Claude учится управлять лабораторным оборудованием

Представь лабораторию, где десятки приборов — микроскопы, дозаторы жидкостей, роботизированные руки, ридеры планшетов — не умеют говорить друг с другом. Каждый прибор — со своим протоколом, своей документацией (часто бумажной), своими странностями. Чтобы связать их в единый рабочий процесс, нужен специалист-инженер, который недели, а то и месяцы пишет «переводчики» между устройствами. Anthropic решила закрыть этот разрыв и представила Model Hardware Standard (MHS) — общий стандарт, который позволяет AI-агентам безопасно управлять физическим оборудованием.

Пока доступ к MHS открыт только для первой группы научных лабораторий и производителей — это исследовательский препринт, а не публичный релиз. Разработка стандарта началась как совместный проект Anthropic и HHMI Janelia Research Campus, известного научно-исследовательского центра. Цель — дать агентам возможность параллельно управлять несколькими приборами и выполнять сложные задачи: от рутинных экспериментов по поиску лекарств до калибровки лазера в квантовом компьютере.

Зачем нужен ещё один стандарт

Проблема, которую решает MHS, звучит просьби, но на практике убийственно затратна. У каждого прибора — свой программный интерфейс, и до сих пор не было единого способа их объединить. Даже если устройства технически подключены друг к другу, нет общего языка, на котором они могли бы делиться данными с AI-агентом или позволить ему безопасно ими управлять.

MHS вводит стандартизированный драйвер — программу-переводчик между операционной системой компьютера и железом. В основе — простой набор команд: «прочитать» (например, «узнать температуру») и «записать» (например, «установить температуру»). Любое устройство с программируемым интерфейсом может понять такие команды. А ещё каждый прибор становится «видимым» в стандартном формате, так что устройства и агенты находят друг друга в сети без отдельного переводчика между ними.

Как агент узнаёт, что перед ним за прибор

Одна из главных проблем — агент никогда прежде не видел конкретный микроскоп или роборуку и не знает, например, сколько весит манипулятор и как его аккуратно двигать, чтобы не сломать. Раньше эта информация жила в бумажных инструкциях, в head специалиста или просто нигде. MHS-драйвер решает это через теги, куда пользователь (или Claude, который сам его об этом «интервьюирует») вписывает характеристики прибора на обычном естественном языке.

На основе этих тегов драйвер автоматически формирует референс-файл: что прибор может измерять, что можно регулировать, какие пределы безопасности заложены. Этот файл — всё, что нужно агенту, чтобы понять, как обращаться с устройством, даже если он видит его в первый раз.

Три способа управления и «исследовательский» стиль Claude

После того как устройства подключены, у агента есть три механизма управления: протокол MCP, интерфейс командной строки и API-код. Все три работают вместе, позволяя оркестровать сразу несколько приборов одной строкой кода. Агент может следить за данными с каждого устройства, супервизировать процесс на высоком уровне, выстраивать последовательность шагов между инструментами и подстраивать параметры в реальном времени.

Когда задача требует долгих операций или скорости, недостижимой при пошаговом рассуждении «онлайн», агент упаковывает набор команд драйвера в код — детерминированный скрипт, который приборы выполняют сами, без постоянного участия модели. В тестах Anthropic заметили, что Claude ведёт себя как настоящий экспериментатор: например, он подстраивал лазер, смотрел через камеру, как сдвинулся луч, и повторял процесс, пока не понял закономерность — а затем упаковал этот навык в скрипт, который выравнивает лазер одной командой, без пошаговых рассуждений.

Первые партнёры: биотех, робототехника, квантовые вычисления

Anthropic поделилась ранней версией MHS с партнёрами из науки, робототехники, электроники и промышленности — чтобы вместе строить проверки безопасности и лучшие практики до того, как стандарт станет открытым (open source). Уже на этом раннем этапе видно: MHS сокращает время интеграции приборов, ускоряет итерации в экспериментах и помогает в живом управлении оборудованием и обнаружении сбоев в реальном времени.

Один из самых подробных публичных кейсов — эксперимент компании Genentech, полвека занимающейся разработкой лекарств (именно там в 1977 году впервые синтезировали пептидный гормон соматостатин в бактериях E. coli, а в 1982-м получили первый одобренный FDA генно-инженерный препарат — рекомбинантный человеческий инсулин).

Кейс Genentech: автоматизация анализа белка

Инженеры Genentech протестировали MHS на протоколе BCA-анализа — стандартной процедуре измерения концентрации белка в образце. Она требует координации трёх приборов: жидкостного дозатора, роботизированной руки и ридера микропланшетов. Claude выступил центральным узлом оркестрации, управляя всеми тремя устройствами через MHS в стандартных 96-луночных планшетах.

Задача была нетривиальной: жидкости в тесте ведут себя по-разному — от простых водных растворов до вязкой, пенящейся белковой суспензии (бычьего сывороточного альбумина, BSA). Чтобы точно дозировать такие жидкости, нужно подбирать скорость потока индивидуально для каждого типа раствора — при слишком высокой скорости вязкая жидкость образует пузырьки и портит измерения.

Что получилось — и где Claude ошибался

Сначала Claude выполнил стандартный протокол с одинаковой скоростью потока для воды и вязкого BSA — и получил пузырьки и неточную дозировку. Тогда исследователи попросили модель самостоятельно оптимизировать параметры: провести пробные переливания с окрашенной жидкостью, измерить результат ридером и сравнить со «эталонным» переливанием, выполненным экспертом-человеком. Точность оценивалась через RMSE (среднеквадратичную ошибку) — чем ближе к нулю, тем лучше совпадение с эталоном.

Эти параметры автоматизаторы-эксперты Genentech подтвердили как разумные для своей установки — обычно такую оптимизацию делает специалист, вручную пишущий код под каждый набор параметров. Во время эксперимента Claude сталкивался с ошибками захвата наконечника пипетки и сбоями детекции жидкости — и в некоторых случаях самостоятельно восстанавливался после сбоя без участия человека.

Но были и провалы: когда возникали ошибки из-за пузырьков при перемешивании, первым инстинктом Claude было просто повторить операцию с другими параметрами в той же лунке — что только сильнее взбалтывало жидкость и создавало новые пузыри. Модель не понимала физику сбоя, пока ей явно не объяснили: нужно перейти в чистую лунку и уменьшить число циклов перемешивания. После этого Claude удержал этот контекст до конца прогона, а команда закодировала этот вывод в переиспользуемый «навык» для будущих запусков.

Куда движется эта история

Genentech планирует использовать Claude и MHS для оркестрации более широких сквозных автономных рабочих процессов в лабораториях по разработке лекарств — с идеей построить «двигатель автономного открытия», где учёные задают цель на высоком уровне, а рутинную механику эксперимента берёт на себя AI. Это перекликается с общей логией автоматизации, о которой мы писали в материале про AI-native SDLC — только вместо разработки софта здесь роботизированное железо и физическая химия.

Пока MHS остаётся ранним препринтом с ограниченным доступом, но направление понятно: стандартизация связи между агентами и физическим миром может резко ускорить исследования там, где раньше упирались в недели интеграции оборудования. Если тебе интересно, как AI меняет рутину аналитиков и инженеров уже сегодня, посмотри бесплатный курс дорожная карта из 8 курсов — там есть шаги от простого использования Claude до автоматизации сложных процессов.

Частые вопросы

Если хочешь попробовать всё это руками — начни с бесплатного курса «Claude с нуля».