Предварительный обзор стандарта оборудования для моделей

Обычно лаборатории и производственные площадки тратят на настройку и объединение оборудования недели или месяцы. Приборы редко умеют обмениваться данными напрямую, поэтому специалисты пишут отдельные интеграции для каждой пары устройств. MHS сокращает эту работу до часов или минут и помогает запускать автономные эксперименты, которые могут идти круглосуточно: ИИ-агент проходит шаги протокола, меняет параметры по ходу работы и в некоторых случаях исправляет аппаратные сбои без участия человека.

Сейчас раннюю версию MHS тестируют партнёры из научных лабораторий, робототехники, электроники и производства. Вместе с ними Anthropic собирается разработать проверки безопасности и правила применения стандарта, после чего планирует открыть его исходный код. MHS совместим с любым устройством, у которого есть программируемый интерфейс, и не привязан к конкретной модели: получить доступ к нему можно через стандартные протоколы, включая Model Context Protocol.

Что такое MHS

Объединить несколько приборов в лаборатории или на производственной линии сложно даже без ИИ. У каждого устройства свой программный интерфейс, а общего способа связать их между собой до сих пор не было. После интеграции оставалась ещё одна проблема: приборы не имели единого формата обмена данными с ИИ-агентом и общего механизма безопасного управления.

MHS вводит стандартизированную программу управления — программный слой, который переводит команды операционной системы на язык конкретного устройства. В основе лежит небольшой набор базовых операций: например, read для чтения значения вроде температуры и write для изменения этого значения. Любое подключённое устройство описывается в едином формате, поэтому приборы и агенты могут находить друг друга и обмениваться данными по сети без отдельной программы-переводчика.

Программа управления также помогает агенту работать с незнакомой аппаратурой. Одного программного кода бывает недостаточно: для безопасного управления нужно знать, например, вес роботизированной руки. Раньше такие сведения хранились в бумажных руководствах, на компьютере пользователя или передавались как неформальное знание специалиста.

В MHS для этого есть теги, которые позволяют описать характеристики оборудования обычным языком. Пользователь может заполнить их самостоятельно или попросить агента расспросить его о настройке. Затем программа управления автоматически создаёт справочный файл: что устройство умеет измерять, какие параметры менять и какие ограничения безопасности соблюдать. Этой информации агенту достаточно, чтобы управлять прибором.

Для управления подключённым оборудованием MHS использует три механизма: MCP, командную строку и файлы с кодом — API. Вместе они позволяют координировать несколько устройств одной строкой кода.

После подключения агент получает рабочие данные от каждого прибора и управляет процессом на высоком уровне. Он может выстроить последовательность действий, отслеживать результаты и менять параметры по мере изменения условий. Для долгих или быстрых операций агент объединяет команды программ управления в файлы с кодом. Тогда устройства выполняют часть работы самостоятельно, без рассуждения модели на каждом шаге.

В ходе тестов Claude взаимодействовал с экспериментами исследовательским способом. Например, он менял настройку лазера, смотрел через камеру, как сдвинулся луч, и повторял процедуру, пытаясь понять связь между настройкой и результатом. После этого Claude упаковал найденную последовательность в файл с кодом и создал детерминированный сценарий, который выравнивал лазер одной командой.

Первые проекты MHS показали, что стандарт ускоряет интеграцию приборов, помогает быстрее проводить эксперименты и поддерживает мониторинг оборудования и обнаружение неисправностей в реальном времени. Ниже партнёры Anthropic описывают свои тесты.

Genentech: автоматизация анализа белков

Исследователи Genentech реализовали MHS как проверку концепции для автоматизации BCA-анализа — стандартной процедуры измерения общей концентрации белка в образце. В ней нужно согласованно управлять дозатором жидкостей, роботизированной рукой и считывателем планшетов.

Работа над лекарствами требует масштабных автоматизированных экспериментов, в которых одновременно проверяются десятки параметров. Для этого используются специализированные роботы: дозаторы, манипуляторы, считыватели микропланшетов и другие устройства. Их необходимо калибровать, многократно тестировать и программировать под каждый протокол. Сейчас такая настройка в основном выполняется вручную и может занимать недели или месяцы, ограничивая число идей, которые исследователи успевают проверить.

Genentech вместе с Anthropic внедрила MHS, чтобы связать ИИ с лабораторными роботами через единую открытую программную платформу. Учёные получили возможность задавать операции естественным языком и не писать отдельный роботизированный код. В перспективе компания хочет создать автономные лаборатории, где ИИ будет выполнять рутинную часть экспериментов, а специалисты сосредоточатся на постановке задач, интерпретации результатов, принятии решений и разработке новых методов.

Сначала MHS подключили к большой роботизированной рабочей станции с дозатором жидкостей. Исследователи проверяли, способен ли стандарт ускорить автоматизацию BCA-анализа. В эксперименте участвовали три устройства:

🧪 дозатор, который выполнял точные переливания жидкостей

🦾 роботизированная рука, перемещавшая лабораторную посуду

📊 считыватель микропланшетов, измерявший оптическое поглощение образцов

Все эксперименты проходили в стандартных 96-луночных планшетах. Claude координировал протокол и выступал центральным узлом связи между приборами.

BCA-анализ работает с жидкостями разной вязкости — от обычных водных реагентов до пенистых белковых образцов. В качестве белкового образца использовали бычий сывороточный альбумин (BSA) с известной концентрацией. Вязкие растворы BSA при высокой скорости движения через наконечник образуют пузырьки, из-за чего меняется точность дозирования. Поэтому для каждого типа жидкости нужно отдельно подбирать параметры переливания.

Сначала Claude получил стандартный протокол BCA-анализа. На этом этапе он применил одинаковую скорость потока для воды и вязкого раствора, из-за чего в BSA появились пузырьки и объём перелитой жидкости оказался неточным.

Затем Claude попросили самостоятельно подобрать скорость переливания для воды и BSA. Агент проводил пробные переливания окрашенной жидкости, измерял результат считывателем планшетов и сравнивал его с эталонным переливанием, выполненным специалистом в том же планшете. Для оценки использовалась среднеквадратичная ошибка (RMSE): чем она ниже, тем точнее результат; нулевое значение означало бы идеальное совпадение.

Claude самостоятельно провёл серию испытаний и проанализировал данные считывателя. Для воды он выбрал скорость около 140 мкл/с и получил RMSE 0,016. Для BSA оптимальной оказалась скорость 10 мкл/с с RMSE 0,181. Специалисты по автоматизации подтвердили, что эти параметры подходят для данной установки.

Обычно такую оптимизацию выполняет специалист по автоматизации: он вручную пишет логику для каждого набора параметров и поэтапно анализирует результаты.

Во время эксперимента Claude столкнулся с несколькими неожиданными проблемами, включая сбои захвата наконечника и ошибки обнаружения жидкости, но сумел восстановиться самостоятельно. Большинство современных научных приборов этого не умеет.

При этом тест выявил ограничения ИИ-моделей. Они хорошо рассуждают в общем случае, но испытывают трудности с физическими, химическими и биологическими ограничениями, особенно когда для поиска причины ошибки нужна интуиция о реальном мире.

Пузырьки — показательный пример. Если протокол требует набрать 40 мкл реагента, воздух внутри жидкости уменьшает фактический объём. Пена может вызвать ошибку датчика уровня, а сами пузырьки искажают оптические измерения, которые служат итоговым результатом эксперимента.

Когда во время перемешивания возникли ошибки из-за пузырьков, Claude сначала просто повторял операцию в той же лунке с другими параметрами. Это лишь сильнее перемешивало жидкость и увеличивало количество пузырьков. Исследователям пришлось объяснить, что проблема физическая, а для исправления нужно перейти в чистую лунку и уменьшить число циклов перемешивания.

После этого Claude сохранял полученный контекст до конца запуска. Исследователи превратили эти выводы в повторно используемые навыки для работы с жидкостями разной вязкости. Благодаря этому агент стал выбирать более подходящие параметры по умолчанию и реже допускать ошибки. Подобные тесты показали, какие ограничения можно компенсировать улучшением программной оболочки Claude для лабораторной автоматизации.

В Genentech считают эксперимент проверкой концепции. Сопоставляя решения Claude с экспертизой специалистов, исследователи собирают данные для дальнейшего улучшения моделей в автоматизации экспериментов.

В дальнейшем Genentech планирует проверить Claude и MHS на более широких сквозных автономных процессах. Цель — создать автономную систему открытия лекарств, где учёные задают общую биологическую задачу, а ИИ-агенты координируют физический рабочий процесс: генерируют команды для оборудования, самостоятельно проводят эксперименты, анализируют результаты в замкнутом цикле и выдают модели и данные, готовые для последующего отбора.

Для этого потребуется подключить центрифуги, автоматические инкубаторы, аналитические приборы и датчики. Также нужно доработать оболочку агента, чтобы она учитывала особенности работы с молекулами и живыми чувствительными клетками, и добавить другие модели, которые будут круглосуточно отслеживать эксперименты и менять их параметры по данным в реальном времени.

Университет Вашингтона: мониторинг лаборатории и qPCR

Zihao Song, аспирант лабораторий Baker и Pinglay Университета Вашингтона, использовал MHS для создания панели удалённого мониторинга приборов, qPCR под управлением ИИ-агента и интеграции роботизированной руки с дозатором жидкостей для передачи планшетов без столкновений.

При разработке белков с нуля — белков, которых в природе не существует, — главными ограничениями остаются стоимость и пропускная способность. Спроектировать белок вроде PETase, фермента, разрушающего пластик, сегодня можно примерно за 0,01 доллара. Но проверка одного кандидата в лаборатории занимает неделю и стоит около 100 долларов. При этом за один раз исследователи тестируют 1000 вариантов.

Song разрабатывает методы высокопроизводительного тестирования, чтобы снизить стоимость эксперимента и одновременно проверять больше белков. Однако масштабирование создаёт другие проблемы: нужно постоянно следить за состоянием приборов и их загрузкой. Оборудование находится в разных частях лаборатории, поэтому раньше исследователю приходилось лично обходить его. Если HPLC останавливался с ошибкой или дозатор портил планшет, проблема могла оставаться незамеченной несколько часов, и образец становился непригодным.

Большинство приборов в лаборатории представлено в единственном экземпляре, поэтому один аппарат определяет скорость всего цикла. Особенно много времени отнимал этап ПЦР: прибор обрабатывал только один планшет за раз, а менять планшеты приходилось каждые 90 минут, иногда даже в четыре часа утра.

Очевидным решением была автоматизация, но традиционные системы плохо подходят для лаборатории, где постоянно меняются протоколы. На фабрике один процесс могут повторять 10 000 раз, тогда как в этой лаборатории за год проходит несколько десятков протоколов, половина из которых новые. Их приходится менять прямо во время работы, если выход белка оказался ниже ожидаемого или сборка ДНК не удалась.

Приборы разных производителей используют собственные программы, форматы данных и программы управления. Их объединение занимает от нескольких месяцев до нескольких лет и может стоить от тысяч до миллионов долларов. Универсального способа автоматизировать протокол или недорого связать оборудование в академической лаборатории нет.

Song объединил MHS с ИИ-агентом и провёл несколько демонстраций. MHS дал агенту доступ к состоянию всех приборов, возможность управлять каждым из них и координировать их совместную работу.

До внедрения MHS исследователю приходилось перемещаться по лаборатории, чтобы проверять оборудование. После подключения все приборы начали передавать состояние в одну панель. Теперь сотрудники могут контролировать лабораторию с ноутбука или запросить сведения у ИИ-агента со смартфона.

Это особенно полезно для экспериментов, требующих длительного наблюдения. В qPCR целевая последовательность ДНК многократно копируется в циклах нагревания и охлаждения. Флуоресцентный маркер становится ярче по мере накопления копий.

Кривая амплификации имеет S-образную форму: сначала сигнал остаётся слабым, затем быстро растёт, а после истощения реагентов выходит на плато. Если продолжить реакцию до плато, библиотека ДНК искажается и точное количество амплифицированных последовательностей определить уже нельзя. Поэтому реакцию нужно остановить в нужный момент, что раньше требовало часами следить за экраном прибора.

MHS отслеживает кривую в реальном времени и передаёт её агенту. Система распознаёт форму сигнала и в нужный момент спрашивает исследователя, продолжать ли реакцию. После команды на остановку она завершает реакцию и переводит прибор на этап выдержки при 4 °C, чтобы ДНК не разрушалась и оставалась пригодной для дальнейшей работы.

Другие эксперименты не требуют непрерывного анализа, но заставляют исследователя регулярно загружать и выгружать образцы. Один такой обмен занимает несколько секунд, а сам запуск длится час или два. Поэтому раньше приходилось возвращаться в лабораторию каждый час, чтобы заменить планшет.

Для автоматической передачи образцов Song использовал роботизированную руку с открытым исходным кодом на базе LeRobot, подключённую через MHS. В демонстрации дозатор добавлял реагенты в планшет, затем роботизированная рука снимала готовый планшет, ставила новый, и дозатор начинал следующий цикл. Claude Code управлял обоими устройствами через MHS и запускал каждый шаг только после завершения предыдущего.

После окончания дозирования агент получал сигнал примерно через 10 секунд и запускал движение руки. В серии повторных тестов приборы ни разу не столкнулись: рука не начинала движение до завершения дозирования, а дозатор не приступал к работе, пока рука не освобождала планшет. При этом исследователь наблюдал за всем процессом с компьютера в офисе.

Подключение MHS заняло меньше недели, включая написание программ управления для шести приборов. Предыдущие попытки автоматизации занимали недели только на выбор платформы, общение с производителями и создание связующего кода. После интеграции агент сам обнаруживал устройства, читал их состояние и вызывал нужные операции.

Эти демонстрации остаются проверками концепции. Более сложные протоколы потребуют значительной оптимизации, а постоянная работа агента в течение длительного времени создаёт вычислительные расходы, которые нужно сопоставлять с экономией времени исследователя.

В будущем команда хочет провести полный цикл «проектирование — сборка — тестирование — обучение» для белков с нуля. Сейчас каждый такой цикл останавливается на переходах между этапами, когда результаты приходится вручную переносить дальше. При наличии единого интерфейса агент сможет предлагать варианты, запускать сборку и анализ, получать данные и планировать следующий раунд.

Carnegie Mellon: дозирование в три раза быстрее

Исследователи Carnegie Mellon University использовали MHS для проведения серийных экспериментов по разведению и построения дозозависимых кривых примерно в три раза быстрее прежнего. ИИ-агент координировал дозатор жидкостей, считыватель планшетов, роботизированную руку и камеры, распределённые по трём компьютерам с несовместимыми интерфейсами.

В разработке лекарств необходимо определить дозу, которая даёт эффект. Слишком высокая концентрация может быть дорогой или токсичной, а слишком низкая не работает. Для этого применяют серийное разведение: исходный раствор разбавляют в одном и том же соотношении, а затем используют предыдущий раствор для следующего шага. Так формируется предсказуемый диапазон концентраций.

Процесс требует много времени и часто приводит к ошибкам. Нужно подобрать максимальную концентрацию и шаг между разведениями. Слишком высокая концентрация вызывает насыщение сигнала, а слишком крупный шаг может пропустить участок, где эффект начинает меняться. При ручной работе серия таких экспериментов занимает недели, что особенно неудобно при тестировании большого числа кандидатов, созданных с помощью ИИ.

Система Carnegie Mellon объединила:

🧪 дозатор CyBio Felix

📊 считыватель планшетов Varioskan LUX

🦾 роботизированную руку для перемещения 96-луночных планшетов

📹 камеры для мониторинга

ИИ-координатор управлял всем процессом и динамически строил дозозависимые кривые.

Для каждого устройства исследователи с нуля разработали программу управления и слой координации. Агент Claude Opus 4.8 смог автономно выполнять полный протокол. На это ушло около восьми часов вместо нескольких недель, которые обычно занимает настройка решения от поставщика.

Система работала на трёх компьютерах. Первый управлял роботизированной рукой через планировщик, который принимал файлы заданий из специальной папки, а не через обычный API. Второй запускал дозатор через старый интерфейс Windows ActiveX/COM и обслуживал камеры по USB. Третий управлял считывателем, у которого вообще не было программного интерфейса — только графическое окно.

MHS представил все эти устройства как единый набор состояний и процедур. Состояниями могли быть положение планшета, температура образца или заполненность лунки, а процедурами — набор и перемещение жидкости или встряхивание. Благодаря этому модель работала с одной интерфейсной схемой, независимо от того, что находилось под ней: планировщик, старый COM-интерфейс или графическая программа.

Сам протокол не изменился. Дозатор готовил серию разведений, камера проверяла наличие и ориентацию планшета, рука перемещала его к считывателю, а считыватель измерял сигнал. Затем модель анализировала кривую и решала, принять результат или изменить диапазон концентраций и повторить эксперимент.

Вместо настоящего лекарственного кандидата использовали краситель, интенсивность цвета которого зависит от концентрации. Это сделало эксперимент безопаснее и нагляднее, но сохранило необходимость принимать те же решения, что и в настоящем дозозависимом тесте.

У каждого прибора были свои сложности. Планировщик руки отслеживал папку и создавал два файла на один XML-запрос, которые MHS должен был объединить в единый результат примерно за секунду. Дозатор работал только через COM-сценарии без современного SDK. Один цикл дозирования занимал четыре-пять минут, а допустимая ошибка объёма составляла всего 5%. Считыватель не имел API, поэтому MHS управлял его графическим интерфейсом так же, как это делал бы человек.

Раньше оператору приходилось отдельно отслеживать ошибки руки, проверять положение планшета и решать, достаточно ли информативна полученная кривая. Теперь все три решения принимали MHS и агент.

Для проверки безопасности команда искусственно создала шесть ситуаций: отсутствие планшета, неправильную ориентацию планшета, занятый считыватель, отключённую камеру, недоступное устройство и включённую аварийную остановку. Система правильно заблокировала работу во всех шести случаях ещё до движения оборудования.

Затем агент получил задачу провести эксперимент и получить приемлемую кривую. Первый результат он отклонил: качество подгонки оказалось недостаточным, R² < 0,9, поскольку верхний диапазон концентраций был насыщен. Агент самостоятельно выбросил планшет и повторил эксперимент на новом, уменьшив максимальную концентрацию с 200 до 100 мкг/мл. Второй запуск дал пригодную кривую с R² > 0,98 и вариацией 3,4 между повторными измерениями. Человек не вмешивался.

Программы управления приборами стандартизировали и планируют опубликовать, чтобы другие команды могли использовать их повторно. MHS добавляет слой координации поверх штатного программного обеспечения и не требует отдельной системы автоматизации. Подключать можно устройства с API, SDK или графическим интерфейсом.

В следующих экспериментах исследователи хотят проверить настоящие лекарственные кандидаты, заменить цветовой сигнал измерениями биологических эффектов, подключить qPCR и микроскопы, а также интегрировать агентов через MCP. Отдельная задача — сократить время подключения каждого прибора.

Команда также планирует усилить проверки безопасности, следить за доступностью оборудования во время экспериментов и уточнить, в каких ситуациях требуется подтверждение человека.

HHMI Janelia: единый интерфейс для микроскопии

В HHMI Janelia Research Campus MHS используют в нескольких проектах по микроскопии. Virginie Ruetten, научный сотрудник лаборатории Ahrens, применила стандарт, чтобы объединить установку, ранее зависевшую от семи программ разных производителей без общего интерфейса.

Несколько ночей нарушенного сна могут вызвать изменения когнитивных функций, обмена веществ и работы иммунной системы. Однако механизмы этого процесса изучены не полностью. Сон — состояние всего организма, поэтому для его исследования нужно одновременно измерять работу разных частей тела.

Для этого Ruetten использует молодых рыбок данио-рерио. Их тело маленькое и прозрачное, а органы и многие особенности сна похожи на соответствующие системы млекопитающих.

Метод WHOLISTIC «визуализация» позволяет с помощью двухфотонной микроскопии наблюдать активность клеток по всему мозгу и телу живой рыбки. Флуоресцентные сенсоры в клетках излучают свет, связанный с их активностью. Вместо отдельных снимков тканей исследователи получают картину взаимодействия органов и клеток во времени.

Микроскопическая установка занимает целую комнату. В неё входят фемтосекундные лазеры, быстрые гальванометрические зеркала, фотоприёмники и два точных линейных привода, которые позиционируют рыбку и держатель образца.

Все эти устройства должны работать по общей временной схеме: лазер синхронизируется с зеркалами, сканирующими образец, а привод компенсирует движение рыбки или смещение фокуса. При этом приборы создавались независимо друг от друга и используют разные программы и языки: детекторы работают в MATLAB, камеры — в Python, электрофизиологическое оборудование — в C#.

Из-за этого один процесс не знает значения, которыми располагает другой. Например, каждому приводу нужно знать положение второго, чтобы вычислить абсолютную позицию образца. Раньше исследователь писала отдельный связующий код, а иногда добавляла дополнительные платы сбора данных, которые физически маршрутизировали и преобразовывали сигналы.

Для запуска эксперимента требовалось открыть семь программ в фиксированном порядке. Ошибка в последовательности могла сорвать весь сеанс.

MHS заменил точечные связи единым интерфейсом. Каждое устройство описывается и подключается один раз, а его переменные, настройки и значения датчиков записываются в общий словарь в разделяемой памяти. К этому участку памяти могут обращаться разные программы.

После внедрения MHS подключение новой камеры для наблюдения за лазерным лучом заняло несколько минут. Данные о положении луча сразу передавались зеркалам, которые его направляли, поэтому выравнивание стало точнее. Запуск эксперимента теперь требует одного клика на панели MHS вместо семи отдельных действий.

До начала и во время эксперимента исследователь всё равно должна проверять здоровье рыбки, фокус камеры на сердце и качество флуоресцентного изображения. Для этого вычисляются производные показатели, например отношение сигнал/шум или частота сердцебиения.

Раньше каждый поток данных обрабатывался отдельной программой. У исследователя было три варианта: анализировать данные после записи, оценивать изображение на глаз или встраивать анализ в программу записи. Первый вариант занимал часы и мог выявить непригодность записи только после завершения эксперимента. Второй давал лишь приблизительное впечатление. Третий требовал переписывать анализ под каждую программу и язык.

MHS сохраняет каждый поток в общей памяти в словаре состояний. Формат документирован и одинаков для всех устройств, поэтому один и тот же код анализа или визуализации можно использовать повторно.

Ruetten создала модульную платформу анализа в реальном времени. Данные поступают из слота словаря MHS, проходят через повторно используемые преобразования, а результат записывается в другой слот или на диск. Для просмотра она сделала отдельные средства по типам данных — изображениям, временным рядам и спектрам, — а не по каждому прибору.

Например, исследователь добавила преобразование, которое вычисляет спектральный состав сигнала сердца и оценивает частоту сердцебиения. Тот же код можно применить к одновременной нейронной активности, полученной другим прибором и на другом языке программирования.

Эксперименты по визуализации требуют выбирать между скоростью и охватом. Один тонкий оптический слой мозга можно просканировать быстро, а большое число слоёв — медленно. Для поиска клеток с колебательной активностью нужен широкий охват, но для измерения самой активности требуется высокая скорость.

Раньше исследователь заранее выбирала один набор настроек и запускала эксперимент на несколько часов. Это не позволяло сначала просканировать большую область, найти нужные клетки, а затем быстро изучить только их.

Микроскопия с участием агента должна решить эту задачу: агент находит область интереса и увеличивает её. Однако безопасно управлять установкой сложнее, чем писать и запускать код анализа. Ошибка может повредить объектив или привести к потере нескольких часов работы с образцом.

MHS хранит состояние всей установки в едином словаре, поэтому агент читает и изменяет параметры через один интерфейс, а не через семь API производителей. Ruetten написала оболочку, которая сделала установку доступной ИИ-агенту.

Основной детерминированный цикл чередует получение данных и анализ. Агент подключается в точках принятия решений: выбирает параметры съёмки, например область изображения, и определяет, какой анализ запускать в реальном времени или после записи. Ограничения безопасности задаются на уровне устройств, поэтому агент не может случайно увеличить мощность лазера настолько, чтобы обесцветить флуоресцентные молекулы и испортить образец.

Исследователь по-прежнему развивает платформу и контролирует эксперименты, но уже смогла найти популяцию колеблющихся клеток, которую фиксированный набор настроек пропустил бы. Для получения того же числа пригодных записей теперь требуется меньше повторов и меньше животных.

В дальнейшем команда хочет понять, как колебания в мозге связаны со сном и бодрствованием, чтобы искать мишени для препаратов, вызывающих восстановительный сон, а не только седацию. Для этого нужно определить, какие клетки связаны с колебаниями, а затем проводить фазово-синхронизированные эксперименты с воздействием на них.

Такие замкнутые эксперименты требуют одновременно обрабатывать активность тысяч клеток и запускать световую стимуляцию отдельных нейронов — оптогенетику. MHS должен обеспечить нужную скорость и адаптивность на установке, собранной из оборудования нескольких производителей.

Стандарт не устраняет физические компромиссы вроде выбора между скоростью и охватом или между яркостью сигнала и продолжительностью его сохранения. Но он позволяет быстрее перебирать параметры, находить подходящий диапазон и проверять новые гипотезы.

В Janelia MHS используют и другие команды. Группа Arco Bast в лаборатории Spruston наблюдает за нейронами и дендритами в мозге живых мышей, которые учатся перемещаться в виртуальной среде. Система в реальном времени отслеживает формирование воспоминаний. MHS вырос из идеи Bast хранить состояние всей установки в стандартизированном словаре общей памяти.

В его микроскопе через MHS доступны все лазеры, зеркала и датчики. Claude может выравнивать лучи, настраивать оптику и сравнивать результат с показаниями датчиков, превращая полдня ручной настройки в один шаг.

Другая команда, которую возглавляют Magdalena Schneider и Hari Shroff, использует MHS для управления светолистовым микроскопом. Claude в реальном времени решает, как снимать развивающиеся эмбрионы C. elegans и как выбирать между конкурирующими параметрами визуализации.

QuEra: восстановление настройки лазеров

QuEra, производитель квантовых компьютеров на нейтральных атомах, с помощью MHS предоставила ИИ-агенту доступ к части лазерной системы. Агент разработал систему управления, которая восстанавливает лазерную «блокировку» — сверхточную рабочую частоту — в 99,3% случаев без участия человека.

Квантовые компьютеры используют свойства квантовой механики для вычислений, недоступных даже крупнейшим суперкомпьютерам. В подходе QuEra на нейтральных атомах атомы служат основой вычислений, а управление и считывание кубитов выполняется через контролируемое взаимодействие лазеров с атомами.

Каждый лазер должен удерживать частоту с точностью примерно до одной части на триллион. Это сопоставимо с измерением расстояния от Земли до Луны с погрешностью не больше ширины человеческого волоса. Когда частота удерживается с такой точностью, физики называют лазер «запертым».

Температура, вибрации и изменение давления могут вывести лазер из нужного диапазона. Тогда квантовые операции начинают давать сбои. Если лазер теряет настройку во время длительной программы с коррекцией ошибок, вычисление, на подготовку которого ушли часы, может оказаться испорчено.

В центре эксперимента был перестраиваемый титан-сапфировый лазер. Раньше специалисты настраивали такие лазеры вручную. В квантовых компьютерах QuEra программное обеспечение исправляло наиболее распространённые возмущения, но новые и редкие причины сбоя всё равно требовали опытного оператора.

Человеку нужно одновременно наблюдать за несколькими приборами, понять, что изменилось, выбрать порядок корректировок и решить, когда результат можно считать надёжным. Обычно восстановление частоты занимало 5–10 минут. В университетских лабораториях этот навык передаётся от одного аспиранта к другому, и при сбое в два часа ночи кому-то приходится ехать в лабораторию. Для парка квантовых компьютеров такой подход неприемлем.

QuEra уже пыталась автоматизировать восстановление до появления MHS. Команда из инженера по лазерным системам, программиста, специалиста по алгоритмам и тестировщика несколько месяцев писала отдельный сценарий. Он повторял действия человека: отключал функцию удержания частоты, последовательно менял настройки, проверял частоту после каждого шага, начинал сначала при неудаче и снова включал блокировку.

Сценарий работал примерно в 58% случаев, а одна попытка занимала около 150 секунд. Он унаследовал недостаток ручной линейной процедуры: если температура или давление менялись посреди процесса, уже выполненный шаг мог перестать быть правильным, и всё приходилось начинать заново. Поэтому автоматизация ускорила процедуру, но не смогла достаточно быстро реагировать на новые возмущения.

QuEra передала ту же задачу Claude через MHS. Агенту задали цель — написать самостоятельный сценарий на Python для повторной блокировки лазера — и критерий успеха: восстановить настройку с первой попытки и удерживать её 30 секунд.

Команда искусственно создавала разные сбои: перекрывала луч, отключала питание приборов и сдвигала частоту на разные расстояния от цели. Через MHS Claude мог читать показания приборов и менять настройки так же, как оператор.

Цикл работы включал четыре роли, каждая запускалась в новом экземпляре Claude:

🔬 один экземпляр предлагал гипотезу, как сделать восстановление быстрее или надёжнее

💻 второй вносил изменение в сценарий

🧪 третий запускал обновлённую версию на реальном лазере и записывал каждый шаг

📖 четвёртый изучал журнал и выбирал следующее изменение

Цикл повторялся сотни раз всю ночь без участия человека. К утру восстановление занимало около шести секунд и срабатывало в 96% случаев вместо исходных 150 секунд и 58%.

Claude переписал линейную последовательность в дерево решений. Сценарий стал анализировать показания приборов, строить условия «если — то» и выбирать корректировки по конкретному типу возмущения. Если частота почти не изменилась, сценарий затрагивал только один-два элемента управления, поскольку остальные всё равно не влияли на результат.

Затем готовый сценарий проверили на том же наборе случайных возмущений без участия агента. В 700 испытаниях он восстановил блокировку 695 раз — с результативностью 99,3%. Самые сложные случаи занимали 10–14 секунд, простые — от 0,9 до 5,4 секунды. Итогом стал детерминированный и полностью проверяемый сценарий, пригодный для работы без ИИ-агента.

После этого агенту поручили улучшить качество самой блокировки — то есть снизить вероятность её потери. За это отвечают 12 взаимосвязанных параметров PID-регулятора. Их настройка уменьшает остаточный шум и помогает лазеру дольше сохранять частоту.

Обычно специалист ориентируется на среднеквадратичную ошибку (RMS), которую выдаёт сервопривод. Для точной оценки нужно снимать осциллографическую кривую и вычислять преобразование Фурье после каждого изменения, что человеку трудно делать для 12 параметров. Кроме того, оптимальная настройка зависит от температуры и давления и со временем требует повторной корректировки.

Claude после каждого изменения измерял RMS, снимал сигнал и сотни раз за ночь вычислял полный спектр. Исходная настройка специалиста давала остаточную ошибку 15,7 мВ. За 363 эксперимента и 16 часов работы без оператора Claude снизил её до 1,55 мВ.

Специалист QuEra независимо перенастроил тот же лазер обычным способом. Обе настройки проверили анализатором фазового шума. Результаты агента совпали с ручной настройкой почти во всём диапазоне, однако примерно на частоте 220 кГц ручная настройка оставляла примерно в 1000 раз больше шума.

В итоговом 19-часовом тесте лазер с PID-параметрами Claude ни разу не потерял блокировку. Настройка специалиста теряла её примерно 1,6 раза в час. В отличие от системы восстановления, этот процесс продолжает использовать агента, чтобы менять параметры при изменении условий.

Пилотный проект не заменил человеческую экспертизу полностью. Если возникала физическая неисправность оборудования, Claude не умел её диагностировать, поскольку понимал установку на уровне программных интерфейсов, а не физики. Агент также часто останавливался для подтверждения перед действием, которое считал хоть немного рискованным, из-за чего эксперименты могли прерываться на ночь.

Кроме того, команде пришлось передать Claude большой объём контекста о задаче и способе её выполнения. При этом осторожный агент оказался предпочтительнее слишком рискованного.

QuEra планирует развернуть систему восстановления на работающих квантовых процессорах, оформить настройку лазеров как отдельный инструмент и применить полученные подходы к другим подсистемам.

Tetsuwan: qPCR для исследования загрязнения

Исследователи Tetsuwan интегрировали MHS с платформой автоматизированной биологической лаборатории ResearchOS. Система помогла провести qPCR в рамках гражданского научного проекта по изучению загрязнения ручья Сан-Педро в Калифорнии.

Автоматические машины для дозирования, герметизации, встряхивания и перемещения лабораторной посуды существуют с 1960-х годов, но большая часть биологических экспериментов по-прежнему выполняется вручную. Причина в том, что такие эксперименты динамичны: между запусками меняются число образцов, формат планшета, количество условий, глубина серии разведений, время инкубации и число временных точек.

Перевод одного варианта эксперимента в автоматизированный рабочий процесс обычно занимает у инженера по автоматизации недели или месяцы. Поэтому автоматизация окупается главным образом при огромном числе повторений, например в высокопроизводительном отборе библиотек из сотен тысяч соединений.

Tetsuwan создаёт автоматизированную биологическую лабораторию, доступную исследователям и агентам через API. ResearchOS позволяет без опыта в лабораторной автоматизации за несколько минут создавать, запускать и управлять рабочими процессами. Claude превращает протокол на естественном языке в сценарий на языке экспериментов ResearchOS, а затем специальный компилятор переводит его в код для оборудования.

Сама лаборатория состоит из дозирующих роботов, одной роботизированной руки и автоматизированной посуды. Приборы используют разные языки и имеют собственные особенности. MHS стал слоем координации между ними, пользователем и Claude.

В рамках теста система проводила qPCR для поиска источников фекального загрязнения ручья Сан-Педро в городе Пацифика, Калифорния. Уровень загрязнения там десятилетиями оставался опасно высоким.

ПЦР копирует ДНК с помощью термоциклера, который нагревает и охлаждает образец. При нагревании две цепи ДНК разделяются, при охлаждении праймеры прикрепляются к нужным участкам, а затем полимераза достраивает новые цепи. В qPCR добавляется краситель, который становится ярче по мере накопления копий, позволяя измерить исходное количество ДНК и определить наличие конкретного организма.

Для qPCR используется вязкий реагент, похожий на мыло, — мастер-микс. При дозировании он легко образует пузырьки и пену, из-за чего снижается точность и ухудшается результат. Через MHS к системе подключили камеру, способную обнаруживать такие ошибки и запускать восстановление.

В одном случае камера обнаружила пузырьки в мастер-миксе, находившемся в пробирке, которую удерживала роботизированная рука. Сама рука не могла устранить проблему. ResearchOS просканировал подключённые устройства, а Claude предложил через Slack перенести пробирку в центрифугу и ненадолго прокрутить её на низкой скорости, чтобы жидкость опустилась на дно и пузырьки исчезли. Затем Claude отправил центрифуге необходимые команды через MHS.

MHS также позволяет создавать протоколы, не привязанные к конкретному оборудованию. Например, протокол может требовать центрифугировать планшет с усилием 15 000 × g в течение пяти минут, не указывая модель центрифуги. ResearchOS ищет совместимое устройство в сети, получает описание его программы управления, а Claude переводит указанное усилие в параметры конкретного прибора. Если центрифуга принимает только скорость вращения ротора, система рассчитывает её с учётом радиуса ротора.

Tetsuwan также использовала Claude для замкнутой оптимизации компилятора ResearchOS. Команда взяла протокол qPCR и скомпилировала его в набор реалистичных списков операций для разных сочетаний праймеров, образцов, их количества и числа повторов.

Затем исследователи проверили разные типы переливаний на роботе при различных условиях и измерили точность и воспроизводимость с помощью индикаторного красителя. После завершения эксперимента Claude получал через MHS данные считывателя, анализировал и визуализировал их, а затем предлагал изменения в модели точности переливания.

Всего команда проверила:

На отложенных экспериментах модель, которую помогли улучшить Claude и MHS, предсказывала точность многократного дозирования примерно на 12% лучше технической спецификации производителя и превосходила её в 31 из 45 запусков. На наиболее повторяемых данных улучшение достигло примерно 17%.

Предварительные результаты qPCR подтвердили выводы San Pedro Creek Watershed Coalition: главным источником фекального загрязнения ручья, вероятно, являются люди. Исследователи амплифицировали фрагменты бактериальной ДНК, характерные для разных хозяев, включая людей, лошадей, птиц и собак.

С помощью общего маркера 16S обнаружили E. coli, а праймер AllBac показал наличие бактерий Bacteroides. Праймеры HF183 и BacH дали явную амплификацию человеческих Bacteroides. Другие специфичные для хозяев Bacteroides в эксперименте обнаружить не удалось.

В следующих исследованиях Tetsuwan хочет точнее определить источник загрязнения и количественно оценить концентрацию человеческих Bacteroides в сточных водах.

Дальнейшее развитие MHS

Интеграция приборов, координация и автоматическое восстановление после ошибок должны связать оборудование, исследователей и модели. ResearchOS и MHS могут сделать лабораторные эксперименты более доступными, воспроизводимыми и программируемыми.

Производители оборудования и компании, создающие программное обеспечение для лабораторий, также добавляют поддержку MHS, чтобы ИИ-агенты могли проще обнаруживать и использовать их устройства.

Anthropic пока не открывает MHS полностью. Claude получает сведения о физическом мире из текста и изображений, поэтому его пространственное и физическое рассуждение остаётся ограниченным и требует контроля специалистов. В Genentech исследователям пришлось объяснять Claude, что ошибки из-за пены в белковых образцах вызваны физикой жидкости, а не программным сбоем, и исправляются физическими действиями.

MHS пока не работает с оборудованием без программируемого интерфейса. Anthropic сотрудничает с производителями, чтобы добавить такие программы управления. Среди ранних участников — Hugging Face, которая внедряет поддержку MHS в LeRobot, и Raspberry Pi, расширяющая интеграцию на ряд своих продуктов после успешных тестов с программой управления камерой MHS.

В рамках исследовательского предварительного доступа Anthropic продолжит проводить проверки безопасности и усиливать меры защиты при использовании ИИ в физическом мире. Компания разрабатывает отдельную дорожную карту физической безопасности и планирует опубликовать результаты исследований вместе с рекомендациями по безопасному развёртыванию стандарта.

MHS начался как совместный проект Alek Kemeny из команды Anthropic по полезному внедрению технологий и Arco Bast, исследователя HHMI Janelia Research Campus, продолжившего научную работу после защиты диссертации. Bast проводил сложные эксперименты по визуализации мозга на установке с лазерами, моторизованными фокусировщиками и камерами разных производителей. Чтобы ускорить работу, он создал словарь в общей памяти, позволивший приборам обмениваться данными на скорости памяти. Затем Kemeny и Bast подключили к этому интерфейсу ИИ-модели.

Anthropic приглашает представителей разных отраслей присоединиться к списку ожидания предварительного доступа к MHS.