Anthropic adelantó el jueves un protocolo para permitir que los agentes de IA "operen dispositivos físicos de forma segura", una ambición algo optimista si se considera que la compañía todavía no logra anticipar de manera confiable cómo se comportan sus modelos.
El protocolo, aún sin publicar y bautizado Model Hardware Standard (MHS), es conceptualmente parecido al Model Context Protocol (MCP), la vía por la cual los modelos de IA se conectan a fuentes de datos. Anthropic pretende que MHS permita a Claude o a otros modelos manejar el hardware que se usa en laboratorios, fábricas y robots.
¿Qué problema dice resolver?
Por ahora MHS se está poniendo a prueba en el campus de investigación Janelia del Instituto Médico Howard Hughes (HHMI), en Maryland. Otras entidades con equipamiento de laboratorio e industrial adecuado ya pueden postular para sumarse a la vista previa de investigación.
"Normalmente, a un laboratorio o a una planta de manufactura le toma semanas, si no meses, configurar e integrar su hardware", explicó Anthropic en su publicación. "La mayoría de los dispositivos no se comunican entre sí, y en cambio requieren especialistas que construyan integraciones a medida. MHS reduce ese trabajo de integración a horas o minutos."
Enlazar hardware a un modelo de IA requiere una interfaz programable. Muchas máquinas industriales ofrecen una para exponer controles y datos relevantes, pero el ecosistema de esos dispositivos es muy diverso y a los desarrolladores no les resulta fácil hacer la conexión.
¿Cómo funciona técnicamente?
MHS aspira a ser una capa universal de traducción. El software controlador de MHS usa un conjunto limitado de primitivas, como "leer" y "escribir", en un enfoque similar a la forma en que unas pocas herramientas simples como Bash pueden alimentar a un agente de IA.
El controlador hace que los dispositivos conectados sean descubribles en un formato estándar. También soporta etiquetas que transmiten información sobre las funciones del dispositivo, y permite que los usuarios entreguen esos datos conversando con el modelo durante la configuración. Esas etiquetas le permiten al controlador producir un archivo de referencia que detalla las características del equipo.
Los agentes de IA pueden usar MHS para interactuar con los dispositivos por tres vías de control: MCP, la interfaz de línea de comandos y código de API. Con ellas pueden ejecutar comandos en instrumentos conectados, monitorear resultados de pruebas o mover perillas y diales.
| Elemento | Detalle |
|---|---|
| Nombre | Model Hardware Standard (MHS) |
| Estado | vista previa de investigación, sin publicar |
| Vías de control | MCP, línea de comandos y código de API |
| Primitivas del controlador | conjunto limitado, tipo leer y escribir |
| Sitio de prueba | campus Janelia del HHMI, Maryland |
| Tiempo de integración declarado | de semanas o meses a horas o minutos |
¿Quién lo está usando ya?
Según Anthropic, la empresa de biotecnología Genentech usó MHS para correr un experimento de descubrimiento de fármacos con manejo de errores en tiempo real. La firma de computación cuántica QuEra es otra usuaria, y aplicó MHS para mejorar la estabilización de láseres de sus máquinas desde 58% hasta 99,3%.
Las posibilidades ya tienen entusiasmados a varios socios. AWS planea soportar MHS a través de su biblioteca Strands Robots. Automata espera agregar MHS a su plataforma de automatización de laboratorio LINQ. Y soporte similar está planificado por parte de Danaher, Doosan Robotics, MBF Bioscience, Qiagen, Tecan y Universal Robotics.
Lo que la propia Anthropic reconoce
"Hay más que aprender antes de que liberemos MHS como código abierto", señaló la compañía. "Los modelos de lenguaje todavía carecen de intuición física, porque aprendieron sobre el mundo físico a partir de texto e imágenes. La vista previa de investigación nos permitirá construir más evaluaciones de seguridad y reforzar las protecciones para el uso de IA en el mundo físico."
Ese reconocimiento marca la distancia entre la promesa y el estado actual: el estándar existe como capa de conexión, no como garantía de que el modelo entienda las consecuencias físicas de lo que ordena. Para un laboratorio o una planta en Chile que evalúe sumarse, el cálculo pasa menos por el ahorro de semanas de integración y más por quién responde cuando un agente mueve una perilla que no correspondía.
