Innhold Vis
Model Hardware Standard (MHS) skal gi AI-agenter én felles og sikrere vei inn i laboratorieutstyr, roboter og andre fysiske maskiner. Anthropic har åpnet standarden som en begrenset research preview, og de første forsøkene viser at integrasjonsarbeid som gjerne tar uker, kan presses ned til timer.
Det høres tørt ut. En driverstandard får neppe folk til å velte kaffekoppen av begeistring. Men nesten all moderne AI lever fortsatt på den trygge siden av skjermen. Skal agentene faktisk flytte en prøveplate, justere en laser eller stoppe et eksperiment, må de forstå utstyr fra forskjellige produsenter og holde seg innenfor grenser som ikke kan forhandles bort av en dårlig prompt.
Det er akkurat dette MHS prøver å løse. Resultatene fra Carnegie Mellon og QuEra er såpass konkrete at standarden fortjener oppmerksomhet allerede nå. Samtidig er dette tidlige partnerforsøk presentert av selskapene selv, ikke bevis på at ethvert laboratorium kan slippe en AI-agent løs på maskinparken neste mandag.
Hva er Model Hardware Standard?
Model Hardware Standard er en felles spesifikasjon for drivere som lar AI-agenter oppdage, lese og styre fysisk utstyr. Ifølge Anthropics kunngjøring 27. august 2026 kan den brukes med blant annet mikroskoper, væskehåndterere og robotarmer, og integrasjonstiden kan gå fra uker eller måneder til timer eller minutter.
Problemet er kjent for alle som har prøvd å koble sammen utstyr fra flere leverandører. Én maskin har et gammelt Windows-grensesnitt, en annen tar imot jobbfiler i en mappe, og en tredje kan bare betjenes gjennom et grafisk program. Før noe nyttig kan skje, må en spesialist skrive og vedlikeholde limkode mellom dem.
MHS legger et standardisert lag over disse forskjellene. Hver enhet beskriver tilstandene sine, operasjonene den kan utføre og grensene den skal holde seg innenfor. Agenten får dermed ett mer ensartet språk å jobbe med, mens detaljene i det enkelte instrumentet blir liggende i driveren.
Hvorfor er et felles driverlag så viktig?
Et felles driverlag skiller agentens beslutninger fra maskinens særegenheter. Agenten kan be om å lese temperatur, flytte en plate eller endre en innstilling gjennom en liten samling standardiserte operasjoner, uten å måtte lære hele leverandørens programvare på nytt for hver maskin.
MHS gjør også utstyret synlig på tvers av et nettverk. En agent kan finne tilgjengelige enheter og lese en referansefil som beskriver hva de måler, hva som kan justeres og hvilke sikkerhetsgrenser som gjelder. Informasjon som før lå i papirmanualer eller i hodet på én erfaren operatør, kan legges inn som strukturerte beskrivelser i driveren.
Kontrollen kan skje gjennom MCP, kommandolinjen eller kodefiler. Standardens kobling til Model Context Protocol betyr at et agentoppsett kan nå maskinvaren gjennom et kjent protokollag, men MHS er ifølge Anthropic modellagnostisk. Det er viktig. En maskinpark bør ikke måtte bygges om fordi laboratoriet bytter språkmodell eller agentplattform.
Her ligger den langsiktige verdien. MCP ga programvareagenter en ryddigere måte å finne og bruke digitale verktøy på. MHS kan bli det tilsvarende laget for fysisk utstyr, men med langt høyere krav til sikkerhet og kontroll. En mislykket databaseforespørsel er irriterende. En robotarm på avveie er noe helt annet.
Carnegie Mellon gikk fra rått utstyr til ferdig kurve på åtte timer
Carnegie Mellon koblet sammen en væskehåndterer, en plateleser, en robotarm og kameraer fordelt på tre datamaskiner. Grensesnittene var grunnleggende forskjellige, og plateleseren manglet et vanlig API. Likevel tok det omtrent åtte timer å lage driverne og kjøre fram en ferdig dose-respons-kurve. En leverandørbygd løsning ville normalt tatt flere uker.
Forsøket var mer enn en pen demo der alt gikk riktig på første forsøk. Forskerne framprovoserte seks feiltilstander: manglende plate, rotert plate, opptatt leser, frakoblet kamera, utilgjengelig enhet og aktiv nødstopp. Systemet blokkerte alle seks før utstyret beveget seg.
Agenten avviste også den første måleserien fordi kurvetilpasningen var svakere enn R² 0,9. Den reduserte toppkonsentrasjonen fra 200 til 100 mikrogram per milliliter, startet på nytt med en fersk plate og leverte deretter en kurve over R² 0,98 uten menneskelig inngrep. Det er dette som gjør forsøket nyttig: Agenten flyttet ikke bare maskiner, men vurderte resultatet og tok en ny runde da dataene ikke holdt mål.
Det betyr ikke at åtte timer nå er en universell installasjonstid. Oppsettet var et kontrollert forskningsprosjekt med Anthropic og fagfolk involvert. Men det dokumenterer at et felles driverlag kan flytte store deler av arbeidet fra håndskrevet integrasjon til en gjenbrukbar og mer agentvennlig struktur.
QuEra løftet laserreparasjon fra 58 til 99,3 prosent
Det skarpeste resultatet kommer fra kvantedatamaskinselskapet QuEra. En tidligere spesialskrevet prosedyre klarte å gjenopprette låsen på en laser i omtrent 58 prosent av forsøkene og brukte rundt 150 sekunder per forsøk. Gjennom MHS fikk en AI-agent eksperimentere mot en fysisk testbenk og utvikle en bedre, deterministisk Python-prosedyre.
Agentarbeidet ble delt i fire roller: én foreslo en hypotese, én endret koden, én kjørte forsøket på laseren, og én leste loggen og valgte neste endring. Løkken gikk hundrevis av ganger gjennom natten. Resultatet var ikke en språkmodell som satt og improviserte mens kvantedatamaskinen kjørte. Sluttproduktet var vanlig, inspiserbar kode som kunne valideres uten en agent i løkken.
I en blindtest traff prosedyren riktig i 695 av 700 forsøk, altså 99,3 prosent. De vanskeligste feilene tok 10 til 14 sekunder, mens en menneskelig ekspert vanligvis brukte 5 til 10 minutter. QuEra oppgir også at alle 43 naturlige laserfeil under pilotperioden ble oppdaget og rettet automatisk.
Enda mer interessant er måten forbedringen ble laget på. Agenten brukte testbenken til å utforske mange flere feiltilstander enn et menneskelig team rimeligvis kunne rekke, og gjorde erfaringene om til et beslutningstre. MHS var trenings- og kontrollmiljøet. Den ferdige prosedyren var rask, forutsigbar og avgrenset. Det er en mye mer troverdig modell for fysisk AI enn en chatbot som får lov til å finne på neste kommando i sanntid.
Sikkerheten ligger i driveren, ikke i høflige instruksjoner
MHS flytter sentrale sikkerhetsgrenser ned i driverlaget. Enheten kan erklære tillatte verdier, interlocks og nødstopp som håndheves ved maskinvaregrensesnittet, uavhengig av hva modellen ber om. På et mikroskop kan det for eksempel være en øvre grense for laserstyrke som hindrer skade på prøven.
Det er riktig retning. En prompt som sier «vær forsiktig» er ikke en sikkerhetsmekanisme. Fysiske systemer trenger deterministiske grenser, verifiserbare tilstander og en måte å avslå farlige operasjoner før noe beveger seg. QuEra lot agenten arbeide innenfor menneskesatte grenser, og sluttprosedyren erklærte bare suksess når både lasersignalet og den absolutte bølgelengden stemte.
Samtidig er ikke en driver automatisk trygg fordi den følger en ny spesifikasjon. Noen må beskrive maskinen riktig, sette fornuftige grenser, teste feiltilstander og avgjøre når et menneske skal godkjenne neste steg. Anthropic bruker selve preview-perioden til å utvikle flere sikkerhetsevalueringer og praksiser sammen med partnerne.
Dette bygger videre på en utvikling vi allerede har sett med agenter som får handle utenfor chatvinduet. I Anthropics Project Deal handlet agentene med ekte penger. Med MHS flyttes samme grunnspørsmål over til fysisk utstyr: Hvilke handlinger kan agenten utføre, hvilke grenser er absolutte, og hvordan kan resultatet kontrolleres i etterkant?
Hva er begrensningene i MHS-previewen?
MHS er foreløpig en lukket research preview med tilgang etter søknad. Prosjektsiden sier uttrykkelig at standarden skal prøves ut med aktører innen forskning og industri før den blir open source. Det finnes derfor ikke en ferdig, åpen standard som alle kan laste ned og bygge produksjonssystemer på i dag.
Utstyret må dessuten ha et grensesnitt som kan styres, enten gjennom API, SDK, annen programmatisk kontroll eller i enkelte oppsett et kontrollerbart grafisk grensesnitt. En helt lukket maskin trenger støtte fra produsenten eller en ny driver før MHS kan gjøre noe nyttig med den.
Den største begrensningen ligger likevel i modellene. I Genentechs forsøk tolket Claude først feil som skyldtes skum og luftbobler som noe som kunne løses ved å prøve samme operasjon igjen. Det gjorde problemet verre. Fagfolk måtte forklare den fysiske årsaken, flytte forsøket til en ren brønn og redusere blandingen. Da kunne lærdommen lagres som en gjenbrukbar ferdighet.
Det er en god påminnelse om hvor vi står. Språkmodeller er sterke på mønstre, kode og planlegging, men fysisk intuisjon kommer ikke gratis. Ekspertoppsyn, instrumentdata og harde sikkerhetsgrenser er fortsatt helt avgjørende.
Hva kan MHS bety for laboratorier og produsenter?
For laboratorier kan gevinsten bli mindre limkode, raskere oppsett og bedre gjenbruk av kunnskap. University of Washington koblet seks instrumenter på under én uke, inkludert driverskriving. Ved Janelia ble et mikroskopoppsett som krevde sju programmer samlet bak ett grensesnitt. Slike forbedringer frigjør ikke forskere fra fagansvar, men kan frigjøre dem fra mye meningsløst knappetrykk.
For produsentene kan MHS bli et nytt kompatibilitetslag de må forholde seg til. Hvis kunder begynner å forvente at en AI-agent kan oppdage maskinen, lese tilstanden og bruke sikre operasjoner uten en måned med spesialtilpasning, blir en god MHS-driver et salgsargument. AWS, Raspberry Pi, Universal Robots og flere laboratorieleverandører er allerede nevnt som tidlige deltakere.
Jeg synes retningen er lovende fordi MHS angriper den kjedelige delen som ofte stopper de store ideene. Det hjelper lite at en agent kan planlegge et eksperiment hvis hver maskin snakker sin egen dialekt og sikkerheten ligger i en setning langt oppe i prompten.
Men dommen må foreløpig være nøktern: Tallene viser at konseptet kan fungere svært godt i nøye utvalgte oppsett. Den virkelige testen kommer når standarden åpnes, flere produsenter lager drivere, andre modeller kobles til og vanlige teknikere prøver å holde systemene i drift. Hvis MHS overlever den overgangen, kan dette bli en av standardene som stille flytter AI-agentene ut av skjermen og inn i den fysiske verden.
Ofte stilte spørsmål
Er Model Hardware Standard tilgjengelig som open source nå?
Nei. MHS er en begrenset research preview med tilgang etter søknad. Anthropic sier at erfaringene fra partnerne skal brukes til sikkerhetsevalueringer og bedre praksis før standarden og tilhørende veiledning blir åpnet.
Må en MHS-agent bruke Claude?
Nei. Anthropic beskriver MHS som modellagnostisk. Agentoppsett kan nå utstyret gjennom standardiserte mekanismer som MCP, kommandolinje og kodefiler, selv om de første dokumenterte partnerforsøkene i stor grad bruker Claude som modell.
Kan MHS styre gammelt laboratorieutstyr?
Ja, hvis utstyret har et grensesnitt som kan kontrolleres og noen lager en forsvarlig driver. Carnegie Mellon koblet blant annet til eldre Windows COM-styring og programvare uten vanlig API. Helt lukket utstyr kan kreve hjelp fra produsenten.
Hva hindrer en AI-agent i å skade fysisk utstyr?
MHS kan håndheve enhetsgrenser, interlocks og nødstopp i driverlaget uavhengig av modellen. Det reduserer risikoen, men erstatter ikke riktig driverarbeid, testing av feiltilstander, ekspertoppsyn og menneskelig godkjenning ved handlinger med høy risiko.
