Anthropic geeft AI-agents controle over microscopen, robots en machines
Een AI-agent die een verkeerde tekst schrijft is vervelend. Een agent die een laser, robotarm of laboratoriummachine verkeerd aanstuurt speelt een heel ander spel.
Anthropic zet daar nu een eerste systeem voor neer. Met de Model Hardware Standard (MHS) kunnen AI-agents verschillende fysieke apparaten via één gemeenschappelijke laag vinden, uitlezen en bedienen.
Anthropic trekt AI-agents de fysieke wereld in
De technologie is bedoeld voor wetenschappelijke laboratoria en geavanceerde productieomgevingen. Denk aan microscopen, vloeistofrobots, robotarmen en apparatuur rond quantumcomputers.
MHS ontstond uit samenwerking tussen Anthropic en het HHMI Janelia Research Campus.
De eerste versie is nog niet publiek voor iedereen beschikbaar. Onderzoeksinstellingen en bedrijven moeten toegang aanvragen.
Pas na verdere veiligheidstests wil Anthropic de standaard open source maken.
Eén vertaallaag voor machines die elkaar niet begrijpen
Het probleem dat Anthropic probeert op te lossen is ouder dan AI.
Een robotarm kan software van fabrikant A gebruiken. Een microscoop draait weer op fabrikant B, terwijl een meetinstrument alleen via een oude Windows-interface bereikbaar is.
Wie die machines samen wil laten werken, moet normaal voor iedere koppeling apart code bouwen.
MHS legt daar een gestandaardiseerde driver tussen.
Die driver vertaalt apparaten naar simpele acties zoals een waarde uitlezen of aanpassen. Tegelijk beschrijft hij wat een apparaat kan, welke parameters instelbaar zijn en waar veiligheidsgrenzen liggen.
Een agent hoeft daardoor niet voor iedere nieuwe machine opnieuw een compleet andere interface te leren.
MHS vertelt een agent ook waar de grens ligt
De hardwarebeschrijving bevat meer dan alleen commando's.
Een ontwikkelaar kan bijvoorbeeld vastleggen hoeveel een robotarm weegt, welke sensoren beschikbaar zijn en welk laservermogen maximaal is toegestaan.
Die informatie wordt onderdeel van het apparaatprofiel.
Daardoor kan een AI-agent niet alleen ontdekken wat hij kan aanpassen, maar ook welke grenzen niet overschreden mogen worden.
Bij een microscooptest op Janelia werd bijvoorbeeld een maximale laserintensiteit op apparaatniveau afgedwongen.
Dat is belangrijk.
De veiligheidsregel zit dan niet uitsluitend in een prompt die de agent geacht wordt netjes te volgen.
MCP is één route, maar Claude is niet verplicht
MHS sluit aan op Anthropic's Model Context Protocol, oftewel MCP.
MCP wordt gebruikt om AI-agents toegang te geven tot software en databronnen. MHS probeert een vergelijkbare abstractielaag richting fysieke apparatuur te bouwen.
Het systeem kan daarnaast via commandline-tools en code worden aangestuurd.
Anthropic noemt MHS bovendien modelonafhankelijk.
Een bedrijf hoeft dus in theorie niet Claude te gebruiken om met een MHS-apparaat te communiceren. Andere agentsystemen kunnen dezelfde interface benutten.
Dat maakt de ambitie groter dan één nieuw Claude-product.
Vier machines in acht uur aan elkaar geknoopt
Een proef bij Carnegie Mellon University laat zien waarom dat aantrekkelijk kan zijn.
Onderzoekers koppelden een vloeistofrobot, meetapparaat, robotarm en camera's. Die systemen draaiden verspreid over drie computers en gebruikten totaal verschillende interfaces.
Via MHS kreeg een Claude-agent controle over de volledige workflow.
De vloeistofrobot maakte monsters klaar. Camera's controleerden of alles correct stond. Een robotarm verplaatste het materiaal en een meetinstrument las vervolgens het resultaat uit.
Het opzetten van de drivers en de volledige geautomatiseerde flow duurde volgens de onderzoekers ongeveer acht uur.
Een traditionele integratie door een leverancier kan volgens het team meerdere weken kosten.
Agent besloot zelfstandig experiment over te doen
De interessantste stap kwam daarna.
Bij een test beoordeelde de agent de eerste meetreeks als onvoldoende betrouwbaar. De hoogste concentraties gaven een slecht bruikbaar resultaat.
De AI besloot daarop zelf de eerste serie af te wijzen.
Vervolgens koos hij een lagere maximale concentratie, maakte een nieuwe reeks en voerde het experiment opnieuw uit.
De tweede meting voldeed wel en werd geaccepteerd.
Volgens Carnegie Mellon verliep het experiment in deze opstelling ongeveer drie keer sneller dan voorheen.
De agent voerde dus niet alleen commando's uit. Hij las het resultaat, veranderde een parameter en startte zelfstandig een nieuwe fysieke proef.
Daar begint het verschil met gewone automatisering zichtbaar te worden.
AI-agent kreeg ook toegang tot lasers van quantumcomputer
Bij QuEra Computing werd MHS voor een andere taak ingezet.
Daar kreeg een agent toegang tot delen van het lasersysteem dat wordt gebruikt om een quantumcomputer te bedienen.
Lasers moeten daar extreem nauwkeurig op een bepaalde frequentie blijven.
Wanneer zo'n systeem zijn instelling verloor, had menselijke correctie normaal vijf tot tien minuten nodig.
Via MHS experimenteerde Claude honderden keren met verschillende herstelmethodes. Uiteindelijk ontstond een deterministisch script dat tijdens een blinde test 695 van 700 storingen correct herstelde.
Dat komt neer op 99,3%.
Het uiteindelijke script kon daarna zonder AI-agent blijven draaien.
Dat is misschien nog interessanter dan permanente autonome bediening: de agent gebruikt fysieke apparatuur om een betere vaste controller te ontwikkelen en kan daarna weer uit de loop verdwijnen.
Claude begrijpt de fysieke wereld nog niet altijd
De tests tonen tegelijk waar het fout kan gaan.
Bij Genentech kreeg Claude tijdens een laboratoriumproef te maken met schuimvorming in vloeistof.
Het model probeerde het probleem aanvankelijk op te lossen alsof het een softwarefout was.
Dat werkte niet.
Menselijke onderzoekers moesten uitleggen dat het om een fysiek probleem ging en dat de vloeistof anders behandeld moest worden.
Anthropic noemt dit zelf als reden waarom deskundig menselijk toezicht voorlopig nodig blijft.
Claude leert veel over de wereld uit tekst en beelden. Dat betekent niet dat het automatisch dezelfde intuïtie heeft als iemand die jarenlang met vloeistoffen, lasers of bewegende machines werkt.
Hardwarebedrijven beginnen al ondersteuning te testen
De lijst met vroege deelnemers is breed.
AWS wil MHS ondersteunen via Strands Robots. Doosan Robotics test de technologie op zijn robotarmen en Universal Robots heeft plannen om ondersteuning toe te voegen.
Tecan werkt aan koppelingen met vloeistofrobots. QIAGEN heeft een proof-of-concept rond laboratoriumapparatuur.
Hugging Face wil MHS toevoegen aan zijn LeRobot-bibliotheek.
Raspberry Pi werkt eveneens aan integraties nadat een Camera MHS Driver werd getest.
Dat zegt nog niet dat MHS een geaccepteerde industriestandaard is.
Het is nu een ontwikkelende specificatie met een beperkte partnergroep.
Maar brede ondersteuning door hardwarefabrikanten is precies wat nodig zou zijn om het idee schaalbaar te maken.
Een machine zonder software-interface blijft buiten bereik
Ook de technische grens verdient aandacht.
MHS kan niet zomaar iedere fysieke machine ter wereld besturen.
Het apparaat moet via software bereikbaar zijn. Dat kan een API of SDK zijn, maar sommige interfaces kunnen ook via bestaande software of een geautomatiseerde GUI worden aangestuurd.
Anthropic zegt zelf dat hardware zonder bruikbare programmeerinterface momenteel nog niet door MHS wordt ondersteund.
Fabrikanten moeten daarvoor eerst een driver of andere softwarematige ingang bouwen.
De standaard vervangt dus niet de elektronica die een machine bestuurt.
Hij probeert vooral één taal bovenop die bestaande bediening te leggen.
Voor crypto begint de vraag pas ná MHS
Anthropic heeft hiermee geen cryptoproduct, blockchain of machinebetaalsysteem gelanceerd.
Die grens moet helder blijven.
Toch komt een bekende vraag uit de agent-economie dichterbij.
Als een AI-agent straks zelfstandig een machine kan gebruiken, wanneer mag hij die machine dan huren? Wie bepaalt zijn budget? En hoe bewijst de agent namens welk bedrijf of persoon hij handelt?
Daar raken fysieke agents uiteindelijk onderwerpen als identiteit, autorisatie en programmeerbare betalingen.
Bij AI-wallets zien we dezelfde beweging al: software krijgt zelfstandigheid, terwijl harde grenzen buiten het model bepalen hoeveel geld het werkelijk mag gebruiken.
MHS regelt die financiële laag niet.
Het maakt wel duidelijk waarom die laag belangrijker wordt.
De strijd verschuift van slimste model naar meeste toegang
Anthropic probeert met MHS uiteindelijk iets groters dan een robotdemo.
MCP gaf agents een gestandaardiseerde route naar digitale tools. MHS moet een vergelijkbare route naar fysieke apparaten creëren.
Als dat breed aanslaat, hoeft een toekomstige agent niet voor iedere microscoop, robotarm of meetmachine opnieuw een compleet integratieproject te starten.
De machine beschrijft zichzelf. De agent krijgt gecontroleerde toegang. Veiligheidslimieten bepalen waar hij moet stoppen.
Dat kan veel kracht geven aan autonome systemen.
Het maakt fouten alleen ook fysieker.
De volgende concurrentiestrijd rond AI-agents draait daardoor niet alleen om welk model het beste redeneert. Minstens zo belangrijk wordt welke machines het model mag aanraken — en wie de macht heeft om op tijd nee te zeggen.
Stop met te veel betalen voor je crypto. Bij de Amsterdamse exchange Finst handel je tegen de laagste tarieven van Nederland, zonder verborgen kosten.
👀 Bekijk Finst nu ›Let op: Beleggen in crypto brengt risico’s met zich mee. Handel alleen met geld dat u kunt missen.
Ga verder met lezen
Dit vind je misschien ook leuk
Laat mensen jouw mening weten
Lees ook
Populair Nieuws
Loading
