакция действительно меняется.

Вручную серия таких экспериментов может занимать недели. Для высокопроизводительного тестирования множества кандидатов это особенно неудобно. Даже в автоматизированной лаборатории разработка протокола требует недель работы инженеров.

MHS позволил управлять оборудованием программно и сократить время примерно втрое. В систему вошли:

Для каждого прибора исследователям пришлось создать драйвер и общий слой управления. С Claude Opus 4.8 полный протокол удалось запустить автономно примерно за восемь часов вместо нескольких недель, которые обычно занимает настройка поставщиком.

Оборудование работало на трёх компьютерах:

MHS представлял все устройства через единый набор состояний и процедур. Например, система могла описать положение планшета, температуру образца или заполненность лунки, а также операции дозирования и перемешивания. Для агента это выглядело одинаково независимо от того, какой интерфейс использовался внутри.

Рабочий процесс остался прежним: дозатор создавал серию разведений, камера проверяла наличие и ориентацию планшета, рука перемещала его к считывателю, прибор измерял сигнал, а агент анализировал кривую и решал, принять результат или изменить диапазон концентраций и повторить эксперимент.

Вместо настоящего лекарственного соединения использовали цветной краситель. Его сигнал зависел от концентрации, поэтому эксперимент оставался безопасным и наглядным, но сохранял необходимую логику принятия решений.

Система сталкивалась с особенностями каждого интерфейса. Планировщик руки создавал два файла на один XML-запрос, дозатор работал через устаревший COM-интерфейс, а считыватель управлялся через экранную графику. Один цикл дозирования занимал 4–5 минут, а допустимая ошибка объёма составляла 5%.

Раньше специалист вручную следил за журналом руки, проверял положение планшета и решал, достаточно ли информативна полученная кривая. Теперь все три решения принимали MHS и агент.

Для проверки безопасности искусственно создали шесть ситуаций: отсутствие планшета, неправильную ориентацию, занятый считыватель, отключённую камеру, недоступное устройство и активированную аварийную остановку. Система корректно заблокировала все шесть сценариев до начала движения оборудования.

В первом запуске агент получил кривую с плохим соответствием: R² оказался ниже 0,9 из-за насыщения в верхней части диапазона. Claude самостоятельно выбросил планшет и повторил эксперимент на новом, снизив верхнюю концентрацию с 200 до 100 мкг/мл.

Второй запуск дал пригодную кривую с R² выше 0,98 и вариацией 3,4 между повторными измерениями. Человек не вмешивался.

Драйверы для приборов стандартизировали и планируют опубликовать, чтобы другие исследователи могли использовать их повторно. MHS добавляет слой координации поверх штатного программного обеспечения и не требует отдельной системы автоматизации. Подключать можно устройства с API, SDK или графическим интерфейсом.

Дальше команда хочет проверить систему на реальных лекарственных кандидатах, заменить цветной сигнал измерениями биологических эффектов, добавить поддержку qPCR и микроскопов, а также сократить время интеграции отдельных приборов.

Отдельное направление — безопасность: дополнительные проверки, контроль доступности устройств и правила, определяющие, когда требуется подтверждение человека для рискованных действий.

HHMI Janelia: единый интерфейс для микроскопии

В HHMI Janelia Research Campus MHS используют в проектах по микроскопии. Virginie Ruetten из лаборатории Ahrens объединила установку, которая раньше управлялась семью программами разных производителей без общего интерфейса.

Несколько ночей плохого сна могут нарушить когнитивные функции, обмен веществ и работу иммунной системы. Чтобы понять механизмы сна, нужно наблюдать разные части организма одновременно, поскольку сон является состоянием всего организма.

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

Такая установка занимает целую комнату. В ней используются фемтосекундные лазеры, быстрые гальванометрические зеркала, фотоприёмники и две точные координатные платформы. Оборудование покупалось у разных производителей и подключалось вручную.

Приборы должны работать синхронно: лазер — вместе с зеркалами, сканирующими образец, а платформы — компенсировать движение животного и смещение фокуса. При этом детекторы работали в MATLAB, камеры — в Python, а электрофизиологическое оборудование — в C#. Значение, известное одной программе, например положение платформы, не было доступно остальным.

До MHS Ruetten писала отдельный код для связи программ или добавляла платы цифрового сбора данных. Для запуска эксперимента приходилось открывать семь программ в заданном порядке. Ошибка в последовательности могла сорвать весь сеанс.

MHS заменил такие связи единой системой. Состояние каждого прибора, его переменные, органы управления и значения датчиков записываются в общий словарь в разделяемой памяти, доступный разным программам.

Добавление новой камеры для наблюдения за лазерным лучом заняло несколько минут. Её данные — положение луча — удалось передать зеркалам, которые его направляют. Запуск эксперимента теперь требует одного нажатия на панели MHS вместо семи отдельных действий.

Исследовательнице также нужно постоянно проверять состояние рыбки, фокус камеры на сердце и качество флуоресцентного изображения. Раньше для этого приходилось либо анализировать данные после записи, либо оценивать картинку на глаз, либо встраивать отдельный код анализа в каждую программу.

MHS записывает все потоки данных в едином формате. Любой процесс может получить к ним доступ, поэтому один и тот же код анализа и визуализации можно использовать для разных приборов.

Ruetten создала модульную систему для работы в реальном времени: данные поступают из ячейки словаря MHS, проходят через повторно используемые преобразования, а результат записывается в другую ячейку или на диск. Для изображений, временных рядов и спектров используются отдельные просмотрщики по типу данных, а не по конкретному устройству.

Например, один и тот же модуль вычисляет спектр сердечной активности, записанной камерой, и нейронной активности, полученной другим прибором на другом языке программирования. Код теперь накапливается в одной системе, а не создаётся заново для каждого устройства.

В микроскопии приходится выбирать между скоростью и охватом. Один слой мозга можно просканировать быстро, а большое число слоёв — медленнее. Для поиска нужных клеток нужен широкий охват, а для измерения их колебательной активности — высокая скорость.

Обычно исследователь выбирает настройки до начала эксперимента, который длится часами. Простого фиксированного алгоритма недостаточно, поскольку биологические данные непредсказуемы. В идеале система должна сначала широко просканировать образец, найти нужную популяцию клеток, а затем быстро изучить именно её.

ИИ-агент может выбирать область интереса и менять масштаб, но раньше надёжно управлять установкой было сложно: ошибка могла повредить объектив или потерять несколько часов подготовки образца.

С MHS всё состояние установки доступно через единый словарь. Ruetten написала оболочку, которая дала агенту доступ к оборудованию. Детерминированный цикл чередует получение данных и анализ, а агент подключается в точках принятия решений: выбирает область съёмки и методы анализа.

Ограничения безопасности MHS не позволяют агенту случайно задать чрезмерную мощность лазера, которая могла бы обесцветить молекулы и повредить образец. Система пока находится в разработке и требует наблюдения, но уже помогла обнаружить популяцию клеток с колебательной активностью, которую фиксированные настройки могли пропустить.

В дальнейшем Ruetten планирует изучать связь этих колебаний с состояниями сна и бодрствования. Для этого нужно определить, какие клетки связаны с колебанием, а затем проводить оптогенетические воздействия в определённой фазе, одновременно записывая активность тысяч клеток.

Такие замкнутые эксперименты требуют быстрой координации большого числа приборов. MHS не устраняет физические компромиссы между скоростью и охватом или яркостью сигнала и длительностью записи, но позволяет быстрее перебирать параметры и проверять гипотезы.

В другой группе Janelia, которую возглавляет Arco Bast, MHS используют для съёмки нейронов и их дендритов в мозге живых мышей, изучающих виртуальную среду. Система помогает Claude выравнивать лазеры, настраивать оптику и проверять результаты по датчикам, сокращая ручную подготовку с половины дня до одного шага.

Команда Magdalena Schneider и Hari Shroff применяет MHS для управления светолистовым микроскопом. Claude в реальном времени выбирает, как снимать развивающиеся эмбрионы C. elegans, и балансирует между конкурирующими параметрами изображения.

QuEra: восстановление лазерной настройки

QuEra, производитель квантовых компьютеров на нейтральных атомах, подключила через MHS часть лазерной системы. ИИ-агент создал контроллер, который восстанавливал рабочую частоту лазера без участия человека в 99,3% случаев.

Квантовый компьютер QuEra использует управляемое взаимодействие лазера с атомами. Каждый лазер должен удерживать частоту с точностью примерно до одной части на триллион. Температура, вибрации и давление могут вывести лазер из этого режима. Если это происходит во время длительной программы с коррекцией ошибок, вычисление может быть испорчено.

Речь идёт о титан-сапфировом лазере — настраиваемом устройстве, которое используется в атомной физике и квантовых технологиях более 20 лет. Обычно специалисты вручную восстанавливают его частоту. На это уходит 5–10 минут.

В университетских лабораториях такой навык часто передаётся от одного аспиранта к другому. Если настройка сбивается ночью, кому-то приходится приезжать в лабораторию. Для компании с большим парком квантовых компьютеров такая зависимость от нескольких экспертов непрактична.

До MHS QuEra несколько месяцев разрабатывала отдельный сценарий автоматического восстановления. В нём были пошагово воспроизведены действия человека: отключить функцию удержания частоты, последовательно менять настройки, проверять результат после каждого шага, начинать заново при неудаче и снова включать удержание.

Сценарий занимал около 150 секунд и срабатывал лишь примерно в 58% случаев. Линейная последовательность не могла учитывать изменения среды: например, перепад температуры или давления мог отменить уже выполненный шаг, после чего процедуру приходилось начинать сначала.

Команда передала задачу Claude через MHS. Целью было написать автономный сценарий на Python, который восстанавливает частоту с первой попытки и удерживает её 30 секунд. Специалисты искусственно создавали помехи: перекрывали луч, отключали питание приборов и уводили частоту от цели на разные расстояния.

В эксперименте участвовали четыре экземпляра Claude:

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

Claude заменил линейную процедуру деревом решений. Сценарий анализировал показания приборов, формировал условия «если — то» и менял только те настройки, которые соответствовали конкретной неисправности. Например, если частота почти не сместилась, он не трогал большинство регуляторов.

После этого готовый сценарий проверили на 700 случайных искусственных сбоях без участия агента. Правильную настройку удалось восстановить 695 раз — в 99,3% случаев. Сложные отклонения занимали 10–14 секунд, простые — от 0,9 до 5,4 секунды. В итоге получился детерминированный проверяемый сценарий, пригодный для работы без постоянного управления ИИ-агентом.

Затем команда поручила Claude улучшить качество самой настройки. За него отвечают 12 взаимосвязанных параметров PID-регулятора. Специалист обычно ориентируется на среднеквадратичную ошибку, поскольку измерять полный спектр шума после каждого изменения слишком трудозатратно.

Claude после каждого изменения записывал сигнал осциллографа и вычислял полный спектр. За 363 эксперимента и 16 часов без участия человека он снизил остаточную ошибку с 15,7 до 1,55 мВ — примерно в 10 раз.

Независимая проверка показала, что настройка агента совпала с настройкой специалиста почти по всему диапазону. Исключением стала область около 220 кГц: при ручной настройке там оставалось примерно в тысячу раз больше шума.

В 19-часовом тесте параметры Claude ни разу не потеряли блокировку частоты. Настройка специалиста теряла её примерно 1,6 раза в час. В отличие от контроллера восстановления, этот процесс продолжает использовать агента, который меняет параметры по мере изменения условий.

Пилот не заменил экспертов полностью. Claude не умел разбираться с физическими неисправностями оборудования и иногда останавливался в ожидании подтверждения даже перед немного рискованным действием. Кроме того, для работы ему требовалось много контекста о цели эксперимента и порядке действий.

QuEra планирует запустить систему восстановления на реальных квантовых процессорах, оформить настройку в отдельный инструмент и перенести полученные подходы на другие подсистемы.

Tetsuwan: автономная биологическая лаборатория

Компания Tetsuwan интегрировала MHS с платформой автоматизированной биологической лаборатории ResearchOS. Система координировала qPCR в рамках гражданского научного проекта по изучению загрязнения ручья Сан-Педро в Калифорнии.

Хотя автоматизированные машины для дозирования, герметизации, встряхивания и перемещения лабораторной посуды существуют с 1960-х годов, большая часть биологических экспериментов всё ещё выполняется вручную. Причина — изменчивость протоколов: от запуска к запуску меняются число образцов, формат планшета, количество условий, глубина серии разведений, время инкубации и число временных точек.

Перевод одной конфигурации эксперимента в автоматизированный рабочий процесс обычно занимает у инженера недели или месяцы. Поэтому автоматизация окупается главным образом при огромном числе повторений, например при проверке сотен тысяч соединений. Остальные эксперименты сохраняют ручной характер и связанные с ним ошибки и проблемы воспроизводимости.

ResearchOS позволяет создавать, запускать и управлять автоматизированными протоколами без опыта в лабораторной автоматизации. Пользователь описывает процедуру естественным языком, Claude превращает её в сценарий на языке ResearchOS, а специальный компилятор переводит его в инструкции для оборудования.

Сама лаборатория включает множество дозаторов, одну роботизированную руку и другие приборы, которые используют разные языки и имеют собственные особенности. MHS стал уровнем координации между ними и Claude.

В проекте по ручью Сан-Педро система выполняла qPCR, чтобы определить источники фекального загрязнения. ПЦР копирует ДНК с помощью циклов нагрева и охлаждения, а qPCR добавляет флуоресцентный краситель, по яркости которого можно оценить количество исходного материала. Метод позволяет измерять активность генов, обнаруживать патогены и определять содержание конкретных организмов в окружающей среде.

В qPCR используется вязкий реагент — исходная смесь. Он легко образует пузырьки и пену, из-за чего ухудшается точность дозирования. MHS подключил камеру, способную обнаруживать такие ошибки, и запустил автоматическую процедуру восстановления.

В одном случае камера заметила пузырьки в пробирке с исходной смесью, которую удерживала роботизированная рука. ResearchOS просканировал подключённые устройства, а Claude предложил через Slack переместить пробирку в центрифугу и ненадолго прокрутить её на малой скорости. Это должно было осадить жидкость и убрать пузырьки. Через MHS агент передал центрифуге необходимые команды.

MHS также сделал протокол независимым от конкретного оборудования. Например, в нём можно указать: прокрутить планшет при 15 000 × об/мин в течение пяти минут, не называя модель центрифуги. ResearchOS находит совместимое устройство в сети, считывает интерфейс его драйвера, а Claude переводит заданное усилие в параметры конкретной машины. Если центрифуга принимает только скорость ротора, система учитывает радиус ротора.

Tetsuwan также использовала Claude для замкнутой оптимизации компилятора ResearchOS. qPCR-протокол переводили в разные рабочие списки с различным числом образцов, повторов и наборов праймеров. Затем эти варианты запускали на роботе и измеряли точность переносов с помощью индикаторного красителя.

После каждого эксперимента Claude получал через MHS данные считывателя, анализировал и визуализировал их, а затем предлагал изменения в модели точности компилятора. Благодаря этому компилятор мог точнее учитывать систематические отклонения и выбирать баланс между раскладкой оборудования и повторным использованием наконечников.

Всего проверили 9 143 дозирования, 300 типов переносов и 1 508 условий для четырёх жидкостей. На отложенных экспериментах модель, которую помогли улучшить Claude и MHS, предсказывала точность многократного дозирования примерно на 12% лучше технической спецификации производителя и превосходила её в 31 из 45 запусков. На наиболее повторяемых данных преимущество достигло примерно 17%.

Предварительные результаты qPCR подтвердили вывод коалиции по водосборному бассейну ручья Сан-Педро: главным источником фекального загрязнения ручья, вероятно, являются люди. Исследователи искали фрагменты ДНК бактерий, связанных с людьми, лошадьми, птицами и собаками.

С помощью общего маркера 16S обнаружили E. coli, а праймер AllBac показал наличие бактерий Bacteroides. Праймеры HF183 и BacH дали отчётливую амплификацию человеческих Bacteroides. Другие видоспецифичные Bacteroides в этом эксперименте не обнаружились.

В следующих экспериментах команда хочет точнее определить источник загрязнения и измерить концентрацию человеческих Bacteroides в сточных водах.

Открытие стандарта

MHS должен объединить оборудование, исследователей и модели через общий слой интеграции, координации и восстановления после ошибок. Однако ранние тесты показали, что моделям всё ещё трудно понимать физические причины сбоев. В Genentech Claude пришлось объяснять, что пена в белковых образцах — физическая проблема, а не ошибка программы.

MHS пока не поддерживает оборудование без программируемого интерфейса. Anthropic работает с производителями над драйверами для таких устройств. Hugging Face добавляет поддержку MHS в LeRobot, а Raspberry Pi развивает интеграцию для ряда своих продуктов после тестов с драйвером камеры MHS.

Исследовательский предпросмотр также нужен для новых проверок безопасности. Anthropic готовит отдельную дорожную карту физической безопасности, чтобы усилить защиту от неправильного или опасного применения ИИ в материальном мире. После открытия исходного кода компания планирует опубликовать результаты предпросмотра и рекомендации по безопасному развёртыванию стандарта.

MHS начался как совместный проект Alek Kemeny из команды Beneficial Deployments Anthropic и Arco Bast, постдокторанта HHMI Janelia Research Campus. Bast проводил сложные эксперименты по визуализации мозга на установке, где лазеры, моторизированные фокусировщики и камеры разных производителей не имели общего интерфейса. Он создал словарь в разделяемой памяти, позволивший приборам обмениваться данными на скорости памяти, а затем вместе с Kemeny подключил к этой системе ИИ-модели.

Anthropic приглашает представителей разных отраслей присоединиться к списку ожидания исследовательского предпросмотра MHS.