Model Hardware Standard (MHS) არის ახალი სტანდარტი, რომელიც ხელოვნური ინტელექტის აგენტებს ფიზიკური მოწყობილობების უსაფრთხოდ მართვის საშუალებას აძლევს. Anthropic-მა გამოაცხადა, რომ Model Hardware Standard-ის კვლევითი პრევიუ პირველი ჯგუფისთვის გაიხსნა: სამეცნიერო ლაბორატორიებისა და მოწინავე წარმოების კომპანიებისთვის.
სარჩევი
სტანდარტი აგენტს საშუალებას აძლევს პარალელურად მართოს რამდენიმე ლაბორატორიული და საწარმოო ხელსაწყო – მიკროსკოპები, სითხის დამმუშავებლები, რობოტული მკლავები – და შეასრულოს ისეთი ამოცანები, როგორიცაა რუტინული ექსპერიმენტები წამლების აღმოჩენაში ან ლაზერის კალიბრაცია კვანტურ კომპიუტერში.
Model Hardware Standard-ის განვითარება Anthropic-ისა და HHMI Janelia Research Campus-ის თანამშრომლობით დაიწყო.
რა პრობლემას წყვეტს Model Hardware Standard
ლაბორატორიას ან საწარმოო ობიექტს ტექნიკის დაყენება და ინტეგრაცია ჩვეულებრივ კვირები, ზოგჯერ თვეები სჭირდება. მოწყობილობების უმეტესობა ერთმანეთს არ ესაუბრება და თითოეული კავშირისთვის სპეციალისტს ცალკე ინტეგრაცია უწევს აწყობა.
Anthropic-ის თქმით, Model Hardware Standard ამ სამუშაოს საათებამდე ან წუთებამდე ამცირებს. ამასთან, სტანდარტი აადვილებს ავტონომიური, მთელი დღე-ღამის განმავლობაში მიმდინარე ექსპერიმენტების ორგანიზებას: აგენტს შეუძლია გაიაზროს ექსპერიმენტის თითოეული ნაბიჯი, რეალურ დროში შეცვალოს პარამეტრები და ზოგ შემთხვევაში ჩარევის გარეშე აღდგეს ტექნიკურ შეცდომებს.
MHS მუშაობს ნებისმიერ მოწყობილობასთან, რომელსაც პროგრამირებადი ინტერფეისი აქვს. სტანდარტი მოდელისგან დამოუკიდებელია და ნებისმიერ აგენტურ გარსს შეუძლია მასთან წვდომა სტანდარტული პროტოკოლებით, მაგალითად Model Context Protocol-ით.
როგორ მუშაობს Model Hardware Standard
სტანდარტიზებული დრაივერი
Model Hardware Standard-ის საფუძველი სტანდარტიზებული დრაივერია – პროგრამა, რომელიც კომპიუტერის ოპერაციულ სისტემასა და მოწყობილობას შორის თარგმნის. დრაივერი მარტივ პრიმიტივებს იყენებს: ბრძანებებს ტიპის “read” (მაგალითად, “მიიღე ტემპერატურა”) და “write” (მაგალითად, “დააყენე ტემპერატურა”), რომელთა შესრულებაც ნებისმიერ მოწყობილობას შეუძლია.
თითოეული მოწყობილობა სტანდარტულ ფორმატში ხდება აღმოჩენადი, ასე რომ ხელსაწყოები და აგენტები ერთმანეთს ქსელში პოულობენ შუალედური “თარჯიმანი” პროგრამის გარეშე.
ინფორმაცია ბუნებრივ ენაზე
დრაივერი აგენტს ეხმარება გაერკვეს იმ მოწყობილობაშიც, რომელიც აქამდე არასდროს უნახავს. ის ინახავს მახასიათებლებს, რომლებიც კოდიდან არ ჩანს – მაგალითად რობოტული მკლავის წონას, რაც უსაფრთხო მანიპულაციისთვის აუცილებელია.
ასეთი ინფორმაცია აქამდე ქაღალდის ინსტრუქციებში, მომხმარებლის კომპიუტერში ან უბრალოდ ადამიანების გამოცდილებაში იყო მიმოფანტული. MHS-ის დრაივერს აქვს ტეგები, რომლებშიც ეს მონაცემები პირდაპირ ბუნებრივ ენაზე იწერება – მომხმარებელს შეუძლია თავად ჩაწეროს ან აგენტს მისცეს ინტერვიუ საკუთარი ტექნიკის შესახებ. შემდეგ დრაივერი ავტომატურად ქმნის საცნობარო ფაილს: რის გაზომვა შეუძლია მოწყობილობას, რის შეცვლა შეიძლება და რა უსაფრთხოების ლიმიტები იმოქმედებს.
მართვის სამი მექანიზმი
როცა მოწყობილობები დაკავშირებულია, აგენტს მათი მართვის სამი გზა აქვს: MCP, ბრძანების სტრიქონის ინტერფეისი და კოდის ფაილები (API-ები). ერთად ისინი საშუალებას იძლევა, რამდენიმე მოწყობილობის ორკესტრირება ერთი ხაზი კოდით მოხდეს.
გრძელი ან სწრაფი ოპერაციებისთვის აგენტს შეუძლია დრაივერის ბრძანებები კოდის ფაილებში გააერთიანოს, რომ მოწყობილობებმა თავად შეასრულონ სამუშაო და აგენტს ყოველ ნაბიჯზე მსჯელობა აღარ დასჭირდეს.
ტესტირებისას Anthropic-მა შენიშნა, რომ Claude ექსპერიმენტს მკვლევრის მსგავსად, საძიებო რეჟიმში უდგება: მაგალითად, ცვლიდა ლაზერის პარამეტრს, კამერით აკვირდებოდა შედეგს და იმეორებდა პროცესს, სანამ თანმიმდევრობას გაიგებდა. შემდეგ ნასწავლი დეტერმინისტულ სკრიპტად შეფუთა, რომ ლაზერის გასწორება ერთი ბრძანებით მომხდარიყო.
პარტნიორების ადრეული შედეგები
Genentech: ლაბორატორიის ავტომატიზაცია
Genentech-ის მკვლევრებმა MHS BCA პროტეინის ანალიზის ავტომატიზაციისთვის გამოსცადეს – ეს პროცედურა ნიმუშში ცილის საერთო კონცენტრაციას ზომავს და სამ ხელსაწყოს შორის კოორდინაციას მოითხოვს: სითხის დამმუშავებელი, რობოტული მკლავი და პლანშეტის წამკითხველი.
Claude-მა დამოუკიდებლად მოახდინა სითხის გადატანის ნაკადის ოპტიმიზაცია: წყლისთვის დაასკვნა, რომ ოპტიმალურია დაახლოებით 140 მკლ/წმ (RMSE 0.016), ხოლო ბლანტი BSA ხსნარისთვის 10 მკლ/წმ (RMSE 0.181). კომპანიის ავტომატიზაციის ექსპერტებმა ეს პარამეტრები გონივრულად შეაფასეს.
ექსპერიმენტმა ლიმიტებიც აჩვენა. როცა შეცდომა ბუშტუკებმა გამოიწვია, Claude-ის პირველი რეაქცია იმავე ჭაბურღილში ოპერაციის გამეორება იყო, რაც სითხეს კიდევ უფრო ამღვრევდა. მას შემდეგ, რაც მოდელს აუხსნეს, რომ პრობლემა ფიზიკურია და სუფთა ჭაბურღილზე გადასვლა სჭირდებოდა, მან ეს კონტექსტი მთელი გაშვების განმავლობაში შეინარჩუნა.
University of Washington: ინსტრუმენტები ერთ დაფაზე
University of Washington-ის Baker-ისა და Pinglay-ის ლაბორატორიების დოქტორანტმა ზიჰაო სონგმა MHS-ით ააწყო დაფა ინსტრუმენტების დისტანციური მონიტორინგისთვის, აგენტის მიერ ზედამხედველობადი qPCR, რომელიც ამპლიფიკაციის მრუდს აკვირდება და საჭირო მომენტში აჩერებს პროცედურას, და რობოტული მკლავისა და სითხის დამმუშავებლის ინტეგრაცია პლანშეტების უსაფრთხო გადაცემისთვის.
მისივე თქმით, ექვსი ინსტრუმენტის დაკავშირებას Model Hardware Standard ერთ კვირაზე ნაკლები დასჭირდა, დრაივერების დაწერის ჩათვლით.
Carnegie Mellon University: სამჯერ სწრაფი დოზა-პასუხის მრუდები
Carnegie Mellon University-ის მკვლევრებმა MHS სერიული განზავების ექსპერიმენტებში გამოიყენეს და ისინი დაახლოებით სამჯერ სწრაფად ჩაატარეს. აგენტი მართავდა სითხის დამმუშავებელს, პლანშეტის წამკითხველს, რობოტულ მკლავს და სამ სხვადასხვა კომპიუტერზე გაბნეულ სამეთვალყურეო კამერებს.
დრაივერების ნულიდან დაწერასა და ორკესტრირების ფენის აწყობას დაახლოებით რვა საათი დასჭირდა, მაშინ როცა მომწოდებლის მიერ აწყობილი სისტემა ჩვეულებრივ რამდენიმე კვირას მოითხოვს.
უსაფრთხოების შესამოწმებლად გუნდმა ხელოვნურად შექმნა ექვსი პრობლემური მდგომარეობა: აკლდა პლანშეტი, პლანშეტი შებრუნებული იყო, წამკითხველი დაკავებული, კამერა გამორთული, მოწყობილობა მიუწვდომელი და ავარიული გაჩერება აქტიური. სისტემამ ექვსივე შემთხვევა დაბლოკა მოწყობილობის მოძრაობამდე. პირველი გაშვების მრუდი მოდელმა თავად დაიწუნა (R² < 0.9) და ახალ პლანშეტზე შევიწროებული კონცენტრაციის დიაპაზონით გაუშვა - მეორე ჯერზე შედეგი ადამიანის ჩარევის გარეშე მიიღეს (R² > 0.98).
HHMI Janelia: მიკროსკოპია ერთი ინტერფეისით
HHMI Janelia-ს მკვლევარი ვირჟინი რუტენი ძილს სწავლობს ზებრათევზებზე. მისი დანადგარი შვიდ სხვადასხვა მომწოდებლის პროგრამას აერთიანებდა საერთო ინტერფეისის გარეშე – დეტექტორები MATLAB-ში მუშაობდა, კამერები Python-ში, ელექტროფიზიოლოგია C#-ში.
MHS-ის დანერგვის შემდეგ ექსპერიმენტის დაწყება შვიდი ცალკეული ნაბიჯის ნაცვლად ერთი დაწკაპუნებით ხდება, ახალი კამერის დამატებას კი, რაც ადრე მრავალდღიანი პროექტი იყო, რამდენიმე წუთი დასჭირდა.
QuEra Computing: ლაზერის სტაბილიზაცია კვანტურ კომპიუტერში
QuEra-მ, რომელიც ნეიტრალურ ატომებზე დაფუძნებულ კვანტურ კომპიუტერებს აწყობს, MHS-ით აგენტს ლაზერული სისტემის ნაწილზე კონტროლი გადასცა. ლაზერმა სიხშირე დაახლოებით ტრილიონიდან ერთი ნაწილის სიზუსტით უნდა შეინარჩუნოს, წინააღმდეგ შემთხვევაში კვანტური ოპერაციები ფუჭდება.
MHS-მდე კომპანიის სპეციალისტების ჯგუფმა თვეები დახარჯა სპეციალურ სკრიპტზე, რომელიც შემთხვევათა დაახლოებით 58%-ში მუშაობდა და ერთ მცდელობაზე დაახლოებით 150 წამს ხარჯავდა. ღამის განმავლობაში მიმდინარე ავტომატური ციკლის შემდეგ, სადაც Claude-ის ოთხი ცალკეული ინსტანცია ჰიპოთეზას აყენებდა, კოდს წერდა, უშვებდა და შედეგებს აანალიზებდა, აღდგენა ექვს წამამდე შემცირდა.
დასრულებული სკრიპტის დამოუკიდებელ ტესტში 700 ცდიდან 695 წარმატებული აღმოჩნდა – 99.3%. ყველაზე რთულ შემთხვევებს 10-14 წამი დასჭირდა, მაშინ როცა ადამიან-ოპერატორს ეს 5-10 წუთი სჭირდება.
ცალკე ექსპერიმენტში Claude-მა სერვო მარყუჟის 12 პარამეტრი მოარგო: სპეციალისტის მიერ დაყენებული 15.7 მვ ნარჩენი ცდომილება 1.55 მვ-მდე დაიყვანა. 19-საათიან გაშვებაზე მისმა პარამეტრებმა ჩაკეტვა არცერთხელ არ დაკარგა, ექსპერტის დაყენებული პარამეტრები კი საათში დაახლოებით 1.6-ჯერ იშლებოდა.
Tetsuwan Scientific: qPCR დაბინძურების კვლევაში
Tetsuwan Scientific-მა MHS თავის ავტომატიზებულ პლატფორმა ResearchOS-თან გააერთიანა და qPCR სამუშაო ნაკადი კალიფორნიის San Pedro Creek-ის დაბინძურების შესასწავლ სამოქალაქო-სამეცნიერო პროექტში გამოიყენა.
ერთ შემთხვევაში კამერამ ბუშტუკები აღმოაჩინა რეაგენტში. ResearchOS-მა MHS-ით დაასკანერა ლაბორატორია თავსებადი მოწყობილობის საპოვნელად და Claude-მა Slack-ით შესთავაზა გამოსავალი: სინჯარა ცენტრიფუგაში გადაეტანათ და დაბალ ბრუნზე მოკლედ დაეტრიალებინათ. შემდეგ მან შესაბამისი ბრძანებები თავად გაუშვა.
წინასწარმა მონაცემებმა დაადასტურა San Pedro Creek Watershed Coalition-ის დასკვნა, რომ ნაკადულის ფეკალური დაბინძურების მთავარი წყარო ადამიანია.
რომელი მწარმოებლები უერთდებიან MHS-ს
ტექნიკის მწარმოებლები და მათი პროგრამული უზრუნველყოფის პარტნიორები უკვე ამატებენ MHS-ის მხარდაჭერას, რომ აგენტებმა მოწყობილობები უფრო მარტივად აღმოაჩინონ და მართონ:
- Amazon Web Services – MHS-ის მხარდაჭერა Strands Robots-ის ბიბლიოთეკაში
- Automata – MHS-ის ინტეგრაცია ლაბორატორიული ავტომატიზაციის პლატფორმა LINQ-ში
- Danaher – ერთობლივი კვლევა Anthropic-თან სმარტ ხელსაწყოებისა და ავტონომიური ლაბორატორიების მიმართულებით
- Doosan Robotics – MHS-ის ტესტირება რობოტულ მკლავებზე
- MBF Bioscience – MHS-ის დრაივერი ScanImage-სთვის, რომელიც ლაზერულ-სკანირებად მიკროსკოპებს მართავს
- QIAGEN – სამუშაო პროტოტიპი QIAsymphony Connect პლატფორმაზე
- Tecan – MHS-ის მხარდაჭერა Fluent სერიის სითხის დამმუშავებლებისთვის
- Universal Robots – გეგმავს მხარდაჭერის დამატებას თავის რობოტულ პლატფორმაზე
ადრეულ მიმდევრებს შორის არიან Hugging Face, რომელიც MHS-ის მხარდაჭერას რობოტიკის ბიბლიოთეკა LeRobot-ში ამატებს, და Raspberry Pi, რომელიც MHS-ის ინტეგრაციას რამდენიმე პროდუქტში უშვებს Camera MHS Driver-ის წარმატებული ტესტების შემდეგ.
შეზღუდვები და უსაფრთხოება
Anthropic ღიად წერს, რომ სტანდარტზე მუშაობა ჯერ არ დასრულებულა. Claude ფიზიკურ სამყაროს ტექსტისა და სურათების მეშვეობით სწავლობს, ამიტომ მისი სივრცითი და ფიზიკური მსჯელობა შეზღუდულია და ექსპერტის ზედამხედველობას მოითხოვს.
MHS ჯერჯერობით არ მუშაობს ისეთ ტექნიკასთან, რომელსაც პროგრამირების ინტერფეისი არ აქვს – ასეთი მოწყობილობების მწარმოებლებთან კომპანია ცალკე მუშაობს დრაივერების ჩასაშენებლად.
კვლევითი პრევიუს პერიოდში Anthropic პარტნიორებთან ერთად უსაფრთხოების დამატებით შეფასებებს შეიმუშავებს და ფიზიკური უსაფრთხოების საგზაო რუკაზე მუშაობს ბოროტად გამოყენების რისკის შესამცირებლად. სტანდარტის ღია კოდში გამოშვებისას კომპანია პრევიუს დასკვნებსაც გამოაქვეყნებს.
როგორ მოხვდეთ Model Hardware Standard-ის კვლევით პრევიუში
Anthropic სხვადასხვა ინდუსტრიის წარმომადგენლებს ლოდინის სიაში რეგისტრაციისკენ მოუწოდებს. განაცხადის შეტანა შესაძლებელია modelhardwarestandard.com-ზე.
MHS-ის ისტორია Anthropic-ის Beneficial Deployments გუნდის თანამშრომლის ალეკ კემენისა და HHMI Janelia-ს პოსტდოქტორანტი მკვლევრის არკო ბასტის თანამშრომლობით დაიწყო. ბასტმა შექმნა საერთო მეხსიერების ლექსიკონი, რომელიც სხვადასხვა მომწოდებლის ხელსაწყოებს მეხსიერების სიჩქარით ურთიერთობის საშუალებას აძლევდა, კემენისთან ერთად კი ამ ინტერფეისში AI მოდელები ჩააშენეს.
სხვა თემები
კოლექტიური კიბერთავდაცვა: OpenAI-ის ღია წერილი
Claude მეცნიერებისთვის: უფასო გეგმა 10 000 მკვლევარს
Claude – Anthropic-ის AI ასისტენტი