Los equipos de un laboratorio de investigación o de una planta industrial casi nunca hablan el mismo idioma. Vienen de fabricantes distintos, usan interfaces de programación distintas, formatos de datos distintos y software de control distinto, y conectarlos entre sí cuesta semanas de trabajo. Anthropic quiere atacar ese problema con el Model Hardware Standard (MHS), una especificación que permite a un agente de IA leer datos de un aparato físico y operarlo.
La compañía desarrolló la especificación junto al HHMI Janelia Research Campus y la libera primero como vista previa de investigación para laboratorios y fabricantes seleccionados. Una publicación de código abierto está prevista para más adelante.
¿Qué hace exactamente el Model Hardware Standard?
La idea se apoya en un proyecto que Anthropic ya había lanzado para el mundo del software. El Model Context Protocol (MCP) le dio a los modelos una forma estándar de acceder a fuentes de datos y herramientas externas. MHS extiende ese enfoque a las máquinas.
| Model Context Protocol (MCP) | Model Hardware Standard (MHS) | |
|---|---|---|
| Qué conecta | Datos y herramientas de software | Equipos físicos con interfaz programable |
| Unidad de integración | Servidor MCP | Driver MHS por dispositivo |
| Metadatos propios | Esquemas y permisos | Peso, límites de seguridad, restricciones físicas |
| Estado | Público y de código abierto | Vista previa de investigación |
Cada equipo recibe un driver MHS que unifica funciones básicas como leer y modificar datos. Ese driver vuelve al dispositivo descubrible en un formato común y puede incluir detalles que el software por sí solo no captura, por ejemplo el peso de un brazo robótico o sus límites de seguridad. El usuario agrega esa información en lenguaje natural y MHS la convierte en un archivo de referencia para el agente.
Con eso, un agente puede tomar las capacidades y los límites de un aparato que nunca vio antes y operarlo a través de una interfaz única. Alguien todavía tiene que escribir el driver de cada equipo, pero una vez que existe se reutiliza en lugar de rehacerse para cada combinación de dispositivo y controlador.
Según Anthropic, MHS es agnóstico al modelo y funciona con cualquier equipo que tenga una interfaz programable. Los agentes pueden coordinar varios dispositivos y guardar los flujos de trabajo como scripts convencionales, que después corren sin necesidad de un modelo de lenguaje.
¿Cómo se portó Claude con equipos de laboratorio reales?
Anthropic probó MHS con varios socios. En la biotecnológica Genentech, Claude coordinó un manipulador de líquidos, un brazo robótico y un lector de placas para automatizar un ensayo de proteínas, una prueba que mide concentración proteica. El agente optimizó por su cuenta los parámetros de pipeteo para distintos líquidos, pero se complicó cuando se formaron burbujas en una solución viscosa y aparecieron errores. Claude reiniciaba el proceso en el mismo recipiente con parámetros ajustados, lo que empeoraba el resultado. Hizo falta que una persona le explicara la causa física para que el agente encontrara una salida viable.
En la Universidad Carnegie Mellon, los investigadores conectaron un manipulador de líquidos, un lector de placas, un brazo robótico y varias cámaras de monitoreo repartidos en tres computadores con interfaces incompatibles entre sí. El equipo señala que los drivers y la capa de orquestación tomaron unas ocho horas de trabajo, frente a las varias semanas que suele exigir una instalación provista por el fabricante. Claude además notó que una primera corrida experimental no había producido una curva de medición suficientemente buena, bajó la concentración máxima de la sustancia en estudio y obtuvo un resultado mucho mejor en el segundo intento.
En la empresa de computación cuántica QuEra, Claude usó MHS a lo largo de cientos de corridas automatizadas para desarrollar un programa de control que devuelve un láser a un estado de operación estable después de una perturbación. El script resultante tuvo éxito en 695 de 700 intentos en una prueba a ciegas, un 99,3% de aciertos, corriendo por su cuenta y con el modelo de lenguaje fuera del circuito.
Los tres ejemplos provienen de proyectos con socios presentados por Anthropic y no han sido verificados de forma independiente.
¿Por qué sigue haciendo falta un experto al lado?
Como Claude aprende del mundo físico a través de texto e imágenes, su razonamiento espacial y físico tiene límites que todavía exigen supervisión experta, reconoce la propia Anthropic. En las pruebas de Genentech los investigadores tuvieron que guiar al modelo para que entendiera que los errores provocados por muestras con espuma eran fallas físicas y no bugs de software.
Durante la vista previa de investigación, la compañía planea construir evaluaciones de seguridad adicionales junto a sus socios y está desarrollando una hoja de ruta de seguridad física para prevenir usos indebidos.
Si el enfoque resiste, podría facilitar bastante que los agentes de IA salgan de las tareas puramente digitales hacia laboratorios, fábricas y otros sistemas físicos. Varios fabricantes y organizaciones ya están construyendo soporte para MHS o probando la especificación, entre ellos AWS, Doosan Robotics, QIAGEN, Tecan, Universal Robots, Hugging Face y Raspberry Pi.
Ese último nombre es el más relevante para quien mira esto desde un laboratorio universitario latinoamericano: si el estándar termina bajando a una placa de 15 dólares como la Raspberry Pi Pico o a un controlador de unos 80 dólares como la Raspberry Pi 5, escribir un driver MHS para un banco de pruebas casero deja de ser un proyecto de fabricante y pasa a ser un ejercicio de fin de semana.
