Anthropic、AI エージェントの物理操作標準「MHS」を研究機関に公開

Anthropic は、AI エージェントが物理デバイスを安全に操作するための共有仕様「Model Hardware Standard（MHS）」の研究プレビューを、最初の科学研究所と高度な製造企業向けに公開しました。MHS を利用すれば、AI エージェントは顕微鏡や液体ハンドラー、ロボットアームといった実験・製造機器を並列で制御し、日常的な創薬実験から量子コンピュータのレーザー校正に至るまで、複雑なタスクを実行できます。

MHS の開発は、Anthropic と HHMI Janelia Research Campus による共同プロジェクトとして始まりました。

通常、研究所や製造施設がハードウェアのセットアップと統合を行うには数週間、場合によっては数ヶ月を要します。多くの機器は互いに通信しておらず、専門家が個別に統合プログラムを開発する必要があります。MHS はこの作業を数時間、あるいは数分に短縮します。さらに、これらのツールに AI を組み込むことで、研究者やエンジニアは自律的な 24 時間稼働の実験やワークフローを容易に調整できるようになります。エージェントは実験の各ステップを推論し、パラメータをリアルタイムで更新し、場合によっては人間の介入なしにハードウェアのエラーから回復することも可能です。

私たちは、科学・ロボット工学・電子機器・製造業のパートナーと協力し、AI システムが物理的な設備を操作する際の安全性評価やベストプラクティスの策定を進めるため、MHS（Model Hardware Standard）の初期版を共有しています。この標準化は、オープンソース化する前に実施されるものです。

MHS は、プログラム可能なインターフェースを持つあらゆるデバイスと連携します。また、特定のモデルに依存しない設計であり、どのエージェント・ハネスも Model Context Protocol などの標準プロトコルを通じてアクセス可能です。研究プレビューへのアクセスを希望される方は、こちらから申請してください。

MHS の仕組み

*Model Hardware Standard (MHS) の導入前と導入後*

実験室や工場内で複数のデバイス同士を通信させることは、AI を組み込むという追加の難易度を考慮すればなおさら困難です。各デバイスは独自のプログラミングインターフェースを持っており、これらを統合するための標準化された方法はこれまで存在しませんでした。さらに、デバイスが接続されたとしても、AI エージェントとデータを共有する共通の方法や、エージェントが安全に操作を行うための仕組みも欠けています。

MHS は、標準化されたドライバー（OS とハードウェアデバイスの間で通信を仲介するソフトウェア）を導入することでこれらの課題に対処します。この MHS ドライバーは、「読み取り」（例：温度の取得）や「書き込み」（例：温度の設定）といった単純なプリミティブ命令セットを使用し、あらゆるハードウェアデバイスが理解して実行できるように設計されています。また、各デバイスを標準形式で検出可能にするため、専用の中継プログラムを介さなくても、デバイス同士やエージェント間でネットワーク越しに相互発見と通信が可能になります。

MHS ドライバーはさらに、AI エージェントがこれまで見たことのないデバイスの使用方法を理解する手助けもします。コードだけでは判別できない機械の特性（例えば、ロボットアームの重量など）に関する情報を提供し、安全な操作に必要な知識を与えます。従来、こうした情報は紙のマニュアルやユーザーのコンピュータ内に保存されていたか、暗黙知として存在していました。しかし MHS ドライバーにはタグ機能があり、ユーザーは自然言語で直接この情報を記述できます。ユーザー自身で記述するか、ハードウェア構成についてエージェントにインタビュー形式で対話しながら入力することも可能です。

これらのタグから得た情報をもとに、MHS ドライバーは自動的に参照ファイルを生成します。そのファイルには、デバイスの測定可能な項目や調整可能なパラメータ、適用される安全制限といった一般的な特性に関する情報が含まれています。このファイルにより、エージェントはデバイスを操作するために必要なすべての情報を入手できます。

デバイスが接続され、エージェントがそれぞれの使い方を理解した後は、ハードウェアを制御する仕組みが必要です。MHS では主に 3 つの制御方法があります。それは MCP、コマンドラインインターフェース、そしてコードファイル（API）です。これらを組み合わせることで、単一のコード行で複数のデバイスを統括・連携させることが可能になります。

デバイス制御が可能になれば、エージェントは各機器から運用データを取得し、全体の流れを監視・指示できるようになります。手順を装置間で順序立てて実行したり、結果をモニタリングしたり、状況の変化に応じてリアルタイムでパラメータを調整したりできます。また、長時間実行されるタスクを実行する場合や、オンラインでの推論速度では対応できないほど高速にデバイスを動かす必要がある場合は、コードファイル内のドライバコマンドを複数つなげて連携させることができます。これにより、エージェントが各ステップごとに推論を行う必要なく、デバイス側で直接操作を実行できるようになります。

MHS のテストを通じて、Claude が実験やハードウェアと接する様子は、まるで科学者が探求するかのような探索的なアプローチであることがわかりました。例えば、Claude はレーザーの調整を行い、カメラを通じてその結果を観察してビームがどのように移動したかを評価し、プロセスを繰り返しながら現象の因果関係を理解しようとします。そして、学習した内容をコードファイルにまとめ、各ステップで推論を行うことなくレーザーを整合させる決定論的なスクリプトを作成しました。これにより、一連のプロセス全体を単一のコマンドとして実行できるようになりました。

MHS の初期事例

フロンティアモデルや MHS を活用した人々の取り組みはまだ始まったばかりですが、我々はこの標準規格が、プログラム可能なインターフェースを備えたデバイスを用いるあらゆる分野において、研究者、エンジニア、および他の実践者にとって、発見と実験のプロセスを加速させるのに役立つことを願っています。

MHS の開発にあたり、バイオテクノロジー、ロボティクス、量子コンピューティングなどの分野にある数々のラボやハードウェアメーカーと情報を共有しました。これらの初期プロジェクトを通じて、MHS がデバイスの統合にかかる時間を短縮し、多様な実験環境でより迅速なイテレーションを可能にし、機械のライブ運用やリアルタイムでの故障検出を支援することを確認できました。以下に、パートナー企業から MHS を活用した一部の初期プロジェクトの詳細をご紹介します。

Genentech: ラボ自動化における MHS の実装

*Genentech の研究者たちは、MHS を Proof-of-Concept として実装・検証しました。これは試料中の総タンパク質濃度を測定する標準手順である BCA タンパク質アッセイの自動化を目的としたものです。この作業には、液体ハンドラー、ロボットアーム、プレートリーダー間での調整が必要となります。*

ワシントン大学 Baker 研究室と Pinglay 研究室：AI エージェントを実験室へ

ワシントン大学の博士課程学生、Zihao Song 氏は MHS を活用し、機器を遠隔で監視するダッシュボードの構築に成功しました。また、標的 DNA 配列を加熱・冷却サイクルを繰り返して複製する qPCR において、増幅カーブを監視し適切なタイミングで実験を停止させる AI エージェントによる制御や、ロボットアームと液体ハンドラーを連携させてプレート受け渡し時の衝突を防ぐ統合システムも実現しています。

カーネギーメロン大学：高速自動化による用量反応曲線の特定

カーネギーメロン大学の研究者らは、MHS を用いることで、以前よりも約 3 倍の速度でシリアル希釈を用いた用量反応実験を遂行しました。このシステムでは、互いに根本的に異なるインターフェースを持つ液体ハンドラー、プレートリーダー、ロボットアーム、監視カメラといった機器を、3 つのコンピュータに分散配置された AI エージェントが統括・調整しています。

HHMI Janelia：MHS を活用した顕微鏡研究の加速

HHMI ジェネリア研究キャンパスでは、研究者らが MHS を用いて、顕微鏡関連の多様なプロジェクトを加速させています。ここでは、睡眠がストレスからの回復にどう寄与するかを研究する Ahrens 研究室の科学者、Virginie Ruetten 氏が、MHS を活用して以前は 7 つの異なるベンダープログラムが存在し共通インターフェースもなかった実験装置を統合・統括した方法について語っています。

QuEra Computing：MHS を用いた量子レーザーの安定化

中性原子を用いて量子コンピュータを構築する企業 QuEra は、MHS（Model Hardware Standard）を活用し、同社の量子マシン内部にあるレーザーシステムの一部を AI エージェントが制御できるようにしました。このエージェントが開発したコントローラーは、人間による介入なしに、原子と相互作用するためにレーザーが維持しなければならない超精密な周波数である「ロック」状態を 99.3% の確率で回復させることに成功しています。

Tetsuwan Scientific：MHS を用いた qPCR による地域汚染の分析

Tetsuwan の研究者らは、MHS を自動化された生物学ラボプラットフォーム「ResearchOS」と統合しました。これにより MHS は qPCR ワークフローを調整し、カリフォルニア州サンペドロクリークの汚染特性を解明するための市民科学プロジェクトに貢献しています。

01 /

06

ハードウェアベンダーやそれを支えるソフトウェア企業も、AI エージェントがより容易にデバイスを検出し操作できるよう、自社の機器に MHS サポートを組み込み始めています。例えば：

Amazon Web Services は、AI エージェントを物理デバイスに接続するためのライブラリ「Strands Robots」を通じて MHS のサポートを開始します。AWS は、MHS リサーチプレビュー期間中、参加企業に対して Strands Robots パッケージの非公開ベータ版を提供します。

Automata は、自律型ラボにおける機器のインテリジェントなエラーハンドリングを実現するため、同社のラボ自動化プラットフォーム「LINQ」への MHS サポート追加を進めています。

Danaher と Anthropic は、MHS 対応機能によってスマート機器や自律型ラボがどのようにバイオメディカル研究開発のスケーラビリティを向上させるかについて、積極的に検討を進めています。

Doosan Robotics は、ロボットアームを用いた自動品質保証の実行や、複数ロボット間のタスク調整などにおいて MHS のテストを実施しています。

MBF Bioscience は、世界中の数百の神経科学ラボでレーザー走査顕微鏡を制御するソフトウェア「ScanImage」向けに MHS ドライバーを開発中であり、これにより AI エージェントがリアルタイムデータ分析や実験プロセスに統合されるようになります。

QIAGEN は、核酸精製プラットフォーム「QIAsymphony Connect」上で MHS を活用した実証概念（PoC）を構築しており、AI エージェントが機器トラブルの迅速な特定やオペレーターへの回復手順の案内、機器稼働率の向上、生体試料へのリスク低減にどのように寄与できるかを実証しています。

Tecan は、AI エージェントが直接発見・操作可能な「Fluent」液体処理プラットフォーム向けに MHS サポートを追加しています。

ユニバーサル・ロボッツ社は、MHS（Model Hardware Standard）への早期アクセス権を得ており、自社のロボットプラットフォームへの対応を計画しています。

研究プレビューへの参加

パートナー企業から得られたこれらの初期結果は励みになりますが、標準化されたものをオープンソース化する前に、まだ取り組むべき課題が残っています。大規模言語モデルである Claude はテキストや画像を通じて物理世界を学習するため、空間認識や物理推論には依然として限界があり、専門家の監督が必要です。例えば、Genentech の研究者らはタンパク質サンプルの処理において、サンプル内の発泡によって生じるエラーがソフトウェアのバグではなく物理的な故障であることを Claude に認識させるよう導く必要がありました。そして、その問題は適切な物理的修正を通じてのみ緩和できることを理解させました。

また、MHS はまだプログラミングインターフェースを持たないハードウェアとは連携していません。そのため、そのようなデバイスの製造元と協力し、MHS ドライバーの組み込みを進めています。多くの開発者はすでに Claude Code を活用して個別の物理機器を制御しています。次の段階では、この標準がより多くのデバイスに対応するよう拡大することを目指します。初期採用者には、ロボット用ライブラリ「LeRobot」に MHS 対応を追加している Hugging Face や、カメラ向け MHS ドライバーのテスト成功を受け、複数の製品で MHS 統合を可能にした Raspberry Pi が含まれています。

また、研究プレビューを活用して、共同開発パートナーと連携し、追加の安全性評価を構築するとともに、物理世界における AI の利用に対する保護を強化していきます。私たちは、誤用のリスクに対処するためのセーフガード政策と執行範囲をさらに強化する「物理的安全性ロードマップ」の開発を進めています。MHS（Model Hardware Standard）をオープンソース化した際には、この標準を安全に導入するためのガイダンスとして、研究プレビューからの知見も併せて公開します。

業界のステークホルダーの皆様に対し、MHS の研究プレビューへの参加を呼びかけます。ご関心をお持ちの方は、こちらから興味をお知らせください。

謝辞

MHS は、Anthropic の「有益な導入チーム（Beneficial Deployments team）」の Alek Kemeny と、HHMI ジェネリア研究キャンパスのポスドク研究者である Arco Bast による協働から始まりました。Bast は、異なるベンダー製のレーザー、モーター式フォーカサー、専用カメラを組み合わせた装置で複雑な脳イメージング実験を行っており、これらには共通のインターフェースがありませんでした。実験を加速させるため、彼はメモリ速度で機器同士が通信できる共有メモリの辞書を開発しました。Kemeny と Bast は協力して、AI モデルをこのインターフェースに統合しました。

本稿の作成に貢献いただいた方々、Aaron Boswell 氏、Ben Arthur 氏、Boaz Mohar 氏、Gagan Bhat 氏、Mark Kittisopikul 氏、Nadine Yasser 氏、Nick Purcell 氏、Takashi Kawase 氏、Virginie Ruetten 氏をはじめとするすべての方々に感謝いたします。今後は業界パートナーと共に、そして間もなくオープンソースコミュニティとも連携し、MHS（Model Hardware Standard）の推進を進めていく所存です。

関連コンテンツ

科学者への支援拡大

本日より、世界中の 10,000 人の科学者が Claude の利用を無料で開始できるようになります。認定された責任研究者は Claude Team サブスクリプションプランの対象となり、研究チームのメンバーには標準プランの席を無償で割り当てたり、月額 15 ドルのプレミアムプランの席を追加したりできます（最長 1 年間）。

続きを読む

AI のウェルビーイングへの影響評価の強化

AI がユーザーのウェルビーイングに与える影響について、独立した研究を支援するための 500 万ドル規模の助成金プログラムを開始します。

続きを読む

Claude のテキストウォーターマークの仕組み

本記事では、採用しているウォーターマーク手法の仕組みや、Claude の出力への影響の有無、そしてこの変更を行った理由など、これまでいただいた質問に対する回答を共有します。

続きを読む