Presentación del estándar de hardware para modelos de IA para operaciones físicas

Anthropic y HHMI Janelia Research Campus han lanzado una versión de prueba de investigación del Estándar de Hardware para Modelos (MHS), una especificación compartida diseñada para permitir que los agentes de IA operen de forma segura dispositivos físicos. La iniciativa tiene como objetivo simplificar la integración de instrumentos de laboratorio y de fabricación, como microscopios, manipuladores de líquidos y brazos robóticos, lo que permite operaciones y tareas complejas en paralelo, como el descubrimiento de fármacos y la calibración de ordenadores cuánticos. El MHS reduce el tiempo de integración de semanas a minutos, proporcionando una interfaz estándar que permite a los agentes de IA interactuar con los dispositivos mediante comandos sencillos como 'leer' y 'escribir'. El controlador MHS, un componente clave del estándar, traduce entre el sistema operativo de una computadora y los dispositivos de hardware, haciendo que cada dispositivo sea descubrible en un formato estándar. Esto permite que los dispositivos y los agentes se comuniquen en redes sin necesidad de programas de traducción personalizados. El controlador también proporciona información sobre las características del dispositivo, como el peso y los límites de seguridad, que pueden escribirse en lenguaje natural o a través de una entrevista con el usuario realizada por un agente de IA. Esta información se utiliza para generar un archivo de referencia que proporciona al agente todo lo necesario para operar el dispositivo. MHS admite tres mecanismos para controlar el hardware: el Protocolo de Contexto del Modelo (MCP), una interfaz de línea de comandos y archivos de código (APIs). Estos funcionan juntos para permitir la orquestación en varios dispositivos mediante una sola línea de código. Una vez que el agente puede controlar los dispositivos, puede recibir datos operativos, supervisar los flujos de trabajo y ajustar los parámetros en tiempo real. Para tareas de larga duración, el agente puede encadenar comandos del controlador en archivos de código, lo que permite que los dispositivos operen de forma independiente. Los primeros adoptantes han informado de mejoras significativas en la eficiencia y la seguridad. Los investigadores de Genentech utilizaron el MHS para automatizar el ensayo de proteínas BCA, mientras que Zihao Song de la Universidad de Washington desarrolló un panel de control para la supervisión remota y un proceso de qPCR supervisado por IA. Los investigadores de la Universidad de Carnegie Mellon ejecutaron experimentos de dilución en serie tres veces más rápido utilizando el MHS. En HHMI Janelia, Virginie Ruetten unificó un montaje de microscopía que anteriormente implicaba siete programas de diferentes proveedores. QuEra, una empresa de computación cuántica, utilizó el MHS para dar a un agente de IA el control de su sistema láser, logrando una tasa de recuperación del 99,3 % para el bloqueo del láser sin intervención humana. También se están integrando los proveedores de hardware y las empresas de software el soporte para MHS en sus equipos. Por ejemplo, Hugging Face está añadiendo soporte para MHS en LeRobot, y Raspberry Pi está habilitando la integración de MHS en varios productos. A pesar de estos éxitos, todavía quedan desafíos, incluida la necesidad de que el MHS funcione con hardware que carece de una interfaz de programación. Los desarrolladores están trabajando con los fabricantes para crear controladores MHS para dichos dispositivos. La iniciativa forma parte de un esfuerzo más amplio para mejorar la seguridad y la supervisión de la IA en entornos físicos. Anthropic está desarrollando un plan de seguridad física para reforzar las salvaguardas contra el uso indebido. La versión de prueba de investigación está abierta a las partes interesadas de todos los sectores, con una lista de espera disponible para la participación. Además, Anthropic está lanzando un programa de subvenciones de 5 millones de dólares para financiar la investigación independiente sobre el impacto de la IA en el bienestar del usuario. La empresa también compartió información sobre su método de marca de agua, abordando las preocupaciones sobre sus efectos en las salidas de Claude. El proyecto MHS comenzó como una colaboración entre Alek Kemeny del equipo de Implementación Beneficiosa de Anthropic y Arco Bast, un científico postdoctoral en HHMI Janelia Research Campus. Bast desarrolló un diccionario de memoria compartido para permitir la comunicación entre instrumentos en sus experimentos de neuroimagen. Kemeny y Bast integraron modelos de IA en esta interfaz, sentando las bases para el MHS. La iniciativa ha recibido contribuciones de numerosos investigadores y desarrolladores, entre ellos Aaron Boswell, Ben Arthur, Boaz Mohar, Gagan Bhat, Mark Kittisopikul, Nadine Yasser, Nick Purcell y Takashi Kawase. Anthropic espera avanzar con el MHS en colaboración con socios de la industria y la comunidad de código abierto.