Uma equipa da Carnegie Mellon ligou quatro sistemas laboratoriais anteriormente incompatíveis e concluiu uma curva de diluição seriada autónoma em oito horas, uma tarefa que, segundo os investigadores, exigiria normalmente várias semanas de integração com o fornecedor. O resultado fundamenta a nova antevisão de investigação da Anthropic sobre o Standard Hardware Model (MHS, na sigla em inglês), uma especificação destinada a permitir que os agentes de IA descubram, monitorizem e operem equipamentos físicos programáveis.

A Anthropic abriu a pré-visualização na quinta-feira para laboratórios científicos selecionados e fabricantes de topo. A empresa afirma que a plataforma pode coordenar microscópios, manipuladores de líquidos, braços robóticos e outros instrumentos em paralelo, estendendo os agentes de IA do software para experiências e sistemas de produção. Reportagens independentes da Reuters confirmaram o lançamento e a sua fase de parceria limitada.

O anúncio é importante porque a integração de hardware continua a ser um dos estrangulamentos mais persistentes e menos glamorosos da automação. Além disso, é preliminar. Os exemplos publicados com a MHS são estudos de caso de parceiros, e não auditorias independentes ou avaliações revistas por pares, e vários utilizam demonstrações em vez de cargas de trabalho de produção. Mostram que uma interface comum pode reduzir o trabalho de engenharia; não comprovam que a IA de propósito geral possa operar em segurança em laboratórios ou fábricas arbitrárias.

Uma linguagem comum para máquinas incompatíveis

O MHS surgiu como uma colaboração entre a Anthropic e o Janelia Research Campus do Howard Hughes Medical Institute. A sua ideia central assemelha-se a um driver de dispositivo, a camada de software que faz a tradução entre um computador e uma máquina. Em vez de exigir que um agente aprenda a interface de cada fornecedor, um controlador MHS expõe primitivas simples, como a leitura de uma temperatura ou a escrita de uma nova configuração, juntamente com uma descrição padronizada do que o dispositivo pode medir e alterar.

Estas descrições incluem etiquetas em linguagem natural para informações que o software pode não revelar, como o peso de um braço robótico ou os limites de segurança de um instrumento. O controlador gera um ficheiro de referência que torna o dispositivo detetável em toda a rede. A antevisão técnica afirma que um agente pode então controlar o equipamento através do Protocolo de Contexto de Modelo (MCTP), uma linha de comando ou uma interface de programação de aplicações (API), enquanto procedimentos mais longos podem ser compilados em código determinístico em vez de serem analisados ​​passo a passo.

Esta separação é importante. Os modelos de linguagem são úteis para interpretar um objetivo experimental e selecionar ferramentas, mas o movimento repetível de uma máquina não deve depender de uma nova resposta probabilística a cada milissegundo. O MHS permite que um agente planeie, monitorize e ajuste um fluxo de trabalho enquanto os instrumentos executam comandos limitados. A vantagem prometida é a reutilização: uma vez que exista um driver fiável, outro laboratório não terá de reconstruir a mesma integração a partir do zero.

Os primeiros testes mostram a velocidade e os ângulos mortos

A demonstração na Carnegie Mellon reuniu um manipulador de líquidos, um leitor de matrículas, um braço robótico e câmaras de monitorização, distribuídos por três computadores. Uma máquina aceitava ficheiros de trabalho, outra dependia de uma interface de script do Windows mais antiga, e o leitor de placas oferecia apenas um ecrã gráfico. A MHS apresentou os seus estados e procedimentos através de um manifesto. Um agente utilizou um corante colorimétrico, e não um medicamento, para preparar e medir uma curva dose-resposta aproximadamente três vezes mais rapidamente do que o fluxo de trabalho anterior.

Os investigadores introduziram deliberadamente seis riscos, incluindo uma placa em falta ou rotada, uma câmara desconectada e um botão de paragem de emergência ativo. O sistema bloqueou os seis antes do movimento. Durante a experiência, rejeitou uma curva inicial com um valor de R² abaixo de 0,9, reduziu a concentração máxima de 200 para 100 microgramas por mililitro e produziu um segundo ajuste acima de 0,98 sem intervenção humana. Estes são controlos encorajadores, mas a equipa lista explicitamente a validação com candidatos a medicamentos reais como trabalho futuro.

Uma prova de conceito da Genentech revelou uma limitação diferente. Claude coordenou um manipulador de líquidos, um braço robótico e um leitor de placas para um ensaio de proteínas, otimizando as taxas de pipetagem em comparação com as transferências realizadas por especialistas. No entanto, as primeiras configurações genéricas produziram bolhas numa amostra viscosa, e a primeira tentativa no mesmo poço agravou o problema físico. Os investigadores da Genentech tiveram de explicar a causa e encaminhá-la para um poço limpo e uma mistura mais suave. O caso de estudo serve como um importante alerta: o domínio de software não é intuição física.

De guiões a laboratórios de circuito fechado

A ambição mais ampla é um laboratório autónomo no qual o software escolhe uma experiência, o equipamento executa-a, os sensores devolvem os resultados e o sistema seleciona a iteração seguinte. A definição do NIST descreve-o como um ciclo de feedback fechado, concebido para maximizar a informação obtida em cada ciclo, com geração, manuseamento e caracterização automatizados das amostras, exigindo pouca interação humana. O MHS não fornece o objetivo científico nem garante medições válidas, mas poderá fornecer a ligação entre o algoritmo e a bancada de testes.

Na Universidade de Washington, um investigador de pós-graduação ligou seis instrumentos em menos de uma semana. As demonstrações incluíram a observação de curvas de PCR quantitativa em tempo real, o pedido de aprovação antes de interromper uma corrida e a coordenação de um braço robótico com um manipulador de líquidos para que as placas fossem trocadas de mãos apenas após cada dispositivo reportar um estado seguro. O investigador observou que a monitorização contínua consome recursos computacionais e que protocolos mais complexos exigirão uma otimização substancial.

Os investigadores da Janelia utilizaram a norma para unificar sete programas de fornecedores diferentes num equipamento de neurociência, reduzindo a adição de uma nova câmara de um projeto de vários dias para minutos. A QuEra aplicou o MHS à recuperação do subsistema de controlo laser de um computador quântico. A empresa afirma que uma equipa de quatro pessoas tinha anteriormente gasto duas a três semanas num script de recuperação desenvolvido manualmente; o seu relatório piloto indica também que o agente por vezes parava durante a noite para aprovação e não conseguia diagnosticar falhas físicas de hardware.

Estes resultados enquadram-se numa tendência de investigação mais ampla, mas também nas suas limitações. Um estudo publicado na Nature observa que muitos sistemas experimentais autónomos permanecem personalizados, restritos e ligados a um conjunto limitado de ferramentas. A transição de demonstrações impressionantes para laboratórios adaptáveis ​​exige uma infraestrutura capaz de testar decisões de software e ações físicas em segurança. Um vocabulário de hardware partilhado aborda a interoperabilidade; não elimina a necessidade de modelos de domínio, instrumentos calibrados ou cientistas qualificados.

O acesso físico aumenta o custo do erro

Um agente que arquiva um documento incorretamente causa incómodo. Um agente que mova um robô, altere um laser ou dispense uma amostra biológica pode danificar um equipamento, corromper provas ou ferir alguém. Assim sendo, a segurança deve ter pelo menos três camadas: acesso seguro ao sistema de controlo, limites determinísticos impostos pelos operadores e procedimentos, e autoridade humana sobre as ações cujas consequências são incertas ou irreversíveis.

O MHS pode utilizar o Protocolo de Contexto de Modelo (Model Context Protocol), que apresenta a sua própria superfície de ataque quando as ferramentas remotas ultrapassam os limites de confiança. As diretrizes de segurança exigem que os servidores verifiquem os pedidos de entrada e rejeitem os tokens não emitidos para esse servidor; também identificam riscos como a falsificação de pedidos do lado do servidor e o roubo de identificadores de estado. Os laboratórios necessitarão, adicionalmente, de isolamento de rede, credenciais com privilégios mínimos, drivers assinados, registos de auditoria imutáveis ​​e uma regra clara de que as paragens de emergência físicas devem prevalecer sobre os comandos do agente.

As alegações de desempenho também precisam de testes padronizados. O programa de robótica enfatiza as métricas e os protocolos para a perceção, destreza, segurança, coordenação e interoperabilidade. O exercício de risco induzido da MHS é o tipo certo de evidência, mas seis condições bloqueadas numa configuração controlada não constituem uma certificação de segurança. As avaliações devem abranger sensores degradados, entradas maliciosas, falhas de temporização, desvio de calibração e combinações de falhas que uma equipa de desenvolvimento não previu.

A adoção depende de fatores motivacionais e de evidências

A Anthropic afirma que o MHS é agnóstico em relação aos modelos e que, eventualmente, será de código aberto, mas não anunciou uma data de disponibilidade geral. Por enquanto, o acesso é restrito enquanto os parceiros iniciais desenvolvem avaliações de segurança e práticas operacionais. Isto faz com que a antevisão se assemelhe mais a uma proposta apoiada por protótipos do que a um padrão da indústria. Um padrão só se torna duradouro quando os fornecedores de modelos concorrentes, os fabricantes de equipamentos, os laboratórios e os fabricantes conseguem implementá-lo de forma independente.

O fator decisivo pode ser o ecossistema de drivers, e não o agente. Os laboratórios contêm instrumentos com décadas de existência, software proprietário restrito e dispositivos sem interface de programação moderna. O suporte a estes equipamentos exigirá documentação, manutenção e testes de conformidade. Os fabricantes de hardware devem decidir se publicam controladores MHS nativos, enquanto os clientes devem determinar quem é o responsável quando um controlador descreve um limite incorretamente ou um agente interpreta um estado de forma ambígua.

O MHS, no entanto, reformula um problema importante. A questão já não é apenas se um modelo de IA pode escrever planos experimentais, mas se diferentes máquinas podem expor capacidades fiáveis ​​e delimitadas que o software possa combinar. O resultado de oito horas da Carnegie Mellon sugere que esta camada pode reduzir drasticamente o tempo de integração. As bolhas na Genentech e as pausas para aprovação na QuEra mostram porque é que a velocidade não pode substituir a compreensão física, a validação ou o controlo humano responsável.