Anthropic a ouvert le 27 août une première research preview du Model Hardware Standard, abrégé MHS.

L’objectif est de créer une interface commune entre les agents IA et les appareils programmables utilisés dans la recherche scientifique ou l’industrie.

Microscopes, manipulateurs de liquides, bras robotisés, lecteurs de microplaques ou systèmes de calibration laser font partie des exemples déjà cités par l’entreprise.

La promesse n’est donc plus uniquement de laisser un modèle raisonner sur des données. Il doit aussi pouvoir transformer ce raisonnement en actions sur des machines.

Le vrai problème commence avant même l’IA

Un laboratoire peut disposer de plusieurs appareils capables d’être pilotés par logiciel tout en restant pratiquement incapables de communiquer entre eux.

Chaque constructeur utilise ses propres interfaces, commandes, formats de données et pilotes.

Anthropic estime qu’intégrer plusieurs équipements dans un même workflow peut demander des semaines, voire des mois, parce qu’un spécialiste doit écrire des connecteurs spécifiques entre chaque élément.

Ajouter ensuite un agent IA par-dessus cette infrastructure crée encore une couche de complexité.

MHS cherche à réduire ce problème en imposant une description commune du matériel.

Read et write deviennent le vocabulaire minimal des machines

Le cœur de MHS est un driver standardisé.

Il traduit l’interface propre à chaque appareil vers un petit ensemble d’opérations génériques.

Anthropic donne deux exemples très simples : read peut servir à demander la température actuelle et write à modifier cette température.

Le même principe peut ensuite s’appliquer à des commandes beaucoup plus spécialisées.

Une fois ce driver disponible, l’appareil devient découvrable dans un format commun et peut être appelé à travers un réseau sans qu’un nouveau programme de traduction soit nécessaire à chaque connexion.

Le modèle doit aussi savoir ce que le code ne lui dit pas

Une API ne décrit pas toujours les contraintes physiques d’une machine.

Le poids d’un bras robotique, ses limites de déplacement ou les paramètres à ne jamais dépasser peuvent être absents du code alors qu’ils sont essentiels à une utilisation sûre.

MHS ajoute donc des tags pouvant être rédigés directement en langage naturel.

Un opérateur peut renseigner ces informations lui-même ou laisser un agent l’interroger sur la configuration.

Le driver génère ensuite une référence décrivant ce que l’appareil peut mesurer, ce qui peut être ajusté et quelles limites de sécurité doivent être appliquées.

Anthropic présente ce document comme le mode d’emploi dont l’agent a besoin pour utiliser un appareil qu’il n’a jamais vu auparavant.

MCP n’est qu’une des portes d’entrée

Une fois le matériel décrit, MHS prévoit trois moyens de lui envoyer des commandes.

Les agents peuvent utiliser le Model Context Protocol, la ligne de commande ou directement des fichiers de code et APIs.

Ces mécanismes peuvent être combinés.

Un agent peut par exemple réfléchir à une séquence d’actions, observer le résultat de plusieurs essais, puis écrire un script déterministe pour exécuter ensuite la procédure beaucoup plus rapidement.

Anthropic dit avoir observé exactement ce comportement lors d’un test de calibration laser.

Claude a appris à aligner un laser puis a remplacé son propre raisonnement par un script

Pendant l’une des expérimentations, Claude a modifié le réglage d’un laser puis observé le déplacement du faisceau à l’aide d’une caméra.

Il a répété cette boucle plusieurs fois afin de comprendre la relation entre sa commande et le résultat physique.

Une fois le comportement compris, le modèle a écrit un fichier de code regroupant les commandes nécessaires à l’alignement.

L’opération pouvait alors être rejouée en une seule commande sans solliciter le raisonnement du modèle à chaque micro-ajustement.

C’est un détail important : Anthropic ne propose pas nécessairement de laisser un LLM réfléchir entre chaque mouvement d’un robot.

Le modèle peut servir à élaborer la procédure, puis transférer son exécution à du code déterministe lorsque la tâche devient connue.

Chez Genentech, trois machines ont été coordonnées pour mesurer des protéines

Genentech fait partie des partenaires ayant déjà testé MHS.

L’entreprise l’a utilisé sur un test BCA, une procédure destinée à mesurer la concentration totale de protéines dans un échantillon.

Le workflow associait un liquid handler pour transférer les fluides, un bras robotique pour déplacer les plaques et un lecteur de microplaques pour mesurer leur absorbance.

Claude servait de centre de coordination entre ces trois appareils.

Le modèle recevait l’état de chaque machine, organisait les différentes étapes puis pouvait modifier les paramètres au fur et à mesure.

Le modèle a trouvé des débits différents pour l’eau et une solution visqueuse

L’expérience a aussi donné un exemple assez concret de ce que signifie une boucle fermée entre IA et matériel.

Claude devait optimiser le débit utilisé par le liquid handler pour deux liquides aux propriétés physiques différentes.

Après plusieurs essais et mesures, il a retenu environ 140 microlitres par seconde pour l’eau et 10 microlitres par seconde pour une solution visqueuse de BSA.

Genentech indique que ses spécialistes de l’automatisation ont jugé ces paramètres raisonnables pour leur installation.

Le modèle ne s’est donc pas contenté de reproduire une consigne donnée à l’avance : il a fait varier un paramètre, observé une mesure puis corrigé son prochain essai.

Les erreurs montrent immédiatement où les modèles restent faibles

La même expérience a révélé une limite plus intéressante encore.

Claude a réussi à récupérer seul de plusieurs erreurs, notamment des échecs de prise d’embouts et certains problèmes de détection de liquide.

Il s’est beaucoup moins bien comporté lorsqu’une erreur venait de la physique réelle du liquide.

Une solution protéique avait tendance à mousser. Face aux erreurs provoquées par ces bulles, le premier réflexe du modèle a été de réessayer dans le même puits avec d’autres paramètres.

Ce comportement aggravait le problème en créant davantage de mousse.

Les chercheurs ont dû lui expliquer que l’erreur n’était pas logicielle et qu’il fallait utiliser un puits propre puis réduire les cycles de mélange.

Anthropic utilise précisément cet exemple pour rappeler que les modèles actuels restent limités dans leur compréhension spontanée des phénomènes physiques, chimiques et biologiques.

À l’Université de Washington, l’agent surveille déjà une expérience à distance

Les laboratoires Baker et Pinglay de l’Université de Washington ont testé MHS sur une autre configuration.

Le doctorant Zihao Song l’a notamment utilisé pour centraliser le suivi de plusieurs instruments et superviser une expérience de qPCR.

L’agent reçoit les courbes d’amplification au fur et à mesure et peut avertir le chercheur lorsque la réaction atteint le point où elle doit être interrompue.

Lorsqu’il reçoit l’autorisation d’arrêter, le système termine le protocole puis place les échantillons à 4 °C pour les préserver.

Le chercheur n’a donc plus besoin de rester physiquement devant l’écran de la machine pendant plusieurs heures.

Un bras robotique peut aussi attendre que la machine voisine ait terminé

Le même laboratoire a connecté un bras robotique open source basé sur LeRobot à un liquid handler.

Le scénario consistait à laisser le liquid handler remplir une plaque, puis à demander au bras de retirer cette plaque et d’en installer une nouvelle.

Claude Code coordonnait les deux appareils à travers MHS.

Le bras ne recevait son ordre qu’une fois le signal de fin du liquid handler détecté, et le liquid handler ne redémarrait qu’après dégagement du robot.

Dans les essais décrits par l’équipe, aucune collision n’a été observée lors de ces échanges répétés.

Six appareils ont été connectés au système en moins d’une semaine, écriture des drivers comprise, selon le chercheur.

Anthropic veut un standard, pas un protocole réservé à Claude

MHS est présenté comme agnostique vis-à-vis du modèle.

Un autre agent que Claude peut donc théoriquement utiliser les mêmes drivers et les mêmes appareils.

Cette ouverture explique aussi l’utilisation de MCP parmi les interfaces prévues.

Anthropic cite déjà plusieurs acteurs souhaitant ajouter le standard à leur propre écosystème.

Hugging Face travaille notamment à un support MHS dans LeRobot, tandis que Raspberry Pi prévoit une intégration sur plusieurs produits après des essais avec son Camera MHS Driver.

AWS doit également proposer aux participants à la preview une version préliminaire privée de Strands Robots compatible avec MHS.

Le standard n’est pas encore open source

Anthropic utilise volontairement le terme research preview.

Une première version est partagée avec des laboratoires et entreprises des secteurs scientifiques, robotiques, électroniques et manufacturiers.

L’entreprise veut utiliser cette période pour créer des évaluations de sécurité et établir des pratiques de déploiement avant de publier le standard en open source.

MHS ne fonctionne par ailleurs qu’avec des appareils possédant déjà une interface programmable.

Anthropic travaille avec certains fabricants pour développer des drivers lorsque ce n’est pas encore le cas.

Faire sortir les agents du navigateur change la nature du risque

Une erreur d’un agent qui manipule un document peut généralement être annulée.

Une commande erronée envoyée à une machine réelle peut casser du matériel, détruire un échantillon ou créer une situation dangereuse.

Anthropic dit donc préparer une feuille de route spécifique à la sécurité physique et compte renforcer ses politiques contre les usages malveillants avant l’ouverture du standard.

La preview doit servir à produire ces évaluations avec les premiers partenaires.

Le cas de la mousse chez Genentech montre pourquoi ce travail ne peut pas se résumer à ajouter quelques permissions logicielles.

Dans le monde physique, le modèle doit aussi savoir qu’une erreur peut venir d’une bulle.

MHS transforme surtout le matériel en nouvel espace d’outils pour les agents

Le changement conceptuel est proche de celui provoqué par les protocoles permettant déjà aux modèles de découvrir automatiquement des logiciels ou des bases de données.

MHS applique ce principe à la matière.

Un bras robotique, une caméra ou un lecteur de microplaques deviennent des outils découvrables, décrits et appelables par un agent à travers une interface commune.

Anthropic ne démontre pas encore un laboratoire autonome capable de conduire seul une campagne scientifique complète.

Les expériences publiées sont des proofs of concept et leurs propres auteurs soulignent qu’une automatisation plus ambitieuse exigera encore beaucoup d’optimisation et de supervision.

Mais la direction est désormais explicite : après avoir appris à appeler des APIs, les agents commencent à apprendre à appuyer sur de vrais boutons.