Anthropic abrió una vista previa de investigación del Model Hardware Standard (MHS), una especificación compartida que permite a los agentes de inteligencia artificial descubrir y operar dispositivos físicos.
El problema que ataca es de fontanería, no de modelos. Un mesón de laboratorio o una celda de fábrica se arma con equipos de proveedores que nunca pensaron en interoperar, así que cada instrumento llega con su propia interfaz de programación y un especialista termina escribiendo traductores a medida entre cada par. Según el equipo de Anthropic, ese montaje toma habitualmente entre semanas y meses, y con MHS baja a horas o minutos.
¿Qué es el impuesto de integración?
Cada instrumento trae su propia interfaz, de modo que alguien tiene que escribir a mano el puente entre cada dos equipos. Y aun cuando todo queda cableado, no existe una forma común de que un dispositivo entregue su estado a un agente ni de que ese agente lo opere con garantías de seguridad.
¿Cómo funciona el estándar?
MHS estandariza el driver, es decir, la capa que va entre el sistema operativo y el dispositivo. Expone un conjunto mínimo de primitivas: read (leer la temperatura), write (fijar la temperatura) y descubrimiento, para que dispositivos y agentes se encuentren a través de la red sin un traductor en el medio.
También transporta conocimiento que el código por sí solo no codifica, como el peso de un brazo robótico. Las etiquetas del driver permiten escribir ese dato en lenguaje natural, o dejar que un agente entreviste al usuario sobre su montaje. Después el driver compila esas etiquetas en un archivo de referencia con qué mide el dispositivo, qué se puede ajustar y qué límites de seguridad se aplican.
El control corre por tres mecanismos: el Model Context Protocol, una interfaz de línea de comandos y archivos de código. MHS es agnóstico al modelo, así que cualquier andamiaje de agentes puede alcanzarlo mediante protocolos estándar.
¿Qué midieron los socios de la prueba?
Genentech automatizó el ensayo de proteínas BCA repartido entre un manipulador de líquidos, un brazo robótico y un lector de placas. Claude corrió transferencias de prueba con líquido teñido, leyó la absorbancia, se puntuó a sí mismo contra la placa de un experto usando el error cuadrático medio y convergió en unos 140 µL/s para agua (RMSE de 0,016) y 10 µL/s para BSA viscosa (RMSE de 0,181), parámetros que los especialistas en automatización de la empresa confirmaron como razonables.
QuEra Computing entrega la cifra más nítida. Un script de reenganche láser hecho a medida, construido durante meses por un equipo de cuatro personas, funcionaba alrededor del 58% de las veces y tardaba unos 150 segundos por intento. Con el mismo problema planteado a través de MHS, un bucle de agentes con cuatro roles corrió sin supervisión durante la noche y produjo un script determinista de Python que recuperó el enganche 695 veces de 700, un 99,3%, resolviendo los casos más difíciles en 10 a 14 segundos frente a los 5 a 10 minutos que necesita una persona.
Claude además redujo el error residual del servo desde los 15,7 mV de un especialista a 1,55 mV. En una corrida de 19 horas, su ajuste nunca perdió el enganche, mientras que el ajuste del experto se desenganchaba cerca de 1,6 veces por hora, según el blog de QuEra.
Carnegie Mellon corrió experimentos de dosis-respuesta aproximadamente tres veces más rápido, orquestando un manipulador de líquidos, un lector de placas, un brazo robótico y cámaras repartidas en tres computadores con interfaces incompatibles, uno de ellos sin interfaz programable alguna. Desde escribir el driver hasta completar la curva, incluida una repetición autónoma después de que el agente rechazara un ajuste con R² menor a 0,9, pasaron unas ocho horas, contra las varias semanas que toma un montaje de proveedor. Las seis condiciones de falla inducidas fueron bloqueadas antes de que se moviera ningún equipo.
En la Universidad de Washington, un estudiante de doctorado de los laboratorios Baker y Pinglay conectó seis instrumentos en menos de una semana, escritura de drivers incluida. Tetsuwan Scientific combinó MHS con su plataforma ResearchOS para perfilar contaminación mediante qPCR. Y en Janelia, un equipo de microscopía pasó de siete programas que había que lanzar en un orden fijo a un solo clic en un panel.
¿Qué tanto cambia el número?
| Caso | Antes | Con MHS |
|---|---|---|
| Reenganche láser QuEra | 58% de éxito, 150 s por intento | 99,3% de éxito, 10 a 14 s |
| Error residual del servo | 15,7 mV | 1,55 mV |
| Montaje CMU dosis-respuesta | varias semanas | unas 8 horas |
| Integración típica de laboratorio | semanas a meses | horas a minutos |
La lectura para quien arma instrumentación en la región es directa: el cuello de botella de los laboratorios universitarios latinoamericanos rara vez es el equipo, casi siempre es el técnico que sabe hablarle a cada máquina. Un laboratorio que hoy compra un lector de placas usado y no puede integrarlo a su brazo porque nadie escribe el puente enfrenta exactamente el problema que MHS dice resolver. Y como el estándar cubre la capa de driver y no el instrumento, aplica igual sobre equipamiento antiguo mientras tenga alguna interfaz programable.
Puntos clave del anuncio
- Una especificación de driver compartida que deja a los agentes descubrir y operar cualquier dispositivo con interfaz programable.
- La integración cae de semanas a horas, con Carnegie Mellon completando una curva terminada en unas ocho horas.
- El control pasa por Model Context Protocol, línea de comandos o archivos de código, sin atarse a un modelo específico.
- Los límites de seguridad se declaran en las etiquetas del driver, y en la prueba de CMU bloquearon las seis fallas inducidas.
