Kiedy w laboratorium fizyki atomowej laser gubi w nocy swoją częstotliwość, ktoś musi przyjechać i poprawić go ręcznie. W firmie QuEra, budującej komputery kwantowe na neutralnych atomach, próbowano to zautomatyzować wcześniej. Czteroosobowy zespół pisał skrypt przez kilka miesięcy, a wyszła mu skuteczność na poziomie 58 procent przy 150 sekundach na próbę. Potem to samo zadanie dostał przez jedną noc agent Claude’a i nad ranem odzyskiwanie trwało około sześciu sekund. Różnicę zrobił bezpośredni dostęp do sprzętu przez warstwę, którą Anthropic nazywa Model Hardware Standard, oraz tempo prób, którego zdaniem samej firmy żaden operator nie dorówna.
Sterownik, czyli najnudniejsza i najważniejsza część automatyki
Nazwa zapowiada kolejny protokół, ale rzecz jest prostsza. Anthropic opisuje to wprost jako standardowy sterownik: oprogramowanie tłumaczące między systemem operacyjnym komputera a urządzeniem. Dokładnie to samo, co robi sterownik drukarki, tylko po drugiej stronie stoi mikroskop albo ramię robota.
Sterownik opiera się na dwóch poleceniach. “Read” odczytuje stan, na przykład temperaturę, a “write” go ustawia. Do tego dochodzi wykrywalność. Urządzenie zgłasza się w jednym formacie, więc agent i sprzęt znajdują się nawzajem w sieci bez osobnego programu-tłumacza dla każdej pary.
Ciekawszy jest trzeci element, bo dotyczy wiedzy, która zwykle nigdzie nie jest zapisana. Sterownik ma znaczniki, w które człowiek wpisuje zwykłym językiem to, czego z kodu nie widać. Choćby wagę ramienia robota, bez której nie da się nim bezpiecznie manewrować. Dotąd takie rzeczy siedziały w papierowej instrukcji albo w głowie jednego technika.
Warto od razu rozwiać najczęstsze nieporozumienie. Nowa warstwa nie zastępuje Model Context Protocol. MCP jest jednym z trzech kanałów sterowania, obok wiersza poleceń i plików kodu.
Co dokładnie zrobił agent przy laserze QuEry
Laser w komputerze kwantowym musi trzymać swoją częstotliwość z dokładnością rzędu jednej bilionowej. Fizycy mówią wtedy, że jest “zamknięty”. Wystarczy zmiana temperatury albo ktoś otwierający drzwi do laboratorium, żeby go z tego stanu wytrącić. Człowiek przy stanowisku wraca na częstotliwość w pięć do dziesięciu minut.
Wcześniejszy skrypt QuEry odtwarzał krok po kroku to, co robi człowiek. Odziedziczył więc jego słabość: sekwencja liniowa nie potrafi wchłonąć zmiany w połowie drogi, więc po każdym zakłóceniu zaczynała od nowa.
Agent dostał zadanie w postaci pętli czterech ról, każda jako osobna instancja Claude’a. Jedna stawiała hipotezę, druga wpisywała ją do skryptu. Trzecia uruchamiała skrypt na żywym laserze i zapisywała przebieg, a czwarta czytała dziennik i decydowała, co zmienić dalej. Cykl powtórzył się setki razy przez noc, bez nadzoru. Rano odzyskiwanie trwało około sześciu sekund i udawało się w 96 procentach prób. W osobnym ślepym teście na 700 zakłóceń skrypt wrócił na właściwe ustawienie 695 razy, czyli w 99,3 procent przypadków.
Najważniejsze w tej historii jest jednak to, co powstało na końcu. Nie asystent siedzący w pętli sterowania, tylko zwykły skrypt. Deterministyczny, w całości możliwy do przejrzenia i zdolny pracować na produkcji bez żadnego agenta nad sobą. Model rozpoznał wzorzec, zamienił liniową sekwencję na drzewo decyzyjne i wyszedł.
Osiem godzin zamiast kilku tygodni
Reszta pilotaży mierzy to samo z innej strony: ile trwa podpięcie sprzętu. Kierunek nie jest u Anthropic nowy, bo firma pokazała już wcześniej osobną aplikację przeznaczoną dla laboratoriów. Na Carnegie Mellon zespół zbudował sterowniki do pipetora, czytnika płytek, ramienia robota i kamer rozrzuconych po trzech komputerach o niekompatybilnych interfejsach. Droga od nieautomatycznego stanowiska do gotowej krzywej dawka-odpowiedź zajęła osiem godzin. Zamówienie takiej integracji u dostawcy zajmuje zwykle kilka tygodni.
Jeden szczegół z tego opisu mówi o realiach automatyki więcej niż same liczby. Używana tam wersja oprogramowania czytnika płytek nie ma żadnego API, więc warstwa sterująca klika jego okienka tak samo, jak robiłby to człowiek.
W HHMI Janelia stanowisko do mikroskopii wymagało wcześniej siedmiu programów różnych producentów bez wspólnego interfejsu. Dołożenie nowego urządzenia było tam projektem na kilka dni. Po zmianie podpięcie kolejnej kamery zajęło kilka minut, a eksperyment startuje jednym kliknięciem zamiast siedmiu osobnych kroków.
W Genentechu próbowano czegoś innego. Model miał sam dobrać prędkość przepływu przy pipetowaniu, osobno dla wody i dla gęstej próbki białkowej. Wyszło mu odpowiednio około 140 i 10 mikrolitrów na sekundę, a tamtejsi automatycy uznali te wartości za rozsądne dla swojego stanowiska.
Czego model nadal nie umie przy stole laboratoryjnym
Ten sam eksperyment w Genentechu pokazał granicę i Anthropic pisze o niej otwarcie. Modele radzą sobie z rozumowaniem ogólnym, ale wciąż mają kłopot z ograniczeniami fizycznymi, chemicznymi i biologicznymi. Widać to zwłaszcza przy usuwaniu błędów, które wymagają intuicji dotyczącej świata materialnego.
Przykład jest wręcz banalny. W gęstej próbce białkowej przy zbyt szybkim przepływie tworzą się bąble powietrza. Zaburzają one objętość, mylą czujniki poziomu cieczy i psują odczyt optyczny. Claude potraktował komunikat o błędzie jak usterkę programu i ponawiał operację w tym samym dołku, przez co bąbli tylko przybywało. Dopiero człowiek wyjaśnił mu, że przyczyna jest fizyczna i że trzeba przenieść próbkę oraz mieszać delikatniej.
Wniosek Anthropic brzmi trzeźwo: model uczy się świata z tekstu i obrazów, więc jego rozumowanie przestrzenne i fizyczne wymaga nadzoru eksperta. To jest zdanie z komunikatu producenta, nie zarzut z zewnątrz.
Warto też uważać na samo słowo “standard”. Rozwiązanie jest dziś podglądem badawczym dla wybranej grupy organizacji. Anthropic zapowiada otwarcie kodu dopiero po zbudowaniu ewaluacji bezpieczeństwa i mapy drogowej bezpieczeństwa fizycznego. Otwarcie zostało obiecane, ale się jeszcze nie wydarzyło.
Agenci AI · Kodożercy
Policz, ile kosztuje Cię robota, którą można oddać
Kurs Agenci AI od Kodożerców uczy budowania agentów na konkretnym przykładzie firmy, a każdy moduł kończy się przeniesieniem tego samego rozwiązania do Twojej pracy. Na koniec wyliczasz, ile godzin albo pieniędzy to realnie oszczędza.
Zobacz kurs Agenci AI →
Co z tego ma polska hala produkcyjna i polskie laboratorium
Lista firm deklarujących wsparcie jest w Polsce bardziej znajoma, niż mogłoby się wydawać. Universal Robots i Doosan Robotics to marki ramion robotów obecne na polskim rynku, a QIAGEN i Tecan to znane tu marki wyposażenia laboratoryjnego. Czasowniki warto jednak czytać dokładnie: Universal Robots ma wczesny dostęp i planuje wsparcie, QIAGEN ma działający dowód koncepcji na swojej platformie do oczyszczania kwasów nukleinowych. To są zapowiedzi, nie wdrożenia. Samo sterowanie maszyną przez model nie jest zresztą pomysłem jednej firmy, bo ten sam kierunek widać było przy modelu sterującym całym ciałem robota.
Znacznie ciekawsze pytanie czeka europejskiego producenta maszyn nieco dalej. Od 14 stycznia 2027 zacznie się stosować rozporządzenie maszynowe 2023/1230, które zastępuje starą dyrektywę. W jego załączniku I znalazły się elementy bezpieczeństwa o samozmieniającym się zachowaniu, wykorzystujące uczenie maszynowe i pełniące funkcje bezpieczeństwa. Taki element wymaga oceny zgodności przez jednostkę notyfikowaną, a nie samodzielnej deklaracji producenta.
Zaraz obok stoi granica wyznaczona w preambule. Motyw 55 mówi, że przepisy o ocenie przez stronę trzecią nie obejmują oprogramowania niezdolnego do uczenia się ani rozwoju, zaprogramowanego wyłącznie do wykonywania określonych funkcji automatycznych.
Zestawmy to z historią lasera. Deterministyczny skrypt, który agent napisał i zostawił za sobą, wygląda jak oprogramowanie z tej drugiej, wyłączonej kategorii. Agent sterujący maszyną na żywo i zmieniający parametry w trakcie pracy wygląda inaczej. Kwalifikacji prawnej nie rozstrzygamy tu ani my, ani komunikat producenta, natomiast pytanie o to, po której stronie stoi konkretne wdrożenie, wraca do zakładu, który je uruchamia. Przy zapowiadanej dacie warto zadać je wcześniej niż w 2027 roku.
Pytania i odpowiedzi
Czy Model Hardware Standard zastępuje Model Context Protocol?
Nie. To są warstwy o różnych zadaniach. MCP opisuje, jak agent rozmawia z narzędziami. Nowy sterownik opisuje, jak urządzenie zgłasza swoje możliwości i przyjmuje polecenia odczytu oraz zapisu. MCP jest tu jednym z trzech kanałów sterowania, obok wiersza poleceń i plików kodu. Anthropic zaznacza przy tym, że warstwa jest niezależna od modelu i sięgnąć po nią może dowolne środowisko agentowe.
Czy mogę już użyć tego u siebie w laboratorium?
Na razie nie w trybie ogólnodostępnym. Rozwiązanie działa jako podgląd badawczy dla wybranej grupy organizacji, a chętni zapisują się na listę oczekujących. Kod ma zostać otwarty później, po zbudowaniu ewaluacji bezpieczeństwa. Warunkiem technicznym pozostaje programowalny interfejs urządzenia, więc sprzęt sterowany wyłącznie pokrętłami odpada.
Podsumowanie
Model Hardware Standard to warstwa sterowników dla agentów AI, oparta na dwóch poleceniach i wspólnym formacie zgłaszania urządzeń w sieci. Anthropic pokazał ją z wynikami sześciu partnerów. Najmocniejszy pochodzi z QuEry, gdzie odzyskiwanie częstotliwości lasera zeszło ze 150 sekund i 58 procent skuteczności do sześciu sekund. Ślepy test na 700 próbach dał 99,3 procent. Produktem tej pracy jest zwykły skrypt działający bez modelu i to jest w całej sprawie najciekawsze. Producent zaznacza równocześnie, że modele wciąż nie rozumieją fizyki procesu i wymagają nadzoru eksperta. Sam standard pozostaje podglądem badawczym, a nie otwartym kodem. Polskim zakładom przyda się przy tym jedna data. To 14 stycznia 2027, gdy zaczyna się stosować unijne rozporządzenie maszynowe.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
