Anthropic lancia un nuovo standard che permette agli agenti AI di controllare robot, strumenti scientifici e macchinari

Cos’è successo

Anthropic ha aperto la research preview del Model Hardware Standard, o MHS: una specifica condivisa che permette agli agenti AI di operare dispositivi fisici in modo standardizzato e più sicuro. Il sistema è stato reso disponibile a un primo gruppo di laboratori scientifici e produttori avanzati.

Il dato-gancio è questo: oggi integrare strumenti diversi in un laboratorio o in una linea produttiva può richiedere settimane o mesi. Secondo Anthropic, MHS può ridurre questo lavoro a ore o minuti. Il sistema permette agli agenti AI di controllare più strumenti in parallelo: microscopi, liquid handler, bracci robotici, strumenti di manifattura, fino ad attività come esperimenti di drug discovery o calibrazione laser su computer quantistici. MHS funziona come uno strato comune tra AI e hardware: rende i dispositivi “scopribili”, traducibili e controllabili attraverso comandi standard come leggere un dato, modificare un parametro o far partire una procedura. È pensato per qualunque dispositivo con interfaccia programmabile, è model-agnostic e può essere accessibile anche tramite protocolli come il Model Context Protocol.

Perché conta

• L’AI esce dallo schermo ed entra nel mondo fisico. Finora molte applicazioni AI sono rimaste dentro testi, codice, immagini o analisi dati. Qui il passaggio è diverso: l’agente non suggerisce solo cosa fare, ma può orchestrare strumenti reali che pipettano, leggono, misurano, spostano, calibrano;
• Il collo di bottiglia della scienza non è solo pensare l’esperimento, ma farlo. Nei laboratori avanzati il problema non è soltanto generare ipotesi. È collegare macchine diverse, tradurre protocolli in istruzioni eseguibili, correggere errori, monitorare dati e iterare. Anthropic cita il caso Genentech, dove MHS è stato usato come proof-of-concept per automatizzare un BCA protein assay coordinando 3 strumenti: liquid handler, braccio robotico e plate reader;
• La standardizzazione può accelerare i laboratori autonomi. Se ogni macchina parla una lingua diversa, l’automazione resta costosa e fragile. Uno standard comune può trasformare il laboratorio da insieme di strumenti isolati a infrastruttura programmabile, dove l’AI segue l’esperimento, aggiorna parametri in tempo reale e, in alcuni casi, recupera da errori hardware senza intervento umano.

Adesso

• Scenario prudente: assistente operativo per laboratori complessi. Nel breve periodo MHS può ridurre tempi di integrazione, monitoraggio manuale e lavoro ripetitivo. Non sostituisce il ricercatore: lo aiuta a far comunicare strumenti che oggi richiedono codice, vendor diversi e competenze molto specialistiche;
• Scenario forte: nasce il sistema operativo del laboratorio AI-native. Se lo standard funziona, il laboratorio diventa una piattaforma continua: il ricercatore definisce l’intento biologico, l’agente pianifica il protocollo, orchestra hardware, raccoglie dati, corregge parametri e prepara il ciclo successivo. È la logica design-build-test-learn portata verso l’autonomia fisica;
• La metrica da monitorare sarà la sicurezza, non solo la velocità. Quando un agente controlla strumenti reali, gli errori non restano nel software. Possono rompere campioni, danneggiare macchine, alterare esperimenti o generare rischi fisici. Per questo il punto non sarà solo “quanto velocemente integra un liquid handler”, ma quali limiti impone, come viene validato, chi è responsabile dell’errore e quando l’umano deve restare nel loop.