Microscopi, liquid handler, bracci robotici, centrifughe e sistemi laser possono essere controllati da uno stesso agente AI senza costruire ogni volta un’integrazione specifica per ciascun dispositivo. Anthropic affronta questa frammentazione con il Model Hardware Standard (MHS), una specifica condivisa che consente agli agenti AI di scoprire, controllare e coordinare dispositivi fisici programmabili.
Il progetto, sviluppato inizialmente insieme all’HHMI Janelia Research Campus, centro di ricerca biomedica dello Howard Hughes Medical Institute attivo soprattutto in neuroscienze, imaging e sviluppo di strumenti scientifici, è entrato in research preview il 27 agosto con un primo gruppo di laboratori scientifici e aziende attive nella robotica, nelle biotecnologie, nel quantum computing e nella produzione industriale. Anthropic prevede di rendere MHS open source dopo questa fase iniziale, utilizzata per ampliare il supporto hardware e definire valutazioni e pratiche di sicurezza.
MHS non è legato a Claude. La specifica è model-agnostic e può essere utilizzata da differenti agenti e agent harness. Claude è il modello impiegato nei progetti sperimentali descritti da Anthropic, mentre MHS definisce un livello comune tra i sistemi AI e qualunque dispositivo dotato di un’interfaccia programmabile.
Un’interfaccia comune tra agenti AI e strumenti che oggi non comunicano
L’automazione dei laboratori scientifici esiste da tempo, ma è fortemente condizionata dall’eterogeneità dell’hardware. Ogni microscopio, robot, plate reader o sistema di movimentazione può avere un proprio driver, una propria API, un formato di dati e un software di controllo differente. In alcuni laboratori avanzati gli strumenti utilizzano perfino linguaggi diversi: Python per una videocamera, MATLAB per un rilevatore, C# per un sistema di elettrofisiologia.
Integrare queste apparecchiature significa scrivere software specifico per ogni combinazione di strumenti, con tempi – sottolinea Anthropic – che possono andare da settimane a mesi e, nei sistemi più complessi, anche oltre.
MHS introduce un driver standardizzato che espone le funzionalità fondamentali di ogni dispositivo attraverso un insieme comune di primitive. Operazioni come leggere una temperatura o modificarne il valore vengono rappresentate, per esempio, attraverso comandi generici di lettura e scrittura, mentre il driver descrive separatamente quali grandezze il dispositivo può misurare, quali parametri possono essere modificati e quali limiti devono essere rispettati.
Una parte della descrizione dell’hardware può essere inserita in linguaggio naturale, così da includere informazioni che spesso non compaiono nelle API: il peso di un braccio robotico, i limiti fisici di uno strumento, particolari procedure operative o conoscenze che normalmente rimangono nei manuali e nell’esperienza dei tecnici.
Da queste informazioni MHS genera una descrizione di riferimento che permette all’agente di comprendere che cosa può fare la macchina e quali vincoli deve rispettare.
Il controllo può avvenire attraverso Model Context Protocol (MCP), command line, API e file di codice. L’agente può coordinare più apparecchiature, ricevere i dati prodotti dagli strumenti, modificare i parametri durante l’esperimento e costruire script deterministici per le attività che non richiedono un nuovo ciclo di reasoning a ogni passaggio.
Durante alcuni esperimenti Claude ha esplorato il comportamento dell’hardware, individuato una strategia e quindi trasformato ciò che aveva appreso in codice tradizionale, eseguibile successivamente senza mantenere il modello nel loop.
Da settimane a ore per integrare un laboratorio
Uno dei primi test è stato condotto da Genentech, azienda biotech statunitense controllata da Roche e attiva nella ricerca e sviluppo di farmaci biologici, sull’automazione del BCA protein assay, una procedura utilizzata per misurare la concentrazione totale delle proteine. Il processo richiedeva il coordinamento di un liquid handler, un braccio robotico e un microplate reader.
Claude ha utilizzato MHS come livello comune per orchestrare i tre strumenti e ha sperimentato autonomamente diversi parametri di trasferimento dei liquidi, confrontando i propri risultati con quelli ottenuti dagli specialisti.
Inizialmente Claude utilizzava parametri generici e trattava allo stesso modo liquidi acquosi e campioni proteici viscosi. Nei campioni di albumina questo provocava bolle che compromettevano la precisione del pipettaggio. Quando incontrava l’errore, il modello tendeva inoltre a riprovare nello stesso pozzetto, aumentando ulteriormente la formazione di schiuma.
Gli specialisti hanno dovuto spiegare al modello la natura fisica del problema. Una volta acquisita questa informazione, Claude l’ha mantenuta durante l’esperimento e le conoscenze ricavate sono state codificate in skill riutilizzabili.
Il test mostra un limite concreto dei modelli attuali: la capacità di ragionare sui dati prodotti dagli strumenti non equivale a possedere l’intuizione fisica, chimica o biologica necessaria per interpretare correttamente ogni anomalia.
A Carnegie Mellon gli esperimenti diventano tre volte più rapidi
Alla Carnegie Mellon University MHS è stato utilizzato per automatizzare esperimenti di diluizione seriale destinati alla determinazione delle curve dose-risposta. L’ambiente comprendeva un liquid handler CyBio Felix, un plate reader Varioskan LUX, un braccio robotico e telecamere distribuite su tre computer con interfacce incompatibili.
Il sistema basato su Claude Opus 4.8 ha controllato autonomamente l’intero protocollo attraverso i driver MHS. Gli esperimenti sono stati eseguiti, secondo i ricercatori, circa tre volte più rapidamente.
Dal momento in cui le apparecchiature non automatizzate erano disponibili alla produzione di una curva di diluizione completa, comprendendo anche una nuova esecuzione autonoma dell’esperimento, sono trascorse otto ore. Un’integrazione realizzata tramite un fornitore specializzato avrebbe normalmente richiesto diverse settimane.
Gli strumenti continuavano a utilizzare il proprio software nativo e MHS operava come livello di orchestrazione sopra le applicazioni esistenti, senza sostituirle.
Nei microscopi di Janelia l’agente coordina laser, sensori e camere
Il Model Hardware Standard nasce da un problema incontrato nei laboratori dell’HHMI Janelia Research Campus. Il ricercatore Arco Bast aveva costruito per i propri esperimenti di imaging cerebrale un sistema composto da laser, dispositivi di messa a fuoco e videocamere di produttori differenti. Per farli comunicare aveva creato un dizionario condiviso in memoria contenente lo stato delle apparecchiature.
Da questa soluzione, sviluppata insieme ad Anthropic, è nato MHS.
In uno dei progetti successivi, la ricercatrice Virginie Ruetten ha utilizzato la specifica per coordinare un apparato di microscopia che in precedenza richiedeva sette programmi di produttori differenti. Altri gruppi di Janelia stanno utilizzando MHS per allineare automaticamente fasci laser, controllare sensori e modificare in tempo reale i parametri di imaging.
In uno dei sistemi, una procedura di configurazione manuale che richiedeva mezza giornata è stata trasformata in un singolo passaggio, con Claude che controlla il risultato attraverso i sensori dello stesso apparato.
QuEra: dal 58 al 99,3% nel recupero del laser
QuEra Computing, azienda statunitense di quantum computing specializzata in sistemi basati su atomi neutri, ha impiegato MHS per permettere a Claude di interagire con il sistema laser utilizzato per controllare gli atomi.
Questi laser devono mantenere la frequenza con una precisione nell’ordine di una parte per mille miliardi. Variazioni di temperatura, vibrazioni o pressione possono far perdere il cosiddetto lock, interrompendo le operazioni quantistiche.
Prima del progetto con Anthropic, un gruppo composto da specialisti laser, software engineer e altri tecnici aveva impiegato diversi mesi per sviluppare uno script di recupero automatico. Il sistema funzionava nel 58% dei casi e richiedeva circa 150 secondi per ogni tentativo. L’intervento manuale di uno specialista richiede normalmente tra cinque e dieci minuti.
Attraverso MHS, Claude ha potuto leggere gli strumenti e modificarne i controlli. Quattro istanze del modello hanno lavorato con ruoli differenti: generazione delle ipotesi, modifica del codice, esecuzione sul laser e analisi dei log. Il ciclo è stato ripetuto centinaia di volte senza supervisione durante la notte.
Da questa sperimentazione è nato uno script Python deterministico e ispezionabile, anziché un agente mantenuto permanentemente alla guida del laser.
In un test cieco su 700 disturbi indotti, il controller ha recuperato correttamente il lock 695 volte, pari al 99,3%. I casi più complessi hanno richiesto tra 10 e 14 secondi, mentre quelli più semplici tra 0,9 e 5,4 secondi.
Claude è stato utilizzato anche per ottimizzare i 12 parametri interdipendenti del sistema di controllo del laser. Dopo 363 esperimenti eseguiti nell’arco di 16 ore senza supervisione, l’errore residuo è sceso da 15,7 a 1,55 mV. In una successiva prova di 19 ore i parametri individuati dall’agente non hanno prodotto alcuna perdita del lock, mentre la configurazione realizzata manualmente dallo specialista ne registrava in media 1,6 ogni ora.
L’automazione scientifica diventa indipendente dal singolo hardware
MHS permette di separare la descrizione di un esperimento dalla macchina specifica che dovrà eseguirlo.
Tetsuwan Scientific, società che sviluppa piattaforme per l’automazione dei laboratori e la ricerca autonoma, lo ha integrato con la propria piattaforma ResearchOS. Un protocollo può specificare un’operazione – come centrifugare una piastra con una determinata forza – senza indicare quale centrifuga utilizzare. Il sistema cerca tra le apparecchiature MHS disponibili, identifica quella compatibile e converte automaticamente il requisito dell’esperimento nei parametri accettati dalla macchina.
La stessa piattaforma ha utilizzato videocamere e computer vision per individuare bolle durante un esperimento qPCR. Quando il problema non poteva essere risolto dal braccio robotico che teneva il campione, Claude ha individuato tra i dispositivi disponibili una centrifuga in grado di rimuovere le bolle e ha proposto la relativa procedura di recupero.
Nel corso delle prove Tetsuwan ha eseguito 9.143 singole operazioni di dispensing, 300 differenti tipi di trasferimento e 1.508 condizioni sperimentali su quattro tipi di liquido. Sui test mantenuti separati dai dati di ottimizzazione, il modello ottenuto con Claude e MHS ha previsto la precisione delle operazioni multi-dispense con un miglioramento di circa il 12% rispetto alle specifiche tecniche del produttore, arrivando a circa il 17% sul gruppo di dati con il maggior numero di repliche.
I produttori iniziano a implementare MHS
La research preview coinvolge già aziende che operano in settori molto differenti, un passaggio essenziale per ampliare il numero di apparecchiature compatibili con la specifica.
AWS prevede il supporto attraverso Strands Robots; Automata, azienda specializzata nell’automazione dei laboratori, sta integrando MHS nella piattaforma LINQ; Danaher, gruppo attivo nelle tecnologie per life science e diagnostica, ne sta studiando l’impiego negli strumenti biomedicali e nei laboratori autonomi; Doosan Robotics, produttore di robot collaborativi, lo sta sperimentando sui propri bracci robotici. MBF Bioscience, società specializzata in software e strumenti per microscopia e analisi di immagini biologiche, sta realizzando un driver per ScanImage, mentre QIAGEN, attiva nelle tecnologie per diagnostica molecolare e life science, ha sviluppato un proof of concept sulla piattaforma di purificazione degli acidi nucleici QIAsymphony Connect. Anche Tecan, produttore di sistemi per l’automazione di laboratorio, sta aggiungendo MHS ai propri liquid handler Fluent e Universal Robots, uno dei principali produttori di cobot, prevede di supportarlo nella propria piattaforma robotica.
Tra gli early adopter figurano inoltre Hugging Face, che sta aggiungendo MHS alla libreria robotica LeRobot, e Raspberry Pi, che ha già eseguito test attraverso un driver MHS per le proprie videocamere.
Un driver standard riutilizzabile consente allo stesso modello di strumento di essere integrato in laboratori differenti senza ricostruire ogni volta da zero il collegamento con i rispettivi sistemi di automazione.
Anthropic estende Claude dall’analisi dei dati all’esperimento fisico
MHS arriva mentre Anthropic sta ampliando la propria offerta per la ricerca scientifica. A giugno l’azienda ha presentato Claude Science, un ambiente di lavoro per ricercatori che integra analisi della letteratura, esecuzione del codice, strumenti specialistici e accesso alle risorse di calcolo.
Claude Science dispone di oltre 60 skill e connettori scientifici preconfigurati e può lavorare su macchine locali, server remoti e cluster HPC. Gli output includono codice e cronologia necessari a ricostruire l’origine di grafici e risultati, con un reviewer agent incaricato di controllare citazioni, calcoli e coerenza tra figure e codice.
Con MHS questa impostazione si estende dall’ambiente computazionale alla generazione diretta dei dati sperimentali. L’agente può analizzare un risultato e, quando l’hardware lo consente, utilizzare quella stessa informazione per decidere quale esperimento eseguire successivamente, modificando i parametri e raccogliendo nuovi dati. È il ciclo design-build-test-learn, nel quale progettazione, esecuzione, misurazione e nuova progettazione possono essere coordinate dallo stesso sistema agentico.
La diffusione del nuovo standard coincide inoltre con un forte ampliamento dell’accesso a Claude per la comunità scientifica. Anthropic ha aperto 10.000 posti per ricercatori di tutto il mondo: i principal investigator verificati di istituzioni accademiche o non profit possono creare un piano Claude Team e assegnare al proprio gruppo posti Standard gratuiti oppure posti Premium, con limiti di utilizzo cinque volte superiori, a 15 dollari al mese per un anno.
Parallelamente, il programma AI for Science viene esteso oltre le scienze biologiche. I ricercatori possono richiedere fino a 50.000 dollari di crediti per progetto, compresi lavori ad alta intensità computazionale. Per biologia e chimica si applicano limitazioni specifiche: questi ricercatori possono utilizzare modelli della classe Opus, mentre i modelli Fable continuano a bloccare le richieste professionali riguardanti biologia e sviluppo di farmaci per i possibili rischi dual use.
Anthropic prepara una roadmap per la sicurezza fisica
L’accesso diretto dell’AI all’hardware richiede meccanismi specifici per governare le operazioni eseguibili dai modelli. I sistemi attuali hanno ancora – riconosce Anthropic – capacità limitate di ragionamento spaziale e fisico e in alcuni degli esperimenti descritti è stato necessario l’intervento degli specialisti.
MHS può incorporare direttamente nei driver i limiti operativi delle apparecchiature e le condizioni che devono essere rispettate prima di eseguire un comando. Per determinate azioni possono inoltre essere previsti livelli di autorizzazione che mantengono l’intervento umano all’interno del processo.
Durante la research preview Anthropic intende sviluppare nuove valutazioni dedicate ai sistemi AI che interagiscono con il mondo fisico e una physical safety roadmap. I risultati raccolti in questa fase e le indicazioni per l’impiego sicuro della specifica accompagneranno la futura pubblicazione open source di MHS.
