Anthropic cria padrão para agentes de IA controlarem equipamentos físicos

O anúncio

A Anthropic abriu uma prévia de pesquisa do Model Hardware Standard (MHS), especificação compartilhada para que agentes de IA operem dispositivos físicos com segurança, voltada a um primeiro grupo de laboratórios científicos e fabricantes avançados. O padrão permite que agentes operem em paralelo instrumentos como microscópios, manipuladores de líquidos e braços robóticos, da descoberta de medicamentos à calibração de laser em computador quântico, e nasceu de uma colaboração com o HHMI Janelia Research Campus.

Como integrar hardware costuma levar semanas ou meses - os equipamentos raramente se comunicam e exigem integrações sob medida -, o MHS, segundo a empresa, reduz esse trabalho para horas ou minutos e viabiliza experimentos autônomos e contínuos, com agentes que ajustam parâmetros em tempo real e, em alguns casos, se recuperam de erros sem intervenção. O padrão funciona com qualquer dispositivo programável, é agnóstico de modelo - acessível por protocolos como o Model Context Protocol (MCP) - e será tornado código aberto; a versão atual circula entre parceiros para desenvolver avaliações de segurança e práticas recomendadas.

Como funciona

O núcleo do MHS é um driver padronizado que traduz a comunicação entre o computador e o dispositivo, com primitivas simples como "ler" (obter a temperatura) e "escrever" (definir a temperatura). Ele torna cada equipamento detectável em formato padrão e ajuda o agente a usar aparelhos que nunca viu: o usuário descreve em linguagem natural características ausentes do código, como o peso de um braço robótico, e o driver gera um arquivo de referência com o que o dispositivo mede, o que pode ser ajustado e quais limites de segurança valem.

O controle passa por três mecanismos - MCP, linha de comando e arquivos de código (APIs) - e o agente sequencia etapas, monitora resultados e ajusta parâmetros conforme as condições mudam; para tarefas longas, encadeia comandos em scripts que rodam sem raciocínio a cada passo. Nos testes da Anthropic, o Claude interage com o hardware de forma exploratória, como um cientista.

Resultados iniciais

Na Genentech, o MHS automatizou o ensaio BCA, que mede a concentração de proteína em uma amostra, coordenando um manipulador de líquidos, um braço robótico e um leitor de microplacas. Otimizando a transferência de fluidos, o Claude concluiu que a vazão ideal era de cerca de 140 µL/s para água (RMSE 0,016) e de 10 µL/s para soluções viscosas de BSA (RMSE 0,181), valores considerados razoáveis pelos especialistas. O modelo se recuperou sozinho de erros como falhas ao pegar ponteiras, mas, diante de bolhas na mistura, tentou de novo no mesmo poço e agitou ainda mais o líquido, corrigindo só após orientação humana - para a Genentech, exemplo dos limites atuais dos modelos com restrições físicas.

Na Universidade de Washington, o doutorando Zihao Song conectou seis instrumentos em menos de uma semana e montou um painel de monitoramento remoto, um qPCR supervisionado por agente - que interrompe a reação no momento certo - e uma troca de placas sem colisões entre braço robótico e manipulador de líquidos.

Na Carnegie Mellon, um agente Claude Opus 4.8 rodou experimentos de diluição seriada para curvas de dose-resposta cerca de três vezes mais rápido. A equipe escreveu drivers do zero para um manipulador de líquidos, um braço robótico e um leitor de placas sem API - operado pela interface gráfica - em três computadores com interfaces incompatíveis; a montagem levou cerca de oito horas, contra semanas típicas de um fornecedor. O sistema bloqueou seis falhas induzidas antes de qualquer movimento e, ao rejeitar uma curva mal ajustada (R² < 0,9), repetiu o experimento com faixa de concentração menor e obteve R² > 0,98 sem intervenção humana; os drivers serão públicos.

No HHMI Janelia, o padrão vem acelerando projetos de microscopia, unificando um equipamento que dependia de sete programas de fornecedores diferentes sem interface comum.

Próximos passos

Os casos seguem provas de conceito, com custos de computação a ponderar: a Genentech quer fluxos autônomos de ponta a ponta na descoberta de medicamentos, e a Carnegie Mellon planeja validar o sistema com fármacos reais e definir quando aprovações humanas serão exigidas.