Anthropic ra mắt Tiêu chuẩn Phần cứng Mô hình (MHS): Bước tiến giúp AI điều khiển thiết bị vật lý an toàn

Anthropic vừa ra mắt bản xem trước (research preview) của Model Hardware Standard (MHS), một đặc tả chung cho phép các tác nhân AI (AI agents) phát hiện và vận hành các thiết bị vật lý. Vấn đề mà tiêu chuẩn này nhắm đến là khâu kết nối hệ thống. Một bàn thí nghiệm hoặc một dây chuyền sản xuất thường được lắp ráp từ các thiết bị của nhiều nhà cung cấp vốn không được thiết kế để tương tác với nhau, vì vậy mỗi thiết bị đều có giao diện riêng và các chuyên gia phải tự viết thủ công các trình biên dịch tùy chỉnh cho từng cặp thiết bị. Theo nhóm Anthropic, quá trình thiết lập này thường mất từ vài tuần đến vài tháng, và MHS giúp rút ngắn thời gian đó xuống chỉ còn vài giờ hoặc vài phút.

Thuế tích hợp (Integration Tax)

Mỗi thiết bị đều có giao diện lập trình riêng, buộc các chuyên gia phải viết thủ công các trình biên dịch tùy chỉnh cho từng cặp thiết bị. Ngay cả khi đã kết nối được với nhau, cũng không có cách thức chung nào để các thiết bị truyền trạng thái cho tác nhân AI hoặc để tác nhân AI vận hành thiết bị một cách an toàn. Anthropic cho biết quá trình thiết lập thường mất từ vài tuần đến vài tháng; MHS giúp giảm thời gian này xuống còn vài giờ hoặc vài phút.

Cách thức hoạt động

MHS chuẩn hóa trình điều khiển (driver) — lớp trung gian giữa hệ điều hành và thiết bị. Nó cung cấp một tập hợp các lệnh cơ bản: đọc (lấy nhiệt độ), ghi (cài đặt nhiệt độ), cùng với khả năng tự động phát hiện, giúp các thiết bị và tác nhân AI tìm thấy nhau qua mạng mà không cần trình biên dịch trung gian.

Nó cũng truyền tải những kiến thức mà mã nguồn đơn thuần không thể mã hóa — ví dụ như trọng lượng của một cánh tay robot. Các thẻ (tag) trong trình điều khiển cho phép người dùng viết thông tin đó bằng ngôn ngữ tự nhiên, hoặc để tác nhân AI tự đặt câu hỏi cho họ về cấu hình thiết lập. Trình điều khiển sẽ biên dịch các thẻ đó thành một tệp tham chiếu: thiết bị đo lường những gì, những gì có thể điều chỉnh và các giới hạn an toàn nào được áp dụng.

Việc điều khiển được thực hiện thông qua ba cơ chế: Model Context Protocol, giao diện dòng lệnh (CLI) và các tệp mã nguồn. MHS không phụ thuộc vào mô hình (model-agnostic) — bất kỳ bộ khung tác nhân (agent harness) nào cũng có thể kết nối với nó thông qua các giao thức tiêu chuẩn.

Kết quả đo lường từ các đối tác

Genentech đã tự động hóa quy trình xét nghiệm protein BCA thông qua một bộ xử lý chất lỏng, cánh tay robot và máy đọc đĩa. Claude đã thực hiện các thử nghiệm chuyển chất lỏng có nhuộm màu, đọc độ hấp thụ, tự chấm điểm dựa trên đĩa của chuyên gia bằng chỉ số RMSE, và hội tụ ở mức ~140 µL/s cho nước (RMSE 0.016) và 10 µL/s cho BSA có độ nhớt cao (RMSE 0.181) — các thông số mà các chuyên gia tự động hóa của họ xác nhận là hợp lý.

QuEra Computing mang lại con số ấn tượng nhất. Một tập lệnh khóa laser tùy chỉnh, được xây dựng trong nhiều tháng bởi một nhóm bốn người, chỉ hoạt động hiệu quả khoảng 58% thời gian với mỗi lần thử mất khoảng 150 giây. Khi giải quyết cùng vấn đề đó thông qua MHS, một vòng lặp tác nhân gồm bốn vai trò đã chạy tự động qua đêm và tạo ra một tập lệnh Python tất định, giúp khôi phục khóa thành công 695 trên 700 lần — đạt tỷ lệ 99,3%, với các trường hợp khó nhất chỉ mất 10–14 giây so với 5–10 phút của con người. Claude cũng cắt giảm sai số dư của servo từ 15,7 mV của chuyên gia xuống còn 1,55 mV; trong suốt 19 giờ vận hành, hệ thống không hề bị mất khóa, trong khi cấu hình của chuyên gia bị mất khóa khoảng 1,6 lần mỗi giờ (theo blog của QuEra).

Carnegie Mellon đã thực hiện các thí nghiệm đáp ứng liều lượng nhanh hơn khoảng ba lần, điều phối một bộ xử lý chất lỏng, máy đọc đĩa, cánh tay robot và các camera trên ba máy tính với các giao diện không tương thích — trong đó có một thiết bị hoàn toàn không có giao diện lập trình. Từ khâu viết trình điều khiển đến khi hoàn thành đường cong dữ liệu, bao gồm cả việc chạy lại tự động sau khi tác nhân từ chối kết quả khớp R² < 0.9, chỉ mất khoảng tám giờ so với vài tuần nếu thiết lập theo cách truyền thống của nhà cung cấp. Sáu điều kiện lỗi được tạo ra đều bị chặn đứng trước khi bất kỳ thiết bị nào kịp di chuyển.

Tại Đại học Washington, một nghiên cứu sinh tiến sĩ tại phòng thí nghiệm Baker và Pinglay đã kết nối sáu thiết bị trong chưa đầy một tuần, bao gồm cả việc viết trình điều khiển. Tetsuwan Scientific đã kết hợp MHS với nền tảng ResearchOS của họ để lập hồ sơ ô nhiễm qPCR. Tại Janelia, một hệ thống hiển vi đã chuyển từ việc phải khởi chạy bảy chương trình theo thứ tự cố định sang chỉ cần một cú nhấp chuột trên bảng điều khiển.

Những điểm chính cần lưu ý

Hãy xem thông báo đầy đủ và đăng ký tham gia bản xem trước. Ngoài ra, hãy theo dõi chúng tôi trên Twitter, đừng quên tham gia cộng đồng 150k+ ML SubReddit và đăng ký nhận bản tin của chúng tôi. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Bạn cần hợp tác với chúng tôi để quảng bá GitHub Repo, Hugging Face Page, Product Release, Webinar, v.v.? Hãy kết nối với chúng tôi.

Asif Razzaq là CEO của Marktechpost Media Inc. Với tư cách là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt Nền tảng Truyền thông Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về học máy và học sâu, vừa đảm bảo tính kỹ thuật vừa dễ hiểu đối với đông đảo khán giả. Nền tảng này tự hào với hơn 2 triệu lượt xem mỗi tháng, minh chứng cho sự phổ biến của nó đối với độc giả.