Anthropic presentó una vista previa de investigación del Model Hardware Standard (MHS), una especificación diseñada para que los agentes de IA se comuniquen con equipos físicos y los controlen, entre ellos brazos robóticos, microscopios y otros sistemas de laboratorio y manufactura.
Según la empresa, el MHS aborda un problema antiguo de los entornos automatizados: los equipos de distintos fabricantes suelen usar sus propias interfaces de programación, lo que deja la integración dependiendo de software a medida y de trabajo de ingeniería. El MHS entrega una interfaz común a través de la cual un agente puede descubrir los equipos conectados, entender sus capacidades y emitir comandos. La tecnología podría tener implicancias en la inspección y la manufactura automatizadas, donde los sistemas de producción combinan cada vez más robots, cámaras, equipos de medición y otras máquinas de múltiples proveedores.
¿Cómo estandariza la comunicación entre modelo y máquina?
De acuerdo con Anthropic, el MHS usa un controlador de software estandarizado entre el sistema operativo de un computador y el dispositivo físico. Ese controlador expone un conjunto común de comandos, incluidas operaciones para leer información del equipo y para escribir o modificar parámetros. El sistema también entrega una descripción estandarizada del hardware conectado, que puede incluir qué puede medir un dispositivo, qué parámetros se pueden ajustar y qué límites de seguridad aplican.
El enfoque apunta a reducir la necesidad de integraciones de software separadas entre equipos individuales. Anthropic sostiene que incorporar hardware nuevo a un laboratorio o a un entorno de manufactura existente puede tomar días o semanas, según la complejidad del sistema.
El MHS está pensado para equipos que tengan una interfaz programable y no está atado a un modelo de IA en particular. Anthropic señala que los agentes pueden acceder al estándar mediante protocolos ya establecidos, como el Model Context Protocol.
Aplicación al control de calidad automatizado
Una de las aplicaciones más relevantes para la manufactura la está explorando Doosan Robotics. Anthropic afirma que la firma está probando el MHS con sus brazos robóticos para control de calidad automatizado y para coordinar operaciones entre varios robots. El anuncio no describe una aplicación específica de inspección en producción ni entrega datos de desempeño de medición.
Aun así, el enfoque apunta a un sistema en el que un agente de IA podría coordinar varios equipos involucrados en un proceso de inspección, en vez de operar una sola máquina de forma aislada. Universal Robots también tuvo acceso temprano al MHS y planea sumar soporte a su plataforma de robótica. La capacidad de conectar múltiples robots y otros dispositivos programables mediante una interfaz común podría ser especialmente relevante para las celdas de inspección que combinan manipulación robótica, captura de imágenes y equipos de medición.
De la automatización a la inspección orquestada por IA
La automatización tradicional descansa en programas predefinidos que especifican cómo debe operar cada máquina y cómo debe moverse la información entre sistemas. El MHS introduce otra capa, en la que un agente de IA puede actuar como sistema de orquestación: descubre los equipos disponibles, determina cuál puede ejecutar una operación en particular y coordina actividades entre varias máquinas.
Anthropic demostró este enfoque en entornos de laboratorio y no en una fábrica convencional. En uno de los ejemplos, un sistema controlado por IA coordinó un manipulador de líquidos, un brazo robótico, un lector de placas y cámaras. La compañía reporta que ese sistema logró correr experimentos cerca de tres veces más rápido al permitir que el agente controlara varios equipos de laboratorio por programación.
El mismo principio podría aplicarse a sistemas de inspección industrial, aunque los requisitos de operación determinista, trazabilidad de las mediciones y seguridad son considerablemente distintos a los de la automatización de laboratorio.
Medición en lazo cerrado y manejo de errores
El anuncio de Anthropic también ilustra cómo el enfoque puede ir más allá de simplemente emitir comandos a las máquinas. En una aplicación de laboratorio, una cámara identificó burbujas en un proceso de manejo de líquidos. El agente reconoció que el problema requería una intervención física e identificó una centrífuga conectada que servía para eliminarlas.
Eso representa una forma de operación en lazo cerrado, donde la detección, el análisis y el control de máquinas quedan conectados. Para la metrología industrial, una arquitectura comparable podría permitir que un sistema de inspección identifique un problema, determine qué equipo es capaz de resolverlo e inicie una operación correctiva. Aplicaciones así exigirían una validación y unas salvaguardas bastante más fuertes cuando los resultados de medición deciden la aceptación de un producto.
IA y sistemas de medición
Entre los ejemplos de Anthropic hay sistemas que combinan medición con control de máquinas. En una aplicación, un agente obtiene datos de exactitud de un lector de placas, analiza los resultados y usa esa información para sugerir cambios en el software de control de la máquina. El objetivo es mejorar las predicciones de exactitud de transferencia y compensar errores sistemáticos. El concepto de fondo se parece a un sistema de manufactura en lazo cerrado, donde los datos de medición se realimentan al proceso en lugar de usarse solo en la inspección final.
Para la metrología, sin embargo, la distinción entre usar IA para interpretar datos de medición y permitir que la IA controle el equipo de medición es importante. Lo segundo abre preguntas adicionales sobre calibración, incertidumbre de medida, trazabilidad, validación y la autoridad que se le entrega a un sistema autónomo. La propia Anthropic reconoce limitaciones en la versión actual: dice que a los agentes les cuesta entender las causas físicas de las fallas de equipos y que la supervisión experta sigue siendo necesaria.
¿Quiénes están adentro de la vista previa?
Anthropic empezó a trabajar con varias compañías de equipamiento y automatización como parte de la vista previa de investigación del MHS.
| Empresa | Área |
|---|---|
| Doosan Robotics | Robótica |
| Universal Robots | Robótica |
| Danaher | Instrumentación de laboratorio |
| Tecan | Manejo de líquidos |
| QIAGEN | Automatización de laboratorio |
| MBF Bioscience | Microscopía |
| Amazon Web Services | Soporte vía su software Strands Robots |
| Hugging Face | Soporte en su plataforma LeRobot |
Anthropic indica que la versión actual sigue siendo una vista previa de investigación. La empresa pretende usar el programa para desarrollar evaluaciones de seguridad y prácticas operativas antes de liberar el estándar como código abierto.
Hacia una manufactura nativa de IA
El MHS representa un giro: de integrar IA en aplicaciones de manufactura puntuales, a darle a los agentes una forma estandarizada de interactuar con equipos físicos. Las aplicaciones inmediatas que describe Anthropic están sobre todo en laboratorios científicos, pero la participación de compañías de robótica y de equipamiento industrial sugiere que el enfoque también se está evaluando para automatización física.
Si estándares como el MHS logran entregar comunicación confiable y segura entre sistemas de IA, robots, equipos de medición y otro hardware industrial, podrían transformarse en una pieza importante de sistemas de manufactura más autónomos. Para la metrología, la pregunta de largo plazo es si los agentes se limitarán a analizar resultados de inspección o serán capaces de orquestar el proceso completo de medición, es decir seleccionar equipos, controlar las operaciones de inspección, interpretar resultados e iniciar las respuestas adecuadas.
Esa transición requeriría más que una interfaz de software común. Exigiría también límites definidos al control autónomo, procedimientos de medición validados y mecanismos para mantener la trazabilidad y la confiabilidad que se le exigen a los sistemas de medición industrial.
