Предварительный обзор стандарта оборудования для моделей

Anthropic открыла предпросмотр стандарта для управления физическими устройствами

Anthropic начала исследовательский предпросмотр стандарта управления оборудованием (MHS) — общей спецификации, с помощью которой ИИ-агенты могут безопасно управлять физическими устройствами. Доступ получили первые научные лаборатории и передовые производители. MHS позволяет параллельно подключать микроскопы, жидкостные обработчики и роботизированные руки, а затем выполнять задачи от экспериментов по поиску лекарств до настройки лазеров в квантовых компьютерах. Стандарт разрабатывался совместно с Anthropic и исследовательским кампусом HHMI Janelia.

Что такое MHS

Подключение оборудования в лаборатории или на производстве обычно занимает недели, а иногда и месяцы. Большинство приборов не умеют напрямую обмениваться данными, поэтому специалистам приходится создавать отдельные интеграции для каждой пары устройств.

MHS сокращает эту работу до часов или минут. Стандарт позволяет ИИ-агентам координировать несколько приборов, рассуждать над последовательностью действий, менять параметры в реальном времени и иногда самостоятельно восстанавливаться после аппаратных ошибок. Это открывает путь к автономным экспериментам и рабочим процессам, которые могут идти круглосуточно.

Anthropic передала раннюю версию MHS партнёрам из научной сферы, робототехники, электроники и производства. Вместе с ними компания хочет разработать проверки безопасности и практические рекомендации перед публикацией стандарта с открытым исходным кодом.

MHS подходит любому устройству с программируемым интерфейсом и не привязан к конкретной модели. Любая платформа для запуска ИИ-агента может обращаться к оборудованию через стандартные протоколы, например MCP.

Проблема интеграции начинается с того, что каждый прибор использует собственный программный интерфейс. Даже после подключения устройств нет единого способа передавать их данные ИИ-агенту и разрешать ему безопасно управлять оборудованием.

MHS вводит стандартный программный модуль управления — слой, который переводит команды операционной системы в действия конкретного устройства. В основе лежит небольшой набор базовых операций: например, read для чтения температуры и write для её изменения. Любое совместимое устройство может интерпретировать такие команды.

Каждый прибор также описывается в едином формате. Благодаря этому устройства и агенты находят друг друга в сети и обмениваются данными без отдельной программы-переводчика для каждой интеграции.

Модуль управления передаёт агенту сведения, которых может не быть в программном коде. Например, вес роботизированной руки важен для безопасного управления, но обычно указан только в бумажном руководстве или известен специалисту из опыта. В MHS эти данные записываются в виде тегов на естественном языке. Пользователь может внести их сам или рассказать о конфигурации агенту в диалоге.

Затем модуль управления автоматически формирует справочный файл с характеристиками устройства: что оно умеет измерять, какие параметры можно менять и какие ограничения безопасности действуют. Агент получает необходимую информацию для работы с прибором.

После подключения оборудования агент может управлять им через три механизма: MCP, интерфейс командной строки и файлы с кодом — API. Вместе они позволяют координировать несколько устройств одной строкой кода.

Агент получает рабочие данные от приборов, следит за экспериментом и управляет им на высоком уровне. Он может выстроить последовательность действий, наблюдать за результатами и менять параметры по мере изменения условий. Для долгих или быстрых операций агент объединяет команды модулей управления в файлы с кодом. Тогда устройства выполняют часть работы самостоятельно, без рассуждения модели на каждом шаге.

Как Claude работает с экспериментами

Во время тестов Claude действовал с экспериментами и оборудованием исследовательски, как учёный. В одном из случаев модель меняла настройку лазера, смотрела через камеру, как это повлияло на положение луча, и повторяла процедуру, пытаясь понять связь между действиями и результатом.

Затем Claude сохранил полученные знания в файле с кодом и создал детерминированный сценарий для юстировки лазера. После этого процесс можно было запускать одной командой, без рассуждений на каждом отдельном шаге.

Партнёры Anthropic уже применяли MHS в биотехнологиях, робототехнике, квантовых вычислениях и других областях. По их данным, стандарт сокращал время интеграции, ускорял итерации в экспериментах, помогал управлять приборами в реальном времени и обнаруживать аппаратные ошибки.

Genentech: автоматизация анализа белков

Исследователи Genentech использовали MHS для автоматизации BCA-анализа — стандартной процедуры определения общей концентрации белка в образце. В эксперименте нужно было согласованно управлять жидкостным обработчиком, роботизированной рукой и считывателем микропланшетов.

Genentech работает над научными и медицинскими задачами уже полвека. В 1977 году её учёные получили соматостатин — пептидный гормон, регулирующий инсулин, глюкагон, гормон роста и работу пищеварительного тракта, — в бактериях E. coli с помощью технологии рекомбинантной ДНК. Это показало, что бактерии можно перепрограммировать в биологические фабрики для производства лекарств.

Вскоре после этого компания синтезировала рекомбинантный человеческий инсулин. В 1982 году он стал первым одобренным FDA лекарством, созданным методами генной инженерии. Позже Genentech занималась разработкой терапии рака, рассеянного склероза и других сложных заболеваний.

Такая работа требует большого числа экспериментов. В лабораториях по поиску лекарств используются автоматизированные системы, способные параллельно выполнять высокопроизводительные анализы и проверять множество переменных. В них входят специализированные жидкостные обработчики, роботизированные руки и считыватели микропланшетов.

Каждый прибор нужно тщательно откалибровать, протестировать и снабдить сложной логикой управления. Сейчас настройка таких систем выполняется вручную и занимает недели или месяцы, ограничивая количество идей, которые учёные могут проверить.

Genentech внедрила MHS вместе с Anthropic, чтобы устранить этот разрыв между планированием эксперимента и его автоматическим выполнением. Открытая программная платформа стандартизирует связь ИИ с оборудованием: учёные могут описывать работу специализированных роботов естественным языком, не создавая для каждого из них собственный код.

Компания рассчитывает постепенно прийти к автономным лабораториям, где ИИ берёт на себя рутинную механику экспериментов, а учёные сосредотачиваются на планировании опытов, интерпретации результатов, принятии решений и разработке новых подходов.

Сначала MHS установили на крупную роботизированную рабочую станцию с жидкостным обработчиком. Исследователи проверяли, сможет ли стандарт ускорить BCA-анализ. В процедуре участвовали три устройства:

🧪 жидкостный обработчик выполнял точные перемещения жидкостей;

🤖 роботизированная рука перемещала лабораторную посуду;

📊 считыватель микропланшетов измерял оптическое поглощение — количество света, которое образец поглощает на заданной длине волны.

Claude координировал протокол через MHS и выступал центральным узлом связи между приборами. Все опыты проводились в стандартных микропланшетах на 96 лунок.

BCA-анализ требует работы с жидкостями с разными свойствами: от обычных водных растворов до вязких и склонных к пенообразованию белковых образцов. В качестве белка использовали бычий сывороточный альбумин, или BSA, с заранее известной концентрацией.

Из-за различий в давлении и движении жидкости пипетирование должно быть очень точным. Вязкий раствор BSA образует пузырьки при высокой скорости потока, а это влияет на объём, который попадает в лунку. Поэтому почти любой автоматизированный научный эксперимент начинается с настройки параметров движения жидкости.

Для начала Claude получил стандартный протокол BCA-анализа. В первом запуске модель использовала одинаковую скорость потока для водного и вязкого раствора. В BSA появились пузырьки, из-за чего перенос жидкости оказался неточным.

Затем Claude попросили самостоятельно подобрать параметры для обычной воды и BSA. Модель получила план эксперимента: проверить заданный экспертами диапазон скоростей, выполнить пробные переносы окрашенной жидкости и измерить оптическое поглощение считывателем микропланшетов.

Кроме того, Claude сравнивал свои результаты с эталонным переносом, который на той же пластине выполнил специалист. Для оценки использовалась среднеквадратичная ошибка, RMSE: чем она меньше, тем точнее перенос, а нулевое значение означает идеальный результат. Если требовалось перенести 100 мкл, а прибор отправил 98 мкл, ошибка составляла 2 мкл.

Claude самостоятельно провёл серию испытаний и проанализировал данные считывателя. Для воды модель выбрала скорость около 140 мкл/с и получила RMSE 0,016. Для BSA оптимальной оказалась скорость 10 мкл/с с RMSE 0,181. Специалисты по автоматизации подтвердили, что эти значения подходят для данной установки.

Обычно такая настройка требует от инженера написать отдельную логику для каждого набора параметров, а затем многократно анализировать результаты.

Во время эксперимента Claude столкнулся с несколькими неожиданными ошибками, включая сбои захвата наконечников и ошибки обнаружения жидкости. Модель смогла самостоятельно восстановить работу — такой способности чаще всего нет у современных научных приборов.

При этом тест выявил ограничения ИИ-моделей. Они хорошо рассуждают в общем случае, но хуже учитывают физические, химические и биологические ограничения, особенно когда для исправления ошибки нужна интуиция о реальном поведении материала.

Показательный пример — пузырьки в жидкости. Если протокол требует набрать 40 мкл реагента, часть пространства в наконечнике может занять воздух, и фактический объём жидкости окажется меньше. Пена также способна вызвать ошибку датчика уровня жидкости, а пузырьки искажают итоговые оптические измерения.

Когда во время перемешивания возникли ошибки из-за пузырьков, Claude по умолчанию повторял операцию в той же лунке с другими параметрами. Это только сильнее перемешивало жидкость и создавало новые пузырьки. Модель не понимала физическую причину сбоя, поэтому исследователям пришлось направить её к более мягким параметрам.

После объяснения Claude, что код ошибки вызван пузырьками, модель стала переносить образец в чистую лунку и сокращать число циклов перемешивания. Этот контекст сохранялся до конца запуска.

Позже исследователи превратили полученные выводы в повторно используемые навыки для Claude. Благодаря этому модель стала выбирать более разумные параметры по умолчанию для жидкостей с разными физическими свойствами, а число ошибок при работе с жидкостями снизилось.

Эксперимент стал проверкой того, какие ограничения рассуждения можно устранить доработкой программной оболочки Claude для лабораторной автоматизации. Исследователи планируют сопоставлять решения модели с экспертными оценками и собирать данные для дальнейшего улучшения автоматизации экспериментов.

В дальнейшем Genentech хочет проверить Claude и MHS на более широких сквозных рабочих процессах в лабораториях по поиску лекарств. Цель — создать автономный исследовательский цикл, в котором учёные задают биологическую цель высокого уровня, а ИИ-агенты формируют инструкции для оборудования, проводят эксперименты, выполняют замкнутый анализ и выдают модели и данные, готовые для отбора.

Для этого потребуется подключить центрифуги, автоматизированные инкубаторы, аналитические приборы и датчики. Также нужно доработать оболочку агента, чтобы она учитывала особенности работы с молекулами и живыми чувствительными клетками. Кроме того, Genentech планирует добавить другие модели, которые смогут круглосуточно отслеживать эксперименты и менять их параметры по данным в реальном времени.

Университет Вашингтона: лаборатория под наблюдением агента

Zihao Song, аспирант лабораторий Baker и Pinglay при Вашингтонском университете, использовал MHS для создания панели удалённого мониторинга приборов. Он также запустил qPCR под контролем ИИ-агента: система отслеживала кривые амплификации, останавливала процедуру в нужный момент и связывала роботизированную руку с жидкостным обработчиком для безопасной передачи планшетов.

Разработка белков с нуля — создание белков, которых раньше не существовало в природе, — применяется в медицине, защите окружающей среды и других областях. Но её ограничивают стоимость и пропускная способность.

Спроектировать белок вроде PETase, фермента, разрушающего пластик, сегодня можно примерно за 0,01 доллара. Однако проверка такого белка в лаборатории стоит около 100 долларов и требует недели работы на один кандидат. При тестировании 1 000 кандидатов расходы быстро растут.

Song разрабатывает высокопроизводительные методы, которые должны снизить стоимость эксперимента и увеличить число одновременно проверяемых белков. Но масштабирование создаёт собственные проблемы: нужно постоянно контролировать состояние приборов и их загрузку.

Оборудование находится в разных частях лаборатории, поэтому раньше исследователю приходилось физически подходить к каждому прибору. Если HPLC останавливался из-за ошибки или жидкостный обработчик портил планшет, проблема могла оставаться незамеченной несколько часов, и образец становился непригодным.

Кроме того, в лаборатории обычно есть только по одному экземпляру большинства приборов. Одна машина задаёт темп всей серии экспериментов, а исследователь часами вручную подаёт ей новые образцы. Особенно неудобен этап ПЦР: установка обрабатывает только одну пластину за раз, и менять их нужно каждые 90 минут. Иногда Song приходилось делать это в 4 часа утра.

Обычная автоматизация могла бы решить проблему, но исследовательской лаборатории нужна гибкость. На заводе один протокол могут повторять 10 000 раз. В лаборатории Song за год выполняются десятки разных протоколов, примерно половина из них новые, а параметры часто приходится менять прямо во время эксперимента.

Приборы разных производителей используют собственное программное обеспечение, форматы данных и модули управления. Их объединение может занимать от нескольких месяцев до нескольких лет и стоить от тысяч до миллионов долларов. Для большинства академических лабораторий это недоступно.

Song объединил MHS с ИИ-агентом и провёл несколько демонстраций. Стандарт дал агенту возможность видеть состояние приборов, управлять ими и координировать их работу.

До внедрения MHS исследователю приходилось обходить лабораторию и проверять оборудование вручную. После подключения приборы стали передавать состояние на одну панель. Song и его коллеги могут следить за всей лабораторией с ноутбука или запросить сведения у ИИ-агента со смартфона.

Удалённый мониторинг особенно полезен в экспериментах, требующих постоянного внимания. Один из примеров — количественная ПЦР, или qPCR. Она многократно нагревает и охлаждает образец, копируя целевую последовательность ДНК. Флуоресцентный маркер становится ярче по мере накопления копий.

Амплификация ДНК формирует S-образную кривую. Сначала сигнал остаётся почти плоским, затем быстро растёт, а после исчерпания реагентов выходит на плато. Если реакцию продолжить до плато, библиотека ДНК искажается, и точное количество полученных последовательностей определить уже нельзя.

Поэтому исследователь должен наблюдать за кривой и остановить реакцию в нужный момент. Это занимает много часов и требует постоянного контроля экрана прибора.

MHS отслеживает кривую и анализирует её по мере поступления данных. Система распознаёт форму графика и в нужные моменты спрашивает исследователя, продолжать ли реакцию. После команды остановки она прекращает реакцию и переводит прибор на выдержку при 4 °C, чтобы ДНК не разрушалась и оставалась пригодной для дальнейшей работы.

Другие эксперименты не требуют непрерывного наблюдения, но заставляют исследователя регулярно загружать образцы и извлекать их из прибора. Это касается высокопроизводительной амплификации ДНК, очистки белков и анализов на основе планшетов, например ELISA. Загрузка занимает несколько секунд, но сам запуск длится один-два часа, поэтому возвращаться в лабораторию приходится каждый час.

Чтобы освободить исследователей от постоянного присутствия у рабочего стола, команда использовала открытую роботизированную руку на базе LeRobot, подключённую через MHS. В демонстрации жидкостный обработчик сначала добавлял реагенты в планшет. Затем роботизированная рука убирала готовую пластину, ставила новую, а жидкостный обработчик начинал следующий цикл.

Claude Code управлял обоими приборами через MHS и запускал каждый шаг только после завершения предыдущего. Это предотвращало столкновения.

После окончания дозирования агент получал сигнал о завершении и примерно через 10 секунд давал руке команду забрать планшет. В повторных тестах приборы ни разу не столкнулись: рука не начинала движение раньше времени, а жидкостный обработчик не запускался, пока рука не освобождала рабочую зону. Song наблюдал за экспериментом с офисного компьютера.

Подключение шести приборов заняло меньше недели, включая написание модулей управления. В прошлых попытках автоматизации Song тратил недели на выбор платформ, общение с производителями и создание связующего кода, а иногда прекращал работу, не добившись результата.

После подключения агент самостоятельно обнаруживал устройства, считывал их состояние и вызывал нужные операции. Время, которое раньше уходило на наблюдение за кривыми qPCR, теперь можно было тратить на планирование экспериментов, чтение научных работ и анализ данных.

Эти демонстрации остаются проверками концепции. Более сложные протоколы потребуют серьёзной оптимизации и поддержки новых физических операций. Постоянная работа агента во время долгого мониторинга также требует вычислительных ресурсов, и их стоимость нужно сопоставлять с экономией времени исследователя.

Команда хочет проверить, сможет ли MHS поддержать полный цикл «спроектировать — собрать — протестировать — обучиться». Сейчас каждый раунд разработки белка останавливается на передаче результатов между этапами. В будущем агент сможет предлагать конструкции, запускать сборку и анализ, получать результаты через тот же интерфейс и планировать следующую итерацию.

Carnegie Mellon: дозирование в три раза быстрее

Исследователи Carnegie Mellon University использовали MHS для серийных экспериментов по построению дозо-ответных кривых. По их данным, опыты выполнялись примерно в три раза быстрее. ИИ-агент координировал жидкостный обработчик, считыватель планшетов, роботизированную руку и камеры мониторинга, распределённые между тремя компьютерами с несовместимыми интерфейсами.

Дозировка — один из ключевых этапов разработки лекарств. После выбора кандидата нужно понять, какое количество вещества даёт эффект. Слишком высокая доза может быть дорогой или токсичной, а слишком низкая — неэффективной.

Обычно дозировку определяют с помощью серийного разведения. Исходный концентрированный раствор каждый раз разбавляют в одном и том же соотношении, используя предыдущий раствор для следующего шага. Например, одну часть вещества смешивают с девятью частями растворителя, получая десятикратное разбавление, а затем повторяют процесс. Так формируется предсказуемый ряд концентраций.

Метод требует много времени и подвержен ошибкам. Нужно подобрать максимальную концентрацию и шаг между разведениями. Слишком высокая концентрация приводит к насыщению: сигнал достигает предела, и верхняя часть кривой перестаёт давать полезную информацию. Слишком маленький шаг не охватывает достаточно широкий диапазон, а слишком большой может пропустить участок, где реакция меняется.

Ручная подготовка серии экспериментов занимает недели. В высокопроизводительном поиске лекарств это особенно неудобно, поскольку нужно одновременно определять дозировки для большого числа кандидатов.

Автоматизация такого эксперимента тоже сложна. Необходимо согласовать несколько приборов и провести несколько раундов, чтобы получить пригодную дозо-ответную кривую. Даже в автоматизированной лаборатории разработка протокола может занять недели работы инженеров.

MHS позволил управлять приборами программно и выполнять такие эксперименты примерно втрое быстрее. В систему вошли:

🧪 жидкостный обработчик CyBio Felix;

📊 считыватель планшетов Varioskan LUX;

🤖 роботизированная рука для перемещения планшетов;

📹 камеры мониторинга.

ИИ-агент автоматически и динамически измерял дозо-ответные кривые.

Для каждого прибора обычно требуется отдельная интеграция. С помощью MHS исследователи с нуля создали модули управления и слой координации, через который агент Claude Opus 4.8 мог автономно выполнять весь протокол. Работа заняла около восьми часов вместо нескольких недель для типичной системы от производителя.

Система использовала три компьютера:

🖥️ компьютер 1 управлял роботизированной рукой через программу-планировщик, которая получала задания в виде файлов в специальной папке, а не через обычный API;

🖥️ компьютер 2 запускал жидкостный обработчик через старый интерфейс Windows ActiveX/COM и обслуживал камеры по USB;

🖥️ компьютер 3 управлял считывателем планшетов, у которого не было программного интерфейса — только экранная графика.

MHS преобразовал все эти устройства в единый набор состояний и процедур. Состояния описывали, например, положение планшета, температуру образца или заполненность лунки. Процедуры определяли доступные действия: набрать жидкость, дозировать её или встряхнуть планшет.

Рабочий процесс остался прежним, но теперь им управлял агент. Жидкостный обработчик готовил серию разведений, камера проверяла наличие и ориентацию планшета, роботизированная рука переносила его к считывателю, а считыватель измерял сигнал. Затем модель анализировала кривую и решала, нужно ли изменить диапазон концентраций и повторить эксперимент.

Вместо реального лекарственного кандидата использовали колориметрический краситель, интенсивность цвета которого зависит от концентрации. Это сделало эксперимент безопасным и наглядным, сохранив при этом необходимую логику принятия решений.

Интерфейсы приборов создавали собственные трудности. Планировщик роботизированной руки использовал наблюдение за папкой: на один XML-файл задания он создавал два разных файла, которые MHS должен был объединить в единый результат обычно в течение секунды после отправки.

Жидкостный обработчик поддерживал только COM-сценарии без современного комплекта средств разработки. Рабочие методы приходилось восстанавливать по документации производителя или поручать это агенту Claude Opus 4.8.

Один цикл дозирования занимал около четырёх-пяти минут, а допустимая ошибка объёма составляла всего 5%. При большем отклонении кривая становилась непригодной.

Считыватель планшетов не имел API вообще, поэтому MHS управлял его графическим интерфейсом так же, как человек. Проверить корректность действий можно было только по тому, что отображалось на экране.

До внедрения MHS человек должен был следить за журналом ошибок руки, проверять положение планшета и решать, достаточно ли информативна полученная кривая. Теперь все три решения принимали MHS и агент.

Для проверки безопасности исследователи искусственно создали шесть условий:

⚠️ отсутствующий планшет;

🔄 неправильно повернутый планшет;

⏳ занятый считыватель;

📷 отключённая камера;

🔌 недоступное устройство;

🛑 активированная аварийная остановка.

Система правильно заблокировала работу во всех шести случаях до движения какого-либо прибора.

Затем агенту поручили получить пригодную дозо-ответную кривую. После первого запуска модель сочла качество подгонки недостаточным: R² оказался ниже 0,9 из-за насыщения в верхнем диапазоне концентраций. Claude самостоятельно выбросил планшет и запустил эксперимент заново на новой пластине, снизив максимальную концентрацию с 200 до 100 мкг/мл.

Во втором запуске получилась пригодная кривая с R² выше 0,98 и вариацией 3,4 между повторными измерениями. На всём этапе не требовалось вмешательство человека.

От готовности исходного оборудования до завершённой кривой, включая автономный повторный запуск, прошло восемь часов. Подключение через MHS добавляло слой координации поверх штатного программного обеспечения приборов и не требовало дополнительной системы автоматизации.

Модули управления для каждого устройства стандартизировали и планируют опубликовать, чтобы другие команды могли использовать их без повторной интеграции.

В дальнейшем исследователи хотят проверить систему на настоящих лекарственных кандидатах, заменить сигнал красителя измерениями биологических эффектов, подключить qPCR и микроскопы, а также интегрировать агентов через MCP. Ещё одна цель — сократить время подключения каждого прибора и масштабировать систему для более крупных рабочих процессов.

Команда также планирует добавить новые проверки безопасности, следить за доступностью и откликом приборов во время экспериментов и уточнить, в каких ситуациях требуется одобрение человека для решений с высоким риском.

HHMI Janelia: единый интерфейс для микроскопии

В исследовательском кампусе HHMI Janelia MHS применяют в проектах по микроскопии. Virginie Ruetten, учёная из лаборатории Ahrens, изучающая роль сна в восстановлении организма после стресса, использовала стандарт, чтобы объединить установку, которой раньше управляли семь разных программ производителей без общего интерфейса.

Несколько ночей плохого сна вызывают нарушения мышления, обмена веществ и работы иммунной системы. При длительном недосыпе последствия могут быть смертельными, но причины этого до сих пор изучены не полностью.

Сон — состояние всего организма, а не отдельного органа. Поэтому для его изучения нужно одновременно измерять работу разных частей тела.

Микроскопия позволяет наблюдать активность клеток с помощью флуоресцентных датчиков. Однако большинство животных слишком крупные или непрозрачные, чтобы снимать весь организм целиком. Ruetten работает с молодыми рыбками данио-рерио: они небольшие и прозрачные, а их органы и многие особенности физиологии сна похожи на человеческие и другие млекопитающие.

Вместе с разработанным Ruetten методом WHOLISTIC imaging двухфотонная микроскопия позволяет записывать активность клеток во всём мозге и теле живой рыбки. Исследователи видят не отдельные ткани, а то, как клетки и органы взаимодействуют друг с другом в каждый момент времени.

Оборудование для такого эксперимента занимает целую комнату. Установка собрана из компонентов разных производителей:

🔬 фемтосекундных лазеров;

🪞 быстрых гальванометрических зеркал, перемещающих луч по образцу;

💡 чувствительных фотоэлектронных умножителей, регистрирующих возвращающийся свет;

📐 двух точных координатных столиков, которые позиционируют рыбку и держатель образца относительно микроскопа.

Все устройства должны работать по общей временной схеме. Лазер должен включаться синхронно с зеркалами, а координатные столики — компенсировать движение животного или смещение образца из фокуса.

Но приборы не проектировались для совместной работы. У каждого было собственное программное обеспечение, причём разные компоненты использовали MATLAB, Python и C#. Поэтому значение, известное одной программе, например положение столика, оставалось недоступным для остальных.

Раньше Ruetten вручную писала связующий код между программами или добавляла платы цифрового сбора данных, которые физически маршрутизировали и преобразовывали электрические сигналы. Даже после настройки оборудования нужно было запускать семь программ в определённом порядке. Ошибка в последовательности могла сорвать весь сеанс.

MHS заменил соединения «точка-точка» единым интерфейсом. Каждое устройство один раз описывается и подключается, а его переменные, настройки и значения датчиков записываются в общий словарь в разделяемой памяти — области памяти компьютера, доступной нескольким программам.

Раньше подключение нового оборудования занимало несколько дней. После внедрения MHS новая камера для наблюдения за лазерным лучом подключилась за несколько минут. Её данные — положение луча — можно было передать зеркалам, которые направляют луч, и точнее выполнить юстировку.

Запуск эксперимента теперь требует одного нажатия на панели MHS вместо семи отдельных действий.

Во время работы нужно регулярно проверять состояние рыбки, фокус камеры на сердце и качество флуоресцентного изображения. Для этого рассчитываются производные показатели: например, отношение сигнал/шум или частота сердцебиения.

Раньше такие проверки были неудобными, поскольку каждый поток данных обрабатывался отдельной программой. Ruetten могла проанализировать данные после завершения записи, оценить их на глаз в программе производителя или встроить собственный код анализа в программу записи. Первый вариант занимал часы и мог закончиться обнаружением непригодной записи, второй давал только приблизительное впечатление, а третий требовал переписывать код для каждой программы.

MHS хранит каждый поток данных в общем словаре состояний в документированном формате. Любой подключённый процесс может читать эти данные независимо от устройства и языка программирования.

Это позволило Ruetten создать модульную платформу анализа в реальном времени. Данные поступают из одного слота словаря, проходят через повторно используемые преобразования и записываются в другой слот или на диск.

Для визуализации исследовательница создала отдельные просмотрщики для типов данных: изображений, временных рядов, спектров и других. Теперь новый поток можно анализировать и показывать без написания отдельного кода под конкретный прибор.

Например, Ruetten добавила преобразование, которое вычисляет спектр сердечной активности рыбки и оценивает частоту сердцебиения. Тот же код можно применить к одновременной нейронной активности, полученной другим прибором и другой программой.

В экспериментах приходится выбирать между скоростью и охватом. Один оптический слой мозга можно просканировать быстро, а большое число слоёв — медленно. Чтобы найти клетки с нужной колебательной активностью, нужен широкий охват, но для измерения самой активности — высокая скорость.

Раньше исследовательница выбирала настройки до начала эксперимента и не могла изменить их после получения данных. Эксперимент длился часами, а простого детерминированного алгоритма было недостаточно из-за изменчивости биологии.

Теоретически ИИ-агент мог бы найти интересующую область и приблизить изображение. Но агенту недостаточно написать код анализа: ему нужно надёжно управлять реальной установкой, где ошибка может повредить объектив или уничтожить несколько часов подготовки образца.

MHS дал агенту доступ ко всему состоянию установки через единый словарь. Ruetten написала оболочку, в которой детерминированный цикл чередует получение данных и анализ, а каждый результат влияет на следующее решение.

Агент подключается в точках выбора: решает, какие параметры съёмки использовать, какую область изображения выбрать и какой анализ запустить. Ограничения безопасности на уровне устройств не позволяют ему, например, случайно включить чрезмерную мощность лазера и отбелить флуоресцентные молекулы.

Платформа ещё развивается и требует контроля исследовательницы, но уже помогла найти популяцию колеблющихся клеток, которую фиксированные настройки могли пропустить. Благодаря этому требуется меньше повторных запусков и меньше животных для получения того же количества пригодных записей.

В будущем Ruetten хочет изучить, как колебания в мозге связаны со сном и бодрствованием, чтобы найти мишени для препаратов, вызывающих восстановительный сон, а не просто седативный эффект. Для этого нужно определить связанные с колебаниями клетки, а затем проводить фазово-синхронизированные эксперименты с оптогенетической активацией отдельных нейронов.

Такие замкнутые эксперименты требуют быстрой координации большого числа устройств. MHS не устраняет физические компромиссы между скоростью, охватом и яркостью сигнала, но позволяет быстрее исследовать диапазон параметров и переходить к новым условиям.

В Janelia есть и другие проекты на базе MHS. Команда Arco Bast в лаборатории Spruston снимает нейроны и их дендриты в мозге живых мышей, которые учатся перемещаться в виртуальной среде. Исследователи наблюдают формирование воспоминаний в реальном времени.

Идея общего словаря состояния в разделяемой памяти появилась у Bast. Его микроскоп стал первой установкой, работавшей на этой основе. Через MHS Claude получает доступ к каждому лазеру, зеркалу и датчику, может выравнивать лучи, настраивать оптику и сравнивать результаты с показаниями датчиков. Ручная настройка, занимавшая полдня, превратилась в один шаг.

Другая команда под руководством 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 конкурирующими параметрами изображения.

QuEra: восстановление настройки лазера

Компания QuEra, создающая квантовые компьютеры на нейтральных атомах, подключила через MHS часть лазерной системы своих машин. ИИ-агент разработал контроллер, который восстанавливает «захват» лазера в 99,3% случаев без вмешательства человека.

Квантовые компьютеры используют свойства квантовой механики для вычислений, недоступных даже крупнейшим суперкомпьютерам. В подходе QuEra основой служат естественные квантовые свойства отдельных атомов. Управление, работа и считывание кубитов почти полностью выполняются через контролируемое взаимодействие лазера с атомами.

Частота каждого лазера должна удерживаться с точностью примерно одна часть на триллион. Это сравнимо с измерением расстояния от Земли до Луны с точностью до ширины человеческого волоса.

Лазер называют захваченным, когда он удерживает нужную частоту с такой точностью. Температура, вибрации и изменение давления могут вывести его из настройки. Если это происходит во время длительной программы с коррекцией ошибок, вычисление, которое готовилось часами, может оказаться испорчено.

В центре эксперимента QuEra был титан-сапфировый лазер — перестраиваемый прибор, который используется в атомной физике и квантовых технологиях более 20 лет.

Раньше такие лазеры настраивали вручную для каждого отдельного эксперимента. В квантовых компьютерах QuEra программное обеспечение исправляет самые распространённые возмущения, но новые или редкие сбои по-прежнему требуют специалиста.

Оператор должен одновременно следить за несколькими приборами, определить причину смещения, выбрать порядок корректировок и понять, когда результат можно считать устойчивым. Обычно восстановление частоты занимает 5–10 минут.

В университетской лаборатории такой навык передаётся от одного аспиранта к другому. Если захват пропадает в 2 часа ночи, кому-то приходится ехать в лабораторию. Для компании, обслуживающей парк квантовых компьютеров, зависимость от небольшого числа специалистов неприемлема.

До MHS QuEra уже пыталась автоматизировать восстановление. Команда из инженера по лазерным системам, разработчика программного обеспечения, специалиста по алгоритмам и тестировщика несколько месяцев создавала специальный сценарий.

Он повторял действия человека: отключал функцию удержания захвата, последовательно менял настройки лазера, проверял частоту после каждой операции, начинал заново при неудаче и включал захват после восстановления. Сценарий работал примерно в 58% случаев, а одна попытка занимала около 150 секунд.

Линейная последовательность унаследовала ограничения человеческой процедуры. Если изменение температуры или давления, например из-за открытой двери лаборатории, отменяло уже выполненный шаг, сценарий начинал всё сначала. Автоматизация ускорила процедуру, но не позволила ей достаточно быстро реагировать на внешние возмущения.

QuEra передала ту же задачу Claude через MHS. В контекст агента заложили цель — написать самостоятельный сценарий на Python для восстановления захвата, — и критерий успеха: восстановить его с первой попытки и удерживать 30 секунд.

Сначала подготовка занимала день или два, позже — несколько часов. Исследователи искусственно создавали сбои: перекрывали луч, отключали питание приборов и сдвигали частоту на разное расстояние от цели.

В цикле работали четыре роли, каждая — отдельный экземпляр Claude:

🧠 один предлагал гипотезу, как ускорить или сделать надёжнее восстановление;

💻 второй вносил изменение в сценарий;

🧪 третий запускал обновлённый вариант на реальном лазере и записывал все действия;

📓 четвёртый изучал журнал и решал, что изменить дальше.

Цикл повторялся сотни раз без участия человека в течение ночи. К утру время восстановления сократилось примерно до шести секунд, а доля успешных запусков выросла до 96%.

Claude заменил линейную последовательность деревом решений. Сценарий стал считывать показания приборов, формировать условия «если — то» и выбирать корректировки в зависимости от конкретного возмущения.

Например, если частота почти не изменилась, большинство органов управления лазером не окажут эффекта. Сценарий трогает только один или два регулятора, тогда как человек обычно проверяет все, поскольку ему нужно убедиться в правильности каждой настройки.

После этого готовый сценарий проверили на том же наборе случайных возмущений, уже без участия агента. За 700 испытаний он восстановил захват 695 раз — результат 99,3%.

Самые сложные сбои, при которых частота сильно уходила от цели, исправлялись за 10–14 секунд. Для человека та же процедура занимала 5–10 минут. Более простые случаи занимали от 0,9 до 5,4 секунды.

В итоге получился детерминированный и полностью проверяемый сценарий, который можно запускать в рабочей системе без постоянного управления ИИ-агентом.

Затем QuEra поручила агенту улучшить качество захвата — то есть уменьшить вероятность повторного выхода лазера из настройки. За это отвечают 12 взаимосвязанных параметров PID-регулятора.

Точная оценка шума требует записывать сигнал осциллографом и вычислять преобразование Фурье. Человеку было бы нереалистично делать это после каждого небольшого изменения каждого из 12 параметров. Поэтому специалисты обычно ориентируются на среднеквадратичную ошибку, которую показывает сервоконтур. Это достаточно хороший приблизительный показатель качества захвата.

Параметры PID меняются под влиянием температуры и давления, поэтому обычно ищут настройку, которая будет работать некоторое время, а затем повторяют процедуру при ухудшении захвата.

Claude ориентировался на ту же среднеквадратичную ошибку, но после каждого изменения дополнительно записывал сигнал и вычислял полный спектр. За ночь он делал это сотни раз — объём работы, который человек не может сопоставимым образом выполнить вручную.

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

Специалист независимо перенастроил тот же лазер вручную, не видя результата Claude. Обе настройки проверили анализатором фазового шума — специализированным прибором, который измеряет колебания на каждой частоте.

Настройка агента совпала с экспертной по всему диапазону, кроме резонанса около 220 кГц. В этой области ручная настройка оставляла примерно в 1 000 раз больше шума. Это показало ограничение ориентации только на среднеквадратичную ошибку и преимущество проверки полного спектра.

В практическом тесте настройка PID от Claude сохраняла захват в течение 19 часов без единого сбоя. Настройка специалиста теряла захват примерно 1,6 раза в час. В отличие от контроллера восстановления, этот процесс продолжает использовать агента, чтобы менять параметры по мере изменения условий.

Пилотный проект не устранил роль специалистов. Если физическое оборудование выходило из строя, Claude не всегда понимал, как искать причину: его представление об установке оставалось программным, а не физическим. Агент также часто останавливался и ждал подтверждения человека, если считал действие даже немного рискованным.

Кроме того, исследователям пришлось передать Claude большой объём сведений о цели эксперимента и способе выполнения работы. При этом осторожное поведение агента команда считает предпочтительнее недостаточной осторожности.

QuEra планирует установить систему восстановления на работающие квантовые процессоры, превратить настройку лазера в отдельный инструмент и применить полученные подходы к другим подсистемам.

Tetsuwan: автоматизация биологических протоколов

Исследователи Tetsuwan интегрировали MHS с платформой автоматизированной биологической лаборатории ResearchOS. Система помогла организовать qPCR в рамках гражданского научного проекта по изучению загрязнения ручья Сан-Педро-Крик в Калифорнии.

С 1960-х годов лаборатории располагают автоматизированными машинами, способными пипетировать, запечатывать, встряхивать и перемещать лабораторную посуду. Но большая часть биологических экспериментов всё ещё выполняется вручную.

Причина в том, что биологические протоколы часто меняются: от запуска к запуску отличаются число образцов, формат планшета, количество условий, глубина серии разведений, время инкубации и число временных точек.

Перевод одной конфигурации эксперимента в автоматизированный рабочий процесс занимает у специалиста недели или месяцы. Поэтому автоматизация окупается только при огромном числе повторений, например при высокопроизводительном отборе сотен тысяч соединений. Остальные эксперименты сохраняют ручные ошибки и проблемы с воспроизводимостью.

Tetsuwan создаёт автоматизированную биологическую лабораторию, доступную исследователям и агентам через API. ResearchOS позволяет без опыта в лабораторной автоматизации за несколько минут создавать, запускать и контролировать рабочие процессы.

Claude помогает пользователю превратить протокол на естественном языке в сценарий на специальном языке ResearchOS. Затем пользовательский компилятор переводит его в команды для оборудования.

Сама лаборатория состоит из жидкостных роботов, роботизированных рук и автоматизированной посуды. Все устройства используют разные языки и имеют собственные особенности. MHS стал для Claude единым слоем координации, который связывает приборы между собой и с пользователем.

В рамках проекта ResearchOS выполнял qPCR для определения источников фекального загрязнения в ручье Сан-Педро-Крик. Уровень загрязнения там десятилетиями оставался опасно высоким.

ПЦР копирует ДНК с помощью термоциклера — металлического блока, который нагревает и охлаждает образец. Нагрев разделяет две цепочки ДНК, охлаждение позволяет праймерам прикрепиться к нужным участкам, а затем полимераза достраивает новые цепочки.

qPCR дополнительно использует флуоресцентный краситель, который становится ярче по мере накопления копий. По сигналу можно оценить активность гена, обнаружить патоген или определить количество конкретного организма в экологическом образце.

Для qPCR нужен вязкий реагент, похожий на мыльный раствор, — мастер-микс. При пипетировании он легко образует пузырьки и пену, что снижает точность переноса и ухудшает эксперимент.

С помощью MHS исследователи подключили камеру, которая обнаруживала такие ошибки и запускала процедуру восстановления.

В одном случае камера заметила пузырьки в мастер-миксе внутри пробирки, которую удерживала роботизированная рука. Сама рука не могла устранить проблему. ResearchOS просканировал лабораторию и нашёл подключённую через MHS центрифугу.

Claude предложил исследователям через Slack переместить пробирку в центрифугу и ненадолго прокрутить её на низкой скорости, чтобы жидкость опустилась на дно и пузырьки исчезли. Затем через MHS агент отправил центрифуге нужные команды.

Этот слой координации позволяет протоколам не зависеть от конкретного оборудования. Например, протокол может требовать прокрутить планшет с усилием 15 000 × rpm в течение пяти минут, не указывая модель центрифуги.

ResearchOS может найти в сети совместимую центрифугу, определить интерфейс её модуля управления и с помощью Claude преобразовать указанное усилие в параметры конкретной машины. Если устройство принимает только скорость вращения ротора, системе достаточно разделить требуемое усилие на радиус ротора.

Авторы протокола не обязаны знать, какая центрифуга используется и как именно выполнено преобразование.

Claude также участвовал в замкнутом эксперименте по улучшению компилятора ResearchOS. Исследователи взяли протокол qPCR и превратили его в набор реалистичных списков заданий для разных условий: разных праймеров, числа образцов и количества повторов.

Затем они проверили разные типы переносов жидкости на роботе при различных условиях. Точность и воспроизводимость измеряли с помощью индикаторного красителя.

После каждого эксперимента Claude через MHS получал данные считывателя планшетов, анализировал и визуализировал их, а затем предлагал изменения для модели точности переноса в компиляторе.

За время эксперимента команда проверила:

📊 9 143 отдельных дозирования;

🧪 300 уникальных типов переноса;

📐 1 508 измеренных условий;

💧 4 типа жидкостей.

На отложенных экспериментах модель, которую Claude и MHS помогли уточнить, предсказывала точность многократного дозирования примерно на 12% лучше технической спецификации производителя. Она превзошла её в 31 из 45 запусков; знаковый тест дал p ≈ 0,001. На наиболее часто повторяемых данных преимущество выросло примерно до 17%.

Предварительные результаты qPCR подтвердили выводы San Pedro Creek Watershed Coalition: главным источником фекального загрязнения ручья Сан-Педро были люди.

Исследователи обнаружили E. coli с помощью общего маркера 16S и бактерии Bacteroides с праймером AllBac. Ген 16S кодирует рибосомную РНК и присутствует у всех бактерий. Праймеры к участкам с межвидовыми различиями позволяют определить организм-хозяин.

Также была зафиксирована явная амплификация связанных с человеком Bacteroides с праймерами HF183 и BacH. Другие специфичные для хозяев Bacteroides в этом эксперименте не обнаружились.

В будущих опытах команда хочет точнее установить источник загрязнения и количественно определить концентрацию связанных с человеком Bacteroides в сточных водах.

Исследователи считают, что улучшенная интеграция приборов, координация и восстановление после ошибок в реальном времени помогут связать оборудование, учёных и модели. По мере развития ResearchOS и MHS лабораторные эксперименты могут стать доступнее, воспроизводимее и программируемее.

Ограничения и планы

MHS пока не работает с оборудованием, у которого нет программируемого интерфейса. Anthropic сотрудничает с производителями таких устройств, чтобы добавить модули управления MHS.

Поддержку стандарта уже внедряют некоторые компании. Hugging Face добавляет её в LeRobot, а Raspberry Pi включает интеграцию в ряд продуктов после тестов с модулем управления камерой MHS.

Поскольку Claude изучает физический мир по тексту и изображениям, его пространственное и физическое рассуждение пока ограничено. Например, специалистам Genentech пришлось объяснять модели, что ошибки из-за пены вызваны физикой образца, а не программным сбоем, и требуют соответствующих изменений в работе с жидкостью.

Anthropic хочет использовать исследовательский предпросмотр для новых проверок безопасности и усиления защиты при применении ИИ в физическом мире. Компания разрабатывает отдельную дорожную карту физической безопасности, которая должна расширить меры против возможного неправильного использования. После публикации MHS с открытым исходным кодом результаты предпросмотра войдут в рекомендации по безопасному развёртыванию стандарта.

MHS начался как совместный проект Alek Kemeny из команды Anthropic по полезному внедрению технологий и Arco Bast, научного сотрудника HHMI Janelia, продолжившего работу после защиты. Bast проводил сложные исследования мозга на установке с лазерами, моторизованными фокусировщиками и специализированными камерами разных производителей.

Чтобы ускорить эксперименты, он создал словарь в разделяемой памяти, позволивший приборам обмениваться данными на скорости памяти. Kemeny и Bast затем вместе подключили к этому интерфейсу ИИ-модели.

Anthropic планирует развивать MHS с промышленными партнёрами, а затем передать его сообществу разработчиков открытого программного обеспечения.