Anthropic hat den Model Hardware Standard (MHS) als neuen Schnittstellenstandard eingeführt, der es künstlichen Intelligenzen (KI-Agenten) ermöglichen soll, physische Geräte direkt zu steuern. Dieser Ansatz zielt darauf ab, die Integration unterschiedlicher Hardware-Komponenten zu vereinfachen und insbesondere wissenschaftliche Experimente erheblich zu beschleunigen.
Standardisierung für die Wissenschaft
Die „Forschungsvorschau“ des MHS konzentriert sich zunächst darauf, Wissenschaftlern zu helfen, den aufwendigen Prozess der Erstellung kundenspezifischer Software-Integrationen zu rationalisieren. Diese sind oft notwendig, um verschiedene Komponenten eines Experiments aufeinander abzustimmen. Laut Anthropic bietet MHS eine gemeinsame Schnittstelle und ein einheitliches Format für den Datenaustausch zwischen Geräten, wodurch diese über ein Netzwerk kommunizieren können, ohne dass „maßgeschneiderte Übersetzerprogramme“ erforderlich sind. Das standardisierte System könnte den Zeitaufwand für den Aufbau komplexer Experimente von Wochen oder Monaten auf „Stunden oder Minuten“ reduzieren.
Die Idee für MHS entstand, als Alek Kemeny, ein technischer Mitarbeiter von Anthropic, den Neurobiologen Arco Bast bei einem Experiment zur Gedächtnisbildung am HHMI Janelia Research Campus beobachtete. Bast hatte eine Schnittstelle entwickelt, um rotierende Laserstrahlen, Mikroskope, Kameras und andere Komponenten zu koordinieren. Kemeny erkannte das Potenzial, diese Idee auf jedes wissenschaftliche Experiment weltweit zu übertragen.
KI-Integration und Anwendungsbeispiele
Obwohl MHS-Geräte auch direkt über Befehlszeilen und API-Code gesteuert werden können, ermöglicht die Integration mit einem KI-Modell über das „Model Context Protocol“ eine Interaktion mittels natürlicher Sprache. KI-Modelle können so jeden Schritt eines Experiments durchdenken, Parameter in Echtzeit anpassen und in einigen Fällen sogar Hardwarefehler ohne menschliches Eingreifen beheben.
Anthropic demonstrierte dies anhand von Beispielen: Ein KI-Modell wie Claude könnte einen Laser justieren, die Ergebnisse über eine Kamera überprüfen und den Vorgang wiederholen, um das System automatisch zu kalibrieren. Ein anderes Szenario zeigt, wie ein Modell ein Mikroskop fokussiert, Ergebnisse analysiert, Bereiche für weitere Beobachtungen identifiziert und das Mikroskop automatisch dorthin bewegt.
In einem Video wurde zudem gezeigt, wie Claude einen Roboterarm anweist, eine Aluminiumdose aufzunehmen, obwohl das Modell nicht spezifisch für diese Schritte trainiert wurde. MHS-fähige Modelle können auch Schrittfolgen über verschiedene Instrumente hinweg durch das Schreiben und Anpassen von API-Skripten koordinieren.
Hardware-Beschreibungen und Sicherheit
MHS umfasst auch ein standardisiertes Tagging-System, um reale Einschränkungen der Hardware für KI-Modelle zu beschreiben, die möglicherweise stärker in virtuellen Umgebungen trainiert wurden. Dazu gehören Informationen über physische Eigenschaften (z.B. Gewicht und Reichweite eines Roboterarms), einstellbare Parameter, Messoptionen und Sicherheitsgrenzen. Diese Tags können in einer Referenzdatei integriert werden, die einem KI-Modell schnell entscheidende Informationen über ein Gerät liefert, mit dem es keine vorherige Trainingserfahrung hat.
Während einer Vorschauphase arbeitet Anthropic mit „einer ersten Gruppe wissenschaftlicher Forschungslabore und fortschrittlicher Hersteller“ zusammen, darunter Amazon Web Services (Strands Robots), Hugging Face (LeRobot), Raspberry Pi, Automata und Universal Robots. Diese Partner sollen Anthropic dabei unterstützen, Sicherheitsbewertungen zu erstellen und Best Practices für KI-Systeme im Umgang mit physischer Ausrüstung zu entwickeln. Langfristig soll MHS ein Open-Source- und „Agent-agnostic“-Standard für die Integration von KI und physischen Systemen werden.
Frühe Tests mit wissenschaftlichen Partnern im letzten Jahr zeigten, dass MHS die Zeit für die Geräteintegration reduzierte und eine schnellere Iteration in verschiedenen experimentellen Umgebungen ermöglichte. Alek Kemeny äußerte dazu in einem Werbevideo die Hoffnung: „Wenn man Hypothesen schneller testen kann, könnte man allgemeine Technologien schneller schaffen. So kann sich ein Jahrhundert des Fortschritts in einem Jahrzehnt verdichten.“
Thema: Anthropic. Quelle/Inspiration: Ars Technica.