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

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、最初の科学研究所や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複数の実験・製造機器を並行して制御し、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。

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

従来、研究所や製造施設がハードウェアをセットアップし、システムに統合するには数週間、場合によっては数ヶ月を要しました。多くの機器は互いに通信できず、専門家が個別の連携プログラムを手作業で構築する必要があったのです。MHS はこの統合作業を数時間、あるいは数分に短縮します。さらに、AI をこれらのツールに組み込むことで、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管理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・ロボティクス・電子機器・製造業のパートナーと協力し、物理設備を操作するAIシステム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）の初期バージョンを共有しています。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（model-agnostic）設計であり、どのエージェントハネスでも、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：Model Hardware Standard のページ。

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、すでに課題が多いものです。そこにAIの統合という追加の難易度が加われば、なおさら複雑になります。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いることが多く、これまでそれらを統合するための標準化された方法は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した。

MHS は、これらの課題に対処するために標準化されたドライバーを導入しました。これはコンピューターのオペレーティングシステムとハードウェアデバイスの間で翻訳を行うソフトウェアです。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（基本コマンド）セットを使用します。これにより、あらゆるハードウェアデバイスが理解し、実行することが可能になります。

また、各デバイスを標準形式で検出可能にすることで、デバイス同士やエージェント間がネットワークを越えて互いを見つけ、通信できるようになります。これには、個別の「翻訳」プログラムを介在させる必要がありません。

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い方を理解するのを支援します。コードだけでは判別できない機械の特徴に関する情報を提供するためです（例：ロボットアームの重量。これは安全に操作するために重要な情報です）。これまでのところ、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ー、あるいは暗黙知として保存されてきました。

しかし、MHS ドライバーにはタグ機能が備わっており、ユーザーは自然言語で直接この情報を記述できます（ユーザー自身が行うか、ハードウェア設定についてエージェントにインタビューする形でチャットを通じて行うことができます）。これらのタグから得た情報に基づき、MHS ドライバーは自動的に参照ファイルを生成します。このファイルには、デバイスの一般的な特性に関する情報が含まれており、例えば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などが記載されています。これにより、エージェントがデバイス操作に必要なすべての情報を入手できるようになります。

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 においては、そのための手段として MCP（Model Context Protocol）、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）の 3 つがあります。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にまたがるオーケストレーションが可能になります。

エージェントがデバイスを制御できるようになると、各デバイスから動作データを取得し、作業を高レベルで監視・指揮することが可能になります。エージェントは機器間の手順を順序立てて実行し、結果をモニタリングしながら、状況の変化に応じてリアルタイムでパラメータを調整できます。また、長時間実行されるタスクを実行したり、オンラインでの推論速度よりも速くデバイスを操作したい場合、コードファイル内のドライバーコマンドを 1 つ以上のデバイス間で連鎖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で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、科学者が行う探索的なアプローチに似てい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一連の出来事を理解しようとします。その後、Claude は学習した内容をコードファイルとしてパッケージ化し、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、全体のプロセス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と MHS を活用した取り組みは、まだ始まったばかりです。しかし、私たちはこの規格が、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利用するあらゆる分野において、研究者やエンジニア、そして他の実践者にとって、発見や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サポートすることを確認できました。以下では、パートナー企業から MHS を活用した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 の研究者らは、MHS を Proof of Concept として導入・テストしました。対象は BCA タンパク質アッセイの自動化です。これはサンプル中の総タンパク質濃度を測定する標準的な手順であり、液体ハンドラー、ロボットアーム、プレートリーダーを連携させる必要があります。*

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台へ

ワシントン大学の博士課程学生である Zihao Song 氏は、MHS を活用して実験機器の遠隔監視用ダッシュボードを構築しました。また、標的 DNA 配列を加熱・冷却サイクルで増幅する qPCR（ポリメラーゼ連鎖反応）において、AI エージェントが増幅カーブを監視し、適切なタイミングでプロセスを停止させる仕組みも実現しています。さらに、ロボットアームと液体ハンドラの間で衝突なくプレートを受け渡す統合システムも構築されました。

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、従来の約 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、AI エージェントが液体ハンドラ、プレートリーダー、ロボットアーム、そして互いに根本的に異なるインターフェースを持つ 3 つのコンピューターに配置された監視カメラを統括・調整しています。

HHMI ジェネリア：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、顕微鏡関連プロジェクトのスピードアップを図っています。ここで紹介するのは、Ahrens 研究室に所属し、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 Virginie Ruetten 氏です。彼女は、これまで 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を持たなかった実験装置を、MHS を通じて統合・統括した活用方法を語っています。

QuEra Computing：量子レーザー安定化におけるMHSの活用

中性原子を用いた量子コンピュータを構築する企業QuEraは、MHSを活用してAIエージェントに量子マシン内のレーザーシステムの制御権限を与えました。その結果、開発されたコントローラーは、人間が介入しなくても99.3%の確率でレーザーの「ロック（アトムと相互作用するために維持すべき超精密な周波数）」を回復させることに成功しました。

Tetsuwan Scientific：局所汚染の分析におけるqPCR実行のためのMHS活用

Tetsuwanの研究チームは、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がqPCRワークフローの調整役を果たし、カリフォルニア州サンペドロクリークの汚染状況を特定する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サポートの組み込みを進めています。例えば：

Amazon Web Services (AWS) 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・事前リリース版を提供します。

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、ロボティックアームを用いた MHS の実証実験を実施しています。具体的には、自動化された品質保証タスクの実行や、複数ロボット間のタスク調整などが対象です。

MBF Bioscience は、世界中の数百の神経科学ラボでレーザー走査型顕微鏡を稼働させるソフトウェア「ScanImage」向けに MHS ドライバーの開発を進めています。これにより、AI エージェントをリアルタイムデータ分析や実験プロセスへ統合することが可能になります。

QIAGEN は、核酸精製プラットフォーム「QIAsymphony Connect」上で動作する概念実証（PoC）を通じて、MHS の活用を検証しています。この取り組みでは、AI エージェントが機器トラブルの迅速な特定、オペレーターへの回復手順の誘導、機器稼働率の向上、そして生物試料へのリスク低減にどのように寄与できるかが示されています。

Tecan は、AI エージェントが直接発見・操作できるよう、「Fluent」液体処理プラットフォームへの MHS サポートを追加しています。

ユニバーサル・ロボッツは MHS 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は、まだ多くの作業が必要です。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限界があり、専門家の監督が依然として必要です。例えばタンパク質サンプルの処理においては、Genentech の研究者たちは、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不具合ではなく物理的な失敗であることを Claude に理解させるよう導き、適切な物理的修正を通じてのみ緩和できることを示しました。

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ないため、そのようなデバイスのメーカーと協力して 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 を用いて個別の物理機器を操作しています。MHS の次のフェーズでは、この標準がより多くのデバイスに対応するよう拡張することを期待しています。早期採用者には Hugging Face が含まれており、彼らはロボットライブラリである LeRobot に MHS 対応を追加中です。また Raspberry Pi は、Camera MHS Driver を用いたテストの成功を受け、多数の製品で MHS の統合を可能にしました。

私たちは、研究プレビューを活用して、共同開発パートナーとともに追加の安全性評価を構築し、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。また、誤用のリスクに対処するため、安全対策ポリシーと執行範囲をさらに強化する「物理的安全ロードマップ」の開発を進めています。

MHS（Model Hardware Standard）の研究プレビューをオープンソース化する際には、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得られた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は、MHS の研究プレビューへの参加をお待ちしています。ご関心をお持ちの方は、こちら からご応募ください。

謝辞

MHS は、Anthropic の「Beneficial Deployments チーム」に所属する Alek Kemeny と、HHMI Janelia 研究キャンパスのポスドク研究者である Arco Bast による共同作業から始まりました。Bast は当時、レーザー、モーター式フォーカサー、そして異なるベンダー製の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存在しませんでした。実験を効率化するため、彼は機器同士がメモリー速度で通信できる共有メモリ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。

本プロジェクトに貢献いただいた皆様に心より感謝申し上げます。Aaron Boswell、Ben Arthur、Boaz Mohar、Gagan Bhat、Mark Kittisopikul、Nadine Yasser、Nick Purcell、Takashi Kawase、Virginie Ruetten 氏をはじめとする多くの方々の尽力により、この取り組みは実現しました。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）の発展を推進してまいります。

関連記事

科学者への支援拡大

本日より、世界中の約 10,000 人の科学者が Claude の利用を開始できるようになります。認証された主任研究者は 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を無償で、プレミアムプランを月額 15 ドル（最長 1 年間）で提供可能です。

詳細はこちら

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、500 万ドル規模の助成金プログラムを開始します。

詳細はこちら

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解説します。

詳細はこちら