Anthropic ha avviato una prima sperimentazione del Model Hardware Standard (MHS), una specifica condivisa progettata per consentire agli agenti di intelligenza artificiale di individuare, comprendere e controllare dispositivi fisici programmabili. Il progetto, nato dalla collaborazione con l’HHMI Janelia Research Campus, viene ora messo a disposizione di un gruppo iniziale di laboratori scientifici e aziende manifatturiere.
L’obiettivo è affrontare uno dei problemi più complessi dell’automazione: integrare apparecchiature diverse senza dover costruire ogni volta collegamenti software su misura. Microscopi, sistemi per la movimentazione di liquidi, bracci robotici, laser, sensori e strumenti di laboratorio utilizzano spesso interfacce proprietarie e non sono progettati per comunicare tra loro. Collegarli in un unico flusso operativo può quindi richiedere settimane o mesi e il coinvolgimento di tecnici altamente specializzati.
Secondo Anthropic, MHS potrebbe ridurre questo lavoro a poche ore o, nei casi più semplici, a minuti. Si tratta tuttavia di una valutazione formulata dall’azienda sulla base delle prime sperimentazioni: lo standard è ancora in fase di ricerca, non è stato pubblicato come progetto open source e i risultati dovranno essere verificati su un numero più ampio di dispositivi e ambienti produttivi.
Un linguaggio comune per apparecchiature molto diverse
Il principio alla base di MHS è simile a quello dei driver utilizzati dai sistemi operativi per comunicare con stampanti, schede grafiche e altre periferiche. Il driver MHS funziona da livello intermedio tra il dispositivo e il software che deve controllarlo, traducendo le caratteristiche specifiche della macchina in un insieme di operazioni standard.
La specifica utilizza comandi elementari, definiti “primitive”, come la lettura e la scrittura di un valore. Un agente potrebbe, per esempio, leggere la temperatura di un’apparecchiatura oppure impostarla entro i limiti consentiti. La standardizzazione permette di presentare funzioni differenti attraverso una struttura comune, riducendo la necessità di creare un programma di traduzione specifico per ogni combinazione di strumenti.
MHS prevede inoltre un meccanismo con cui i dispositivi possono rendersi riconoscibili sulla rete. Una volta collegati, strumenti e agenti possono individuarsi e scambiarsi informazioni attraverso un formato condiviso. Il sistema è pensato per funzionare con qualsiasi apparecchiatura dotata di un’interfaccia programmabile e non è legato a uno specifico modello di intelligenza artificiale.
Per comunicare con l’hardware, un agente può utilizzare tre modalità: il Model Context Protocol (MCP), un’interfaccia a riga di comando oppure file di codice e API. Questi strumenti possono essere combinati per coordinare più dispositivi, anche appartenenti a produttori diversi, attraverso un unico flusso operativo.
Le istruzioni che il codice da solo non può fornire
Consentire a un agente di inviare comandi a una macchina non basta a renderne sicuro l’impiego. Per utilizzare correttamente un’apparecchiatura servono anche informazioni sulle sue caratteristiche fisiche, sulle procedure operative e sui limiti che non devono essere superati.
Il peso di un braccio robotico, la sua area di movimento o la temperatura massima ammessa da un campione sono esempi di dati essenziali che potrebbero non essere ricavabili dall’interfaccia software. Queste conoscenze sono spesso distribuite tra manuali cartacei, documenti conservati localmente ed esperienza pratica degli operatori.
Il driver MHS permette di aggiungere tali informazioni attraverso descrizioni in linguaggio naturale. Possono essere inserite direttamente dall’utente oppure raccolte da un agente mediante una conversazione guidata sulla configurazione dell’apparecchiatura. Il driver genera quindi un file di riferimento che descrive ciò che il dispositivo può misurare, quali parametri possono essere modificati e quali limiti di sicurezza devono essere applicati.
La qualità di questa documentazione diventa così una parte determinante del sistema. Se le caratteristiche della macchina, i vincoli fisici o le procedure di emergenza vengono descritti in modo incompleto, anche un’interfaccia tecnicamente corretta potrebbe non essere sufficiente a garantire un funzionamento affidabile. L’adozione di MHS richiederà quindi non soltanto software compatibile, ma anche un lavoro accurato di validazione da parte di tecnici, ricercatori e produttori.
Dalla supervisione al controllo di interi esperimenti
Una volta riconosciute le apparecchiature e acquisite le informazioni necessarie al loro utilizzo, l’agente può ricevere dati operativi, coordinare le diverse fasi di un processo e modificare i parametri in base ai risultati osservati.
In un laboratorio, per esempio, potrebbe predisporre una sequenza tra più strumenti, monitorare le misurazioni e correggere alcune impostazioni quando le condizioni cambiano. In un impianto produttivo potrebbe coordinare robot diversi, controllare l’esito di una lavorazione e contribuire all’individuazione tempestiva di anomalie.
Per le operazioni lunghe o troppo rapide per dipendere continuamente dal ragionamento online del modello, MHS consente di concatenare i comandi dei driver in file di codice. L’agente può così trasformare quanto appreso durante una fase esplorativa in una procedura deterministica, eseguita successivamente senza dover decidere ogni singolo passaggio in tempo reale.
Anthropic riferisce di aver osservato questo comportamento durante un esperimento con un laser. Claude avrebbe regolato lo strumento, valutato attraverso una telecamera lo spostamento del fascio e ripetuto il processo per comprenderne gli effetti. In seguito avrebbe trasferito la procedura appresa in uno script capace di eseguire l’allineamento con un solo comando. È un esempio significativo della direzione seguita dal progetto, ma resta un risultato riportato dall’azienda e non una prova generale dell’affidabilità del sistema in tutti gli ambienti scientifici o industriali.
Le prime applicazioni nella ricerca e nella produzione
Anthropic ha coinvolto nella fase iniziale organizzazioni attive nelle biotecnologie, nella robotica, nell’elettronica, nella microscopia e nel calcolo quantistico. Le sperimentazioni avrebbero mostrato una riduzione dei tempi di integrazione, una maggiore velocità nell’iterazione degli esperimenti e nuove possibilità di controllo operativo e rilevamento degli errori.
Tra le aziende che stanno lavorando al supporto della specifica figura Amazon Web Services, che prevede di integrarla in Strands Robots, la propria libreria per collegare agenti AI e dispositivi fisici. I partecipanti alla sperimentazione riceveranno una versione preliminare e privata del relativo pacchetto software.
Automata sta aggiungendo MHS alla piattaforma di automazione da laboratorio LINQ, con l’obiettivo di migliorare la gestione intelligente degli errori. Danaher e Anthropic stanno valutando possibili applicazioni negli strumenti connessi e nei laboratori autonomi, mentre Doosan Robotics sta sperimentando la specifica sui propri bracci robotici, anche per automatizzare il controllo qualità e coordinare più robot.
Nel campo della ricerca scientifica, MBF Bioscience sta sviluppando un driver per ScanImage, software impiegato nei microscopi a scansione laser utilizzati in numerosi laboratori di neuroscienze. QIAGEN ha realizzato una prova di fattibilità sulla piattaforma QIAsymphony Connect per la purificazione degli acidi nucleici. In questo scenario, gli agenti potrebbero assistere gli operatori nella diagnosi dei problemi, guidare le procedure di recupero e ridurre il rischio per i campioni biologici.
Tecan sta introducendo il supporto di MHS nelle piattaforme Fluent per la movimentazione automatizzata dei liquidi. Universal Robots, dopo aver avuto accesso anticipato alla tecnologia, prevede invece di renderla compatibile con la propria piattaforma robotica. Hugging Face sta lavorando all’integrazione nella libreria LeRobot, mentre Raspberry Pi intende abilitarla su diversi prodotti dopo le prove condotte con un driver MHS per le proprie fotocamere.
La pluralità dei partner indica che Anthropic non sta presentando soltanto una funzione destinata a Claude. L’obiettivo più ampio è costruire un livello di interoperabilità che possa essere adottato da produttori di hardware, sviluppatori di piattaforme e fornitori di modelli differenti.
La posta in gioco industriale è l’interoperabilità
Se MHS riuscisse ad affermarsi come specifica condivisa, il suo effetto principale potrebbe essere la riduzione dei costi di integrazione. I produttori sarebbero in grado di realizzare un driver riutilizzabile, mentre laboratori e aziende potrebbero combinare strumenti differenti senza riprogettare l’intero sistema di controllo.
A beneficiarne potrebbero essere soprattutto le organizzazioni che utilizzano apparecchiature eterogenee e modificano frequentemente le proprie configurazioni. La possibilità di sostituire o aggiungere uno strumento senza riscrivere gran parte dell’infrastruttura renderebbe più flessibili i laboratori di ricerca, le linee pilota e i sistemi di produzione a elevata specializzazione.
La standardizzazione potrebbe inoltre favorire un mercato di componenti compatibili: driver certificati, strumenti già predisposti per l’utilizzo con gli agenti, ambienti di simulazione e servizi per la verifica delle procedure. In questo scenario, una parte del valore si sposterebbe dalle singole integrazioni personalizzate verso piattaforme e strumenti capaci di funzionare all’interno dell’ecosistema MHS.
Il vantaggio strategico per Anthropic sarebbe evidente. Anche se la specifica viene descritta come indipendente dal modello, la società potrebbe assumere un ruolo rilevante nella definizione delle regole con cui gli agenti interagiscono con il mondo fisico. La promessa di pubblicare MHS come progetto open source potrebbe facilitarne l’adozione, ma sarà importante valutare la governance dello standard, le modalità con cui verranno approvate le modifiche e l’effettiva possibilità per modelli e piattaforme concorrenti di partecipare allo stesso livello.
La diffusione non dipenderà soltanto dalla qualità tecnica della specifica, ma anche dal numero di produttori disposti a supportarla. Per un laboratorio o una fabbrica, l’utilità di uno standard cresce infatti con la quantità di dispositivi compatibili. La presenza di aziende importanti nella sperimentazione rappresenta un primo segnale, ma non garantisce ancora che MHS diventi una soluzione universalmente adottata.
I limiti dell’intelligenza artificiale nel mondo fisico
L’interazione con macchine reali introduce rischi diversi da quelli associati alla generazione di testo o all’analisi di documenti. Un errore può danneggiare un’apparecchiatura, compromettere un campione, interrompere una linea produttiva o creare un pericolo per le persone.
Anthropic riconosce che Claude apprende il funzionamento del mondo fisico principalmente attraverso testi e immagini e presenta quindi limiti nel ragionamento spaziale e materiale. Durante una sperimentazione di Genentech, per esempio, i ricercatori hanno dovuto aiutare il modello a comprendere che gli errori provocati dalla formazione di schiuma nei campioni erano problemi fisici, non malfunzionamenti software. La correzione richiedeva un intervento appropriato sul processo reale.
L’episodio mostra perché la supervisione degli esperti rimane indispensabile. Un agente può interpretare dati e registri di funzionamento, ma potrebbe non riconoscere correttamente un fenomeno che non è rappresentato nei segnali disponibili o che richiede esperienza pratica per essere identificato.
MHS, inoltre, non può controllare le apparecchiature prive di un’interfaccia programmabile. Per includerle è necessario che i produttori realizzino nuovi driver o modifichino i dispositivi. Negli impianti con macchinari datati, sistemi proprietari e cicli di aggiornamento molto lunghi, questa barriera potrebbe rallentare sensibilmente l’adozione.
Restano aperte anche questioni relative alla cybersicurezza, alla gestione delle autorizzazioni, alla responsabilità in caso di errore e alla certificazione delle procedure. Più dispositivi vengono collegati a un livello di controllo comune, maggiore è la necessità di stabilire con precisione quali comandi un agente può eseguire, in quali condizioni e con quali meccanismi di arresto e verifica.
Dalla sperimentazione allo standard aperto
Anthropic utilizzerà la fase di ricerca per sviluppare valutazioni di sicurezza insieme ai partner e definire pratiche condivise per l’impiego dell’intelligenza artificiale su apparecchiature fisiche. L’azienda sta inoltre preparando una roadmap dedicata alla sicurezza e prevede di pubblicare i risultati della sperimentazione quando MHS verrà reso open source.
Il progetto è nato dall’incontro tra Alek Kemeny, del gruppo Beneficial Deployments di Anthropic, e Arco Bast, ricercatore post-dottorato all’HHMI Janelia Research Campus. Bast lavorava su un sistema per l’imaging cerebrale composto da laser, motori per la messa a fuoco e fotocamere specializzate di produttori differenti. Per velocizzare gli esperimenti aveva creato una memoria condivisa attraverso cui gli strumenti potevano comunicare; la successiva collaborazione ha portato all’integrazione dei modelli di intelligenza artificiale e allo sviluppo di MHS.
L’origine del progetto mette in luce un bisogno concreto: gran parte della ricerca e della produzione avanzata dipende ancora da collegamenti costruiti caso per caso. MHS prova a trasformare questa frammentazione in un’infrastruttura comune per gli agenti AI, ma il passaggio da una sperimentazione controllata a un impiego esteso richiederà verifiche indipendenti, protezioni rigorose e un coinvolgimento più ampio dell’industria.
La possibilità di coordinare esperimenti continuativi, adattare i parametri in tempo reale e recuperare alcuni errori senza intervento umano potrebbe aumentare la produttività di laboratori e impianti. Al tempo stesso, l’autonomia promessa non elimina la necessità di competenze specialistiche: le sposta verso la configurazione dei sistemi, la definizione dei limiti e la supervisione delle decisioni.
Il vero banco di prova sarà quindi la capacità di MHS di conciliare tre obiettivi difficili da separare: interoperabilità, autonomia e sicurezza fisica. La sperimentazione appena avviata potrà indicare se la specifica è abbastanza solida da diventare un’infrastruttura condivisa oppure se resterà una soluzione utile soltanto in ambienti altamente controllati.
