Anthropic создала единый стандарт для ИИ-агентов: интеграция оборудования сжалась с недель до часов

Каждый прибор на лабораторном столе или заводской линии поставляется со своим собственным интерфейсом. Чтобы два устройства от разных производителей заработали вместе, инженеры вручную пишут «переводчики» между каждой парой. По данным команды Anthropic, такая настройка обычно занимает от нескольких недель до нескольких месяцев. MHS, по заявлению разработчиков, сжимает этот срок до часов или минут. Именно этот «налог на интеграцию» и стал целью нового стандарта, который Anthropic выложила в формате исследовательского превью.

Что измеряли?

MHS стандартизирует драйвер (прослойку между операционной системой и физическим прибором). Стандарт предлагает небольшой набор базовых команд: «прочитать» (например, получить температуру) и «записать» (задать температуру), плюс механизм обнаружения, чтобы устройства и ИИ-агенты находили друг друга в сети без посредника.

Помимо кода, драйвер несёт знания, которые в программу обычно не зашиваются. Например, вес робо-руки. Специальные метки драйвера позволяют описать это на обычном языке или поручить ИИ-агенту «опросить» оператора о настройках. Затем драйвер компилирует метки в справочный файл: что прибор измеряет, что можно регулировать, какие ограничения безопасности действуют.

Управление проходит через три канала: протокол MCP (Model Context Protocol, стандартный способ связи ИИ-модели с внешними инструментами), командную строку и файлы кода. MHS не привязан к конкретной модели: любой агентный фреймворк может подключиться через стандартные протоколы.

Партнёры Anthropic протестировали стандарт на реальных задачах в лабораториях и производстве. Измеряли скорость интеграции, точность выполнения задач и надёжность по сравнению с ручной работой.

Что обнаружили?

• QuEra Computing. Скрипт перезахвата лазера, который четыре человека писали месяцами, срабатывал примерно в 58 % случаев при примерно 150 секундах на попытку. Через MHS четырёхролевая агентная петля отработала без присмотра всю ночь и выдала детерминированный Python-скрипт: 695 успехов из 700 (99,3 %), самые трудные случаи решались за 10 от 14 секунд против 5 от 10 минут у человека. Остаточная ошибка сервопривода упала с 15,7 мВ (специалист) до 1,55 мВ (Claude). За 19-часовой прогон настройка Claude ни разу не потеряла захват, тогда как экспертная настройка теряла его примерно 1,6 раза в час.
• Carnegie Mellon. Эксперименты с дозовой кривой прошли примерно в три раза быстрее. ИИ-агент координировал жидкостный манипулятор, считыватель планшетов, робо-руку и камеры на трёх компьютерах с несовместимыми интерфейсами, один из которых вообще не имел программного интерфейса. Полный цикл от написания драйвера до готовой кривой, включая автономный повторный запуск после того, как агент отклонил подгонку с R² < 0,9, занял около восьми часов вместо нескольких недель. Все шесть смоделированных аварийных ситуаций были заблокированы до начала движения устройства.
• Genentech. Автоматизировали белковый анализ BCA (определение концентрации белка) на связке из жидкостного манипулятора, робо-руки и считывателя. Claude провёл пробные переносы окрашенной жидкости, считал поглощение, оценил себя по метрике RMSE (среднеквадратичная ошибка, чем ближе к нулю, тем точнее) относительно эталонной пластины эксперта. Результат: около 140 мкл/с для воды (RMSE 0,016) и 10 мкл/с для вязкого раствора BSA (RMSE 0,181). Автоматизационные инженеры Genentech подтвердили параметры как разумные.
• Университет Вашингтона. Аспирант из лабораторий Baker и Pinglay подключил шесть приборов менее чем за неделю, включая написание драйверов.
• Janelia. Микроскопная установка, требовавшая запуска семи программ в фиксированном порядке, свелась к одному нажатию кнопки на панели управления.

Что это значит для вас?

Автору Дзена и копирайтеру. Тема ИИ-агентов, управляющих физическим оборудованием, пока почти не раскрыта на русскоязычных площадках. Если вы пишете про технологии или науку, MHS даёт конкретный кейс с цифрами для статьи: сокращение интеграции с недель до часов, рост точности в 10 раз. Это выигрышнее абстрактных рассуждений об «ИИ-революции».

Маркетологу. Если вы работаете с B2B-клиентами в промышленности или лабораторном оборудовании, появился новый аргумент для воронки: «совместимость с агентными стандартами» скоро станет таким же маркерам, как «облачная интеграция» пять лет назад.

Инженеру и предпринимателю в РФ и СНГ. Для российских лабораторий и производств MHS снимает барьер несовместимых интерфейсов оборудования разных производителей. Если у вас стоят приборы от трёх разных вендоров и каждый со своим ПО, стандартный драйвер мог бы сократить интеграцию с недель до часов. Это актуально для локальных научных центров с разношёрстным парком оборудования. Оговорка: MHS пока в закрытом превью, доступ по заявке, и для работы нужен Claude или другой совместимый ИИ-агент, доступ к которому из РФ может быть затруднён. Из российских ИИ-агентов прямых аналогов MHS пока нет, но YandexGPT и GigaChat развивают агентные возможности, и появление подобного стандарта может подтолкнуть отечественные команды к созданию собственных решений.

Факт, который стоит запомнить: четыре инженера писали скрипт перезахвата лазера месяцами и добились 58 % успеха, а агентная петля через MHS за одну ночь выдала скрипт с 99,3 % на 700 попытках. Если эти цифры подтвердятся независимо, вопрос «зачем ИИ-агентам доступ к железу» можно будет считать закрытым.

По данным Marktechpost