Fino ad oggi, il campo d’azione degli agenti AI era rappresentato da ambienti prettamente informatici: un agente può consultare database, scrivere codice, utilizzare applicazioni, navigare sul Web e orchestrare servizi differenti. Tutti noi, però, sappiamo benissimo che arriverà il “momento Terminator” e Anthropic ha compiuto un grande passo in avanti nel dare il controllo dei robot agli agenti AI tramite il lancio del Model Hardware Standard (MHS), una specifica comune attraverso la quale un agente AI può scoprire, comprendere e controllare dispositivi fisici differenti. Il progetto, nato dalla collaborazione con l’HHMI Janelia Research Campus, è adesso in research preview presso alcuni laboratori scientifici e aziende manifatturiere, ma l’obiettivo finale è di renderlo open source.
Microscopi, bracci robotici, strumenti per la manipolazione di liquidi, sensori e apparati scientifici diventano così risorse che un agente può utilizzare attraverso un'interfaccia facilmente sfruttabile.
La parte più interessante dell'annuncio, però, è che MHS non riguarda Claude in quanto è dichiaratamente model-agnostic: può essere utilizzato da altri modelli e agent framework e supporta protocolli standard come MCP. Anthropic sta quindi proponendo un livello di interoperabilità che potrebbe avere implicazioni ben più ampie dei singoli esperimenti già in corso.
Il problema non è costruire il robot, ma far parlare le macchine
L'automazione industriale esiste da decenni e i laboratori scientifici utilizzano da tempo apparecchiature programmabili. Il problema è che ognuna tende a parlare una lingua diversa. Un braccio robotico possiede una propria interfaccia, un microscopio un'altra, un liquid handler un proprio software e uno strumento di misura magari utilizza ancora un'applicazione proprietaria senza API moderne. Collegare questi mondi non è una passeggiata e automatizzare un laboratorio o un impianto composto da dispositivi differenti richiede settimane se non mesi di lavoro. Se MHS funzionerà come previsto, però, questa fase oggi molto complessa potrebbe ridursi a un’operazione da poche ore.
MHS, infatti, introduce una sorta di driver standardizzato tra agente e macchina. Ogni dispositivo espone un insieme relativamente semplice di primitive, come leggere un valore oppure modificarne un, e il livello MHS descrive ciò che la macchina è in grado di fare, i parametri modificabili e i limiti entro i quali può operare.
Ma per usare correttamente un macchinario industriale non basta conoscere i suoi comandi software. Occorre sapere cose che spesso si trovano in un manuale, in una documentazione locale o, ancora più frequentemente, nella testa delle persone che lo utilizzano ogni giorno. Un agente che controlla un braccio robotico, per esempio, potrebbe aver bisogno di conoscerne peso, caratteristiche fisiche e vincoli operativi per capire come muoverlo senza creare situazioni pericolose. MHS permette di aggiungere queste informazioni attraverso tag descritti anche in linguaggio naturale. L'operatore può inserirli direttamente oppure può essere lo stesso agente a chiedere informazioni sulla configurazione della macchina. Il driver produce quindi un riferimento strutturato che spiega all'AI cosa può misurare il dispositivo, quali parametri può modificare e quali limiti di sicurezza devono essere rispettati. In altre parole, MHS cerca di standardizzare non soltanto come parlare con una macchina, ma anche una parte della conoscenza necessaria per utilizzarla.
Dall'agente che ragiona all'automazione deterministica
Anthropic ha previsto tre modalità principali attraverso le quali l'agente può controllare l'hardware: MCP, command line e API attraverso file di codice. La combinazione è importante perché un LLM non è necessariamente il sistema migliore per controllare direttamente ogni singolo movimento di una macchina. L'agente può ragionare sul problema, osservare il risultato e decidere cosa fare; una volta trovata una procedura efficace, però, può trasformarla in codice deterministico che viene eseguito direttamente.
Anthropic racconta, per esempio, un esperimento nel quale Claude doveva allineare un laser. Il modello modificava il laser, osservava attraverso una telecamera come si era spostato il fascio e utilizzava il risultato per decidere la regolazione successiva. Una volta compresa la procedura, ha generato uno script che permetteva di ripetere l'allineamento senza dover effettuare ogni volta l'intero processo di reasoning. È un modello interessante perché separa ragionamento e controllo real-time: l'AI può scoprire o adattare una procedura, mentre il software tradizionale continua a fare ciò che sa fare meglio, cioè eseguirla in maniera prevedibile.
Uno dei primi test arriva da Genentech, che ha utilizzato MHS per automatizzare un BCA protein assay, procedura impiegata per misurare la concentrazione totale delle proteine in un campione. L'esperimento richiede la collaborazione di tre sistemi differenti: un liquid handler per spostare quantità precise di liquido, un braccio robotico per movimentare le piastre e un plate reader per effettuare le misurazioni ottiche.
Claude ha agito da orchestratore centrale attraverso MHS. In uno degli esperimenti gli è stato chiesto persino di determinare autonomamente la velocità ottimale con cui manipolare liquidi dalle caratteristiche differenti. Il sistema ha eseguito prove, misurato i risultati e modificato i parametri per avvicinarsi a un campione preparato da un esperto.
Accelerazione senza precedenti nella configurazione di un laboratorio
Ancora più significativo per valutare l'impatto sull'integrazione è il test realizzato alla Carnegie Mellon University. I ricercatori hanno collegato un liquid handler, un plate reader, un braccio robotico e alcune telecamere distribuiti su tre computer con interfacce profondamente differenti. C'era persino un plate reader privo di API, che MHS doveva pilotare attraverso la sua interfaccia grafica. Come abbiamo accennato, normalmente un ambiente di questo tipo richiederebbe settimane di engineering. Il gruppo riferisce di avere costruito i driver e il livello di orchestrazione in circa otto ore. Gli esperimenti di diluizione seriale sono stati quindi eseguiti approssimativamente tre volte più velocemente rispetto alla procedura precedente.
Durante i test sono state simulate anche sei condizioni di errore (tra cui una piastra mancante, una telecamera disconnessa e l'attivazione dell'arresto di emergenza) e il sistema ha bloccato correttamente il movimento dei dispositivi in tutti i casi.
Il possibile “MCP delle macchine”
È ancora troppo presto per sapere se MHS riuscirà a diventare uno standard. Anthropic stessa parla esplicitamente di research preview e riconosce limiti importanti.
Gli esperimenti con Genentech, per esempio, hanno mostrato che Claude può recuperare autonomamente da alcuni errori, ma incontra ancora difficoltà quando deve comprendere fenomeni che richiedono intuizione fisica, chimica o biologica. In un caso continuava a modificare i parametri di pipettaggio senza comprendere che il vero problema erano le bolle presenti nel liquido, peggiorando inizialmente la situazione. È un limite tutt'altro che secondario quando l'output del modello non è più una risposta sbagliata sul monitor, ma un braccio robotico che si muove o una macchina che modifica fisicamente un processo.
Ed è probabilmente anche il motivo per cui Anthropic sta distribuendo MHS inizialmente a un numero limitato di partner: oltre a sviluppare lo standard, vuole costruire valutazioni di sicurezza e best practice prima del rilascio open source.