Mit dem Model Hardware Standard (MHS) hat das KI-Unternehmen Anthropic eine offene Spezifikation vorgestellt, die KI-Agenten die direkte und herstellerübergreifende Steuerung physischer Geräte ermöglichen soll. Was das Unternehmen mit dem Model Context Protocol (MCP) für Software-Werkzeuge und Datenquellen etabliert hat, soll nun auf die reale Welt übertragen werden: Statt wochenlang proprietäre Treiberschnittstellen für Pipettierroboter, Mikroskope oder Roboterarme von Hand zusammenzuschustern, stellt MHS eine universelle Abstraktionsschicht bereit, über die Sprachmodelle wie Claude Labor- und Industrieanlagen per natürlicher Sprache und standardisierten Steuerbefehlen ansprechen können.
Die Initiative startete ursprünglich als Kooperation zwischen dem Beneficial-Deployments-Team von Anthropic und dem HHMI Janelia Research Campus. Forscher standen dort vor dem Problem, dass komplexe Bildgebungsversuche des Gehirns unterschiedlichste Laser, motorisierte Fokussierer und Hochgeschwindigkeitskameras diverser Hersteller kombinierten, die nicht miteinander kommunizieren konnten. Aus dem dafür entwickelten Shared-Memory-Protokoll entstand der Entwurf für MHS, der nach einer geschlossenen Testphase für ausgewählte Forschungslabore und Industrieunternehmen als vollständiges Open-Source-Projekt veröffentlicht werden soll.
Treiber-Standard statt Insellösungen: Wie MHS physikalische Maschinen für Agenten übersetzt
In modernen Laboren und Fertigungsstraßen scheitert die durchgehende Automatisierung häufig an inkompatiblen Softwareschnittstellen. Jedes Gerät verlangt eigene Protokolle, manuelle Kalibrierungen und Expertenwissen, das oft nur in Handbüchern oder in den Köpfen der Mitarbeiter existiert. MHS setzt hier mit standardisierten Treibern an, die über grundlegende Basisbefehle wie read (etwa zur Temperatur- oder Druckabfrage) und write (zum Setzen von Parametern) verfügen.
Damit ein KI-Agent ein Gerät bedienen kann, das er zuvor noch nie gesehen hat, nutzt der MHS-Treiber ein System aus natürlichsprachlichen Tags. Diese Tags beschreiben Eigenschaften wie das Gewicht eines Roboterarms, maximal zulässige Drehmomente oder strikte Sicherheitsgrenzen. Der Treiber generiert daraus automatisch eine standardisierte Referenzdatei, aus der das Modell alle physikalischen Randbedingungen ablesen kann. Die Erkennung im Netzwerk erfolgt dabei automatisch, sodass Geräte und Agenten ohne individuelle Adapterprogramme miteinander interagieren können.
Drei Säulen der Gerätesteuerung in MHS
Model Context Protocol (MCP): Ermöglicht dem KI-Agenten die semantische Abfrage von Gerätezuständen und das interaktive Auslösen einzelner Aktionen im Denkprozess.
Kommandozeile (CLI): Dient der schnellen Systemdiagnose und manuellen Übersteuerung durch menschliche Laborleiter und Ingenieure.
Deterministische Code-Dateien (APIs): Wenn Abläufe feststehen oder extrem schnell reagieren müssen, bündelt der Agent die Befehlsketten in eigenständige Skripte, sodass die Hardware ohne ständige LLM-Denkpausen taktet.
Vom Pipettierer bis zur Quanten-Kalibrierung: Erste Praxisdaten aus Pilotprojekten
Gemeinsam mit Partnern aus Biotechnologie, Robotik und Physik wurden bereits mehrere Machbarkeitsstudien mit MHS und Claude umgesetzt. Die Einsatzfelder reichen von der automatisierten Proteinforschung bis zur Feinausrichtung empfindlicher Laser:
| Partner | Einsatzbereich | Erzieltes Ergebnis laut Projektbericht |
|---|---|---|
| Genentech | BCA-Protein-Assay (Pipettierer, Roboterarm, Plattenleser) | Autonome Optimierung der Durchflussrate für Wasser (~140 µL/s) und zähes BSA-Protein (10 µL/s); selbstständige Fehlerbehebung. |
| UW (Baker & Pinglay Labs) | Proteindesign & qPCR-Überwachung | Echtzeit-Überwachung von DNA-Amplifikationskurven mit automatischem Stopp und kollisionsfreie Plattenübergabe zwischen Roboterarm und Liquid Handler. |
| QuEra Computing | Quantencomputer-Hardware | Automatisierte Stabilisierung und Kalibrierung von Steuerungslasern zur Verkürzung von Rüstzeiten. |
| Tetsuwan Scientific | Umweltanalytik am San Pedro Creek | Über 9.100 Flüssigkeitsübertragungen getestet; Präzisionsmodell übertraf Herstellerspezifikation im Test um 12 bis 17 Prozent. |
Parallel zur akademischen Forschung haben sich bereits namhafte Industrie- und Hardwarepartner der Initiative angeschlossen. Amazon Web Services (AWS) bindet MHS über die Bibliothek Strands Robots an, Doosan Robotics und Universal Robots erproben den Standard für Qualitätsprüfungen und Roboterarm-Koordination, Tecan integriert seine Fluent-Pipettierplattformen, und in der Open-Source-Robotik wird die Spezifikation direkt in LeRobot von Hugging Face sowie auf Raspberry-Pi-Hardware eingebunden. Die Entwicklung schließt sich nahtlos an Initiativen wie die Claude Science Workbench an.
Die Grenzen der KI-Physik: Warum autonome Labore Leitplanken brauchen
Trotz der vielversprechenden Testergebnisse machen die beteiligten Forscher auf eine fundamentale Schwachstelle aktueller Sprachmodelle aufmerksam: LLMs lernen durch Text und Bilder, besitzen jedoch keine angeborene physikalische Intuition für die reale Welt. Dies zeigte sich bei den Versuchen von Genentech bei der Handhabung schäumender Proteinlösungen: Als Luftblasen zu Messfehlern führten, versuchte das Modell zunächst, den Vorgang in derselben Probenvertiefung stur mit veränderten Software-Parametern zu wiederholen - was die Flüssigkeit nur noch stärker aufwirbelte und das Problem verschlimmerte.
Erst nachdem Wissenschaftler dem System erklärten, dass es sich um ein rein mechanisches Strömungsproblem handelte und die Mischzyklen reduziert werden mussten, passte das Modell seine Strategie erfolgreich an. Anthropic betont daher, dass MHS in der aktuellen Vorschauphase vor allem dazu dient, standardisierte Sicherheits-Evaluierungen für physische KI-Interaktionen zu entwickeln, bevor der Quellcode freigegeben wird.
🎯 Was das für die Praxis bedeutet
1. Hardware-Schnittstellen vereinheitlichen: Unternehmen und Forschungseinrichtungen sollten bei Neuanschaffungen von Labor- und Fertigungsgeräten gezielt auf offene, dokumentierte Programmierschnittstellen achten, um für MHS-Treiber vorbereitet zu sein.
2. Hybrid-Steuerung statt reiner LLM-Schleifen: Zeitkritische oder sensible Abläufe sollten von KI-Agenten in deterministische, feste Skripte überführt werden, um Latenzen und Token-Kosten zu minimieren.
3. Strikte physikalische Not-Aus-Grenzen: Vor dem autonomen Dauereinsatz von Modellen müssen unveränderliche Drehmoment-, Temperatur- und Volumengrenzen auf Treiberebene verankert sein, die nicht durch Modell-Halluzinationen überschrieben werden können.
