Voorbeschouwing van de Model Hardware Standard (MHS)

We openen een research preview van de Model Hardware Standard (MHS), een gedeelde specificatie waarmee AI-agenten veilig fysieke apparaten kunnen bedienen. Deze preview is beschikbaar voor een eerste groep wetenschappelijke onderzoekslaboratoria en geavanceerde fabrikanten. MHS stelt AI-agenten in staat om meerdere laboratorium- en productie-instrumenten, zoals microscopen, vloeistofbehandelaars en robotarmen, parallel te bedienen. Hiermee kunnen complexe taken worden uitgevoerd, variërend van routinematige experimenten voor medicijnontwikkeling tot lasercalibratie op een quantumcomputer. De ontwikkeling van MHS begon als een samenwerking tussen Anthropic en het HHMI Janelia Research Campus.

Normaal gesproken duurt het weken, zo niet maanden, voordat een laboratorium of productiefaciliteit hun hardware heeft ingesteld en geïntegreerd. De meeste apparaten communiceren niet met elkaar, waardoor specialisten op maat gemaakte integraties moeten bouwen. MHS brengt dit integratiewerk terug tot uren of minuten. Door AI in deze tools te integreren, helpt MHS onderzoekers en ingenieurs bovendien om autonome experimenten en workflows rond de klok te orchestreren. Agenten kunnen redeneren over elke stap in een experiment, parameters in real-time bijwerken en in sommige gevallen herstellen van hardwarefouten zonder menselijke tussenkomst.

We delen een vroege versie van MHS met partners in de wetenschap, robotica, elektronica en productie. Samen kunnen we veiligheidsevaluaties opstellen en best practices ontwikkelen voor AI-systemen die fysieke apparatuur bedienen, voordat de standaard open source wordt gemaakt. MHS werkt met elk apparaat dat een programmeerbare interface heeft. Het is bovendien model-agnostisch; elke agent-harness kan er toegang toe krijgen via standaardprotocollen, zoals het Model Context Protocol (MCP).

Hoe MHS werkt

Het is vaak uitdagend om meerdere apparaten in een laboratorium of op een fabrieksvloer met elkaar te laten communiceren, zelfs zonder de extra complexiteit van AI-integratie. Elk apparaat heeft doorgaans zijn eigen programmeerinterface en tot nu toe was er geen gestandaardiseerde manier om deze te integreren. Zelfs als apparaten verbonden zijn, is er geen gemeenschappelijke manier om gegevens te delen met een AI-agent of om de agent de apparaten veilig te laten bedienen.

MHS lost deze problemen op door een gestandaardiseerde driver te introduceren: software die vertaalt tussen het besturingssysteem van een computer en een hardwareapparaat. De MHS-driver gebruikt een eenvoudige set primitieven—commando's zoals "read" (bijvoorbeeld: "vraag temperatuur op") of "write" (bijvoorbeeld: "stel temperatuur in")—die elk hardwareapparaat kan begrijpen en uitvoeren. Bovendien maakt het elk apparaat ontdekbaar in een standaardformaat, zodat apparaten en agenten elkaar kunnen vinden en over netwerken kunnen communiceren zonder dat daar een specifiek "vertaalprogramma" tussen nodig is.

De MHS-driver helpt een AI-agent ook te begrijpen hoe een apparaat dat hij nog nooit heeft gezien moet worden gebruikt. Het biedt informatie over machinekenmerken die niet louter uit code af te leiden zijn (bijvoorbeeld het gewicht van een robotarm, wat essentieel is voor een veilige bediening). Tot nu toe werd deze informatie vaak bewaard in papieren handleidingen, op de computer van een gebruiker of als stilzwijgende kennis. De MHS-driver bevat echter tags waarmee de gebruiker deze informatie direct in natuurlijke taal kan beschrijven (dit kan handmatig gebeuren, of via een agent die de gebruiker interviewt over de hardware-opstelling). Met de informatie uit deze tags produceert de MHS-driver automatisch een referentiebestand met algemene kenmerken van het apparaat, zoals wat het kan meten, wat kan worden aangepast en welke veiligheidslimieten worden gehandhaafd. Dit bestand geeft de agent alle nodige informatie om het apparaat te bedienen.

Zodra de apparaten zijn verbonden en de agent weet hoe hij ze moet gebruiken, is er een methode nodig om de hardware te besturen. Voor MHS zijn er drie mechanismen:

• MCP (Model Context Protocol);
• De command-line interface (CLI);
• Codebestanden (API's).

Deze werken samen om orchestratie over meerdere apparaten mogelijk te maken via één regel code. Wanneer de agent de apparaten kan besturen, kan hij operationele data ontvangen en het werk op een hoog niveau superviseren en sturen. De agent kan stappen over verschillende instrumenten sequensen, resultaten monitoren en parameters aanpassen terwijl omstandigheden in real-time veranderen. Wanneer de agent langdurige taken moet uitvoeren of apparaten sneller moet bedienen dan zijn online redenering toelaat, kan hij driver-commando's van één of meerdere apparaten in codebestanden ketenen. Hierdoor kunnen de apparaten de operaties zelf uitvoeren, zonder dat de agent bij elke stap opnieuw hoeft te redeneren.

Tijdens het testen van MHS zagen we dat Claude op een explorerende manier interacteert met experimenten en hardware, vergelijkbaar met hoe een wetenschapper dat zou doen. Zo observeerden we dat Claude een aanpassing maakte aan een laser, de resultaten via een camera bekeek om te beoordelen hoe de laserstraal bewoog, en dit proces herhaalde om de sequentie van gebeurtenissen te begrijpen. Claude verpakte deze geleerde kennis vervolgens in codebestanden en schreef een deterministisch script waardoor de laser kon worden uitgelijnd zonder bij elke stap te hoeven redeneren, zodat het hele proces als één commando kon worden uitgevoerd.

Vroege voorbeelden van MHS

We beginnen nu pas te zien wat er mogelijk is met frontier-modellen en MHS. Onze hoop is dat de standaard nuttig is voor onderzoekers en ingenieurs om het proces van ontdekking en experimentatie te versnellen in elk domein dat gebruikmaakt van apparaten met een programmeerbare interface.

Genentech: Implementatie van MHS voor laboratoriumautomatisering

Onderzoekers bij Genentech implementeerden MHS als proof-of-concept voor het automatiseren van de BCA-proteinassay, een standaardprocedure om de totale proteïneconcentratie in een monster te meten. Dit vereist coördinatie tussen een vloeistofbehandelaar, een robotarm en een plaatlezer.

Voorheen was het opzetten van dergelijke geautomatiseerde systemen een handmatig, tijdrovend proces dat weken of maanden kon duren. Om deze bottleneck te doorbreken, implementeerden zij MHS. Dit stelt wetenschappers in staat om met natuurlijke taal met gespecialiseerde laboratoriumrobots te communiceren, waardoor het schrijven van op maat gemaakte robotcode overbodig wordt. Het uiteindelijke doel is het bouwen van autonome laboratoria waar AI de tedieuze, mechanische delen van de uitvoering overneemt, zodat wetenschappers zich kunnen concentreren op creatieve aspecten zoals experimenteel ontwerp en interpretatie.

Automatisering van de BCA-assay als proof-of-concept De procedure maakt gebruik van drie instrumenten: een vloeistofbehandelaar voor precieze transfers, een robotarm voor het verplaatsen van labware en een microplaatlezer voor optische absorbentiemetingen. Alle experimenten werden uitgevoerd in standaard 96-wells microplaten.

Een uitdaging bij de BCA-assay is dat vloeistoffen verschillende fysische eigenschappen hebben, van eenvoudige waterige reagentia tot viskeuze, schuimende proteïnemonsters (zoals bovine serum albumin of BSA). Bij viskeuze vloeistoffen kunnen luchtbellen ontstaan bij hoge stroomsnelheden, wat de nauwkeurigheid beïnvloedt.

In een eerste test gebruikte Claude generieke parameters, wat leidde tot bellen in de viskeuze oplossing en onnauwkeurige transfers. Vervolgens werd Claude gevraagd om autonoom de vloeistofdynamica te optimaliseren. Claude voerde testtransfers uit met gekleurde vloeistof en analyseerde de absorbentiemetingen om de optimale stroomsnelheid te bepalen, waarbij hij probeerde het verschil met een door een expert uitgevoerde transfer te minimaliseren via de root mean square error (RMSE).

Claude concludeerde onafhankelijk dat een stroomsnelheid van ~140 µL/s optimaal was voor water (0.016 RMSE) en 10 µL/s voor BSA (0.181 RMSE). Experts bevestigden dat deze parameters redelijk waren. Normaal gesproken zou een automatiseringsspecialist hiervoor handmatig code moeten schrijven en data iteratief moeten analyseren.

Autonoom foutherstel en de limieten van AI-modellen Tijdens het experiment kon Claude onverwachte fouten, zoals het mislukken van tip-opname of vloeistofdetectiefouten, zelfstandig herstellen. Echter, de experimenten toonden ook de limieten aan: AI-modellen worstelen nog met fysische, chemische en biologische beperkingen wanneer intuïtie over de fysieke wereld nodig is.

Een voorbeeld hiervan was het ontstaan van bellen. Wanneer Claude een foutmelding kreeg door bellen, was zijn eerste instinct om de operatie simpelweg te herhalen in dezelfde well, wat de vloeistof alleen maar verder onrustig maakte en meer bellen veroorzaakte. Pas nadat Claude werd geïnformeerd dat de foutcode voortkwam uit fysieke bellen en dat hij naar een schone well moest verhuizen en het aantal mengcycli moest verminderen, hield hij deze context vast voor de rest van de run. Deze inzichten werden vervolgens gecodificeerd in herbruikbare vaardigheden voor vloeistofbehandeling.

University of Washington Baker and Pinglay labs: AI-agenten in het laboratorium

Zihao Song, een PhD-student, gebruikte MHS voor verschillende toepassingen: een dashboard voor remote monitoring, een door AI gesuperviseerde qPCR (die DNA-sequenties kopieert) die de amplificatiecurven bewaakt en de procedure op het juiste moment stopt, en een integratie tussen een robotarm en vloeistofbehandelaar voor botsingsvrije overdrachten van platen.

In de de novo proteïne-ontwikkeling zijn kosten en doorvoersnelheid grote hindernissen. Hoewel het ontwerpen van een proteïne goedkoop is, is het testen ervan traag en duur. Traditionele automatisering is vaak te rigide voor een academisch lab waar protocollen voortdurend veranderen. MHS bood een flexibel alternatief.

Case study 1: Remote monitoring Voorheen moest de onderzoeker fysiek door het lab lopen om instrumenten te controleren. Met MHS rapporteren instrumenten hun status aan één dashboard. Dit is cruciaal voor qPCR, waarbij de reactie moet worden gestopt zodra de amplificatiecurve een plateau bereikt om datavorming niet te vervormen. Een AI-agent monitort nu de curve in real-time en vraagt de onderzoeker of de reactie gestopt moet worden.

Case study 2: Coördinatie via plate handoff Om te voorkomen dat een onderzoeker elke paar uur handmatig platen moet wisselen, werd een open-source robotarm (gebaseerd op LeRobot) met MHS geïntegreerd. Claude Code coördineerde de vloeistofbehandelaar en de robotarm: zodra de vloeistofbehandelaar klaar was, gaf de agent een signaal aan de arm om de plaat te verplaatsen. In herhaalde tests kwamen de instrumenten nooit in botsing.

Carnegie Mellon University: Dose-response curves via snelle automatisering

Onderzoekers gebruikten MHS om seriële verdunnings-experimenten ongeveer drie keer sneller uit te voeren. Ze orkestreerden een vloeistofbehandelaar, een plaatlezer, een robotarm en monitoringscamera's over drie computers met fundamenteel incompatibele interfaces.

Het bepalen van de juiste dosering via seriële verdunning is tijdrovend en foutgevoelig. Handmatige opzet kan weken duren. Met MHS konden zij drivers vanaf nul ontwikkelen voor elk instrument en een orchestratielaag bouwen waarmee een Claude Opus 4.8 agent het volledige protocol autonoom kon uitvoeren. Dit proces nam ongeveer acht uur in beslag, tegenover de weken die een vendor-oplossing normaal gesproken kost.

De setup bestond uit drie computers:

1. De robotarm (via job-bestanden in een directory).
2. De vloeistofbehandelaar (via een oude Windows ActiveX/COM interface) en camera's (via USB).
3. De plaatlezer (zonder API, enkel via een GUI).

MHS vertaalde dit naar een consistente interface van statussen en procedures. Het systeem kon zelfstandig beslissen of een resulterende curve informatief genoeg was of dat de concentratiebereik aangepast moest worden. Tijdens tests induceerden zij opzettelijk zes fouten (zoals een ontbrekende of gedraaide plaat), die het systeem correct blokkeerde voordat er beweging plaatsvond. In één geval wees het systeem een run af vanwege verzadiging (R² < 0.9) en herstartte het experiment autonoom met een gecomprimeerd concentratiebereik, wat resulteerde in een bruikbare fit (R² > 0.98).

HHMI Janelia: Versnelling van microscopie-onderzoek

Virginie Ruetten gebruikt MHS om een microscopie-opstelling te verenigen die voorheen bestond uit zeven verschillende vendor-programma's zonder gedeelde interface (waaronder MATLAB, Python en C#).

Unified Interface In haar onderzoek naar slaap bij zebravissen moeten lasers, spiegels, detectoren en vertaalstages exact op elkaar zijn afgestemd. Voorheen betekende dit dat ze zeven programma's in een specifieke volgorde moest opstarten. MHS vervangt deze point-to-point verbindingen door een gedeelde geheugen-dictionary. Het toevoegen van een nieuwe camera duurde hierdoor slechts enkele minuten in plaats van dagen.

Kwantitatieve monitoring en online analyse MHS maakte het mogelijk om een modulaire online analyse-framework te bouwen. Data uit verschillende streams worden nu in een gestandaardiseerd formaat opgeslagen, waardoor visualisatiecode kan worden hergebruikt over verschillende apparaten. Zo kon zij real-time de hartslag van de zebravis monitoren en dit koppelen aan neurale activiteit.

Agentic Microscopie MHS stelt agents in staat om regio's van interesse te identificeren en daarop in te zoomen. Omdat MHS veiligheidslimieten op apparaatniveau afdwingt, hoeft de onderzoeker niet bang te zijn dat de agent per ongeluk te veel laservermogen gebruikt en het monster beschadigt. Dit heeft geleid tot het vinden van oscillerende celpopulaties die met vaste instellingen gemist zouden zijn.

QuEra Computing: Quantum laserstabilisatie

QuEra gebruikt MHS om een AI-agent controle te geven over het lasersysteem in quantumcomputers. De agent ontwikkelde een controller die de "lock" (de ultra-precieze frequentie van de laser) in 99,3% van de gevallen herstelt zonder menselijke tussenkomst.

Automatisch herstel van de laserlock Een laser die "unlockt" door temperatuur- of drukverschillen kan een quantumberekening van uren verpesten. Een handmatig herstel duurt 5 tot 10 minuten. Een eerdere bespoke script-oplossing werkte slechts in 58% van de gevallen en duurde 150 seconden per poging, omdat het een lineaire sequentie volgde.

QuEra liet Claude via MHS een Python-script schrijven om de laser opnieuw te locken. Door een loop van vier Claude-instanties (hypothese, schrijven, uitvoeren, analyseren) die honderden keren per nacht draaide, convergeerde het systeem naar een oplossing. Het resultaat was een beslissingsboom in plaats van een lineaire reeks. De hersteltijd daalde naar ongeveer zes seconden met een succespercentage van 96% tijdens ontwikkeling en 99,3% in blinde tests.

PID-tuning Daarnaast optimaliseerde Claude de 12 onderling afhankelijke PID-parameters van de servo-loop om ruis te minimaliseren. Waar een specialist vertrouwt op de RMS-fout, kon Claude na elke aanpassing een volledige spectrumanalyse uitvoeren. Na 16 uur autonoom tunen bracht Claude de residuale fout terug van 15,7 mV naar 1,55 mV. De lock hield vervolgens 19 uur stand zonder één keer te verliezen, terwijl de expert-tuning gemiddeld 1,6 keer per uur unlockte.

Tetsuwan Scientific: qPCR voor lokale vervuilingsprofielen

Tetsuwan integreerde MHS met hun ResearchOS-platform om een qPCR-workflow te orchestreren voor het karakteriseren van fecale verontreiniging in San Pedro Creek (Californië).

MHS in de qPCR-workflow qPCR vereist een viskeuze "master mix" die gevoelig is voor bellen. Via MHS verbonden zij een camera die bellen detecteert. Wanneer Claude bellen in een tube identificeerde, stelde hij via Slack voor om de tube naar een centrifuge te verplaatsen en kortstondig te spinnen om de bellen te verwijderen. MHS stelde Claude in staat deze commando's direct naar de centrifuge te sturen.

Verbetering van compiler-heuristieken Tetsuwan gebruikte MHS ook om hun compiler te optimaliseren, die high-level code vertaalt naar instructies voor labapparatuur. Door 9.143 individuele dispenses te testen en de nauwkeurigheid via MHS uit te lezen, kon Claude de precisie van de compiler verbeteren. Het model voorspelde de precisie van multi-dispenses ongeveer 12% tot 17% nauwkeuriger dan de technische specificaties van de fabrikant.

Voorlopige data De experimenten bevestigden dat mensen de primaire bron zijn van fecale verontreiniging in San Pedro Creek, aangezien uitsluitend mens-specifieke markers (HF183, BacH) werden gedetecteerd.

Ondersteuning door hardwareleveranciers

Verschillende bedrijven bouwen MHS-ondersteuning in hun apparatuur in:

• Amazon Web Services: Ondersteunt MHS via Strands Robots.
• Automata: Voegt MHS toe aan LINQ voor intelligente foutafhandeling.
• Danaher: Onderzoekt hoe MHS biomedical R&D kan opschalen.
• Doosan Robotics: Test MHS met robotarmen voor kwaliteitsborging.
• MBF Bioscience: Bouwt een driver voor ScanImage.
• QIAGEN: Experimenteert met MHS op het QIAsymphony Connect platform.
• Tecan: Voegt MHS-ondersteuning toe voor Fluent vloeistofbehandelaars.
• Universal Robots: Heeft vroege toegang tot MHS voor hun robotplatform.

Toekomstvisie en veiligheid

Hoewel de resultaten bemoedigend zijn, is er nog werk te doen voordat MHS open source wordt. Claude leert over de fysieke wereld via tekst en beelden, wat beperkingen in ruimtelijk en fysiek redeneren met zich meebrengt. Expert-toezicht blijft daarom noodzakelijk.

MHS werkt momenteel alleen met hardware die een programmeerinterface heeft. Anthropic werkt samen met fabrikanten om drivers te bouwen voor apparaten die dit nog niet hebben. Vroege adoptanten zijn onder meer Hugging Face (via LeRobot) en Raspberry Pi.

Tijdens de research preview worden aanvullende veiligheidsevaluaties opgesteld. Er wordt gewerkt aan een fysieke veiligheidsroadmap om risico's op misbruik te beperken. Bij de open-source release zullen de bevindingen uit de research preview worden gepubliceerd als richtlijn voor veilige implementatie.

Erkenningen

MHS begon als een samenwerking tussen Alek Kemeny (Anthropic) en Arco Bast (HHMI Janelia Research Campus). De auteurs danken alle bijdragende wetenschappers, peer-reviewers en partners die hebben geholpen bij het opzetten en testen van de standaard.