Inde i QuEras kvantecomputere skal en række lasere holde deres frekvens med en præcision omkring én del ud af en billion. Mister laseren sin lås, står maskinen stille indtil nogen får den tilbage. Firmaet havde sat fire specialister på problemet, en laseringeniør, en softwareudvikler, en algoritmespecialist og en tester, og de brugte flere måneder på et script der efterlignede en tekniker ved bordet: slå låsefunktionen fra, gå laserens tuning-kontroller igennem i rækkefølge, mål frekvensen efter hvert trin, start forfra hvis den stadig er forkert, slå låsen til igen. Scriptet virkede omkring 58 procent af gangene og tog cirka 150 sekunder per forsøg.
Så fik en Claude-agent adgang til laseren. Den kørte natten igennem, skrev den lineære sekvens om til et beslutningstræ, og om morgenen tog genopretningen omkring seks sekunder og lykkedes 96 procent af gangene. Over 700 efterfølgende forsøg ramte den rigtigt 695 gange. 99,3 procent.
Det var ikke en ny model der gjorde forskellen. Det var en driver.
En fælles stikkontakt til laboratoriet
Den 27. august åbnede Anthropic en research preview af Model Hardware Standard, forkortet MHS. Beskrivelsen er kortfattet: en fælles specifikation der lader AI-agenter betjene fysiske enheder sikkert, og styre flere lab- og produktionsinstrumenter parallelt. Mikroskoper, væskehåndterere, robotarme.
Teknisk er MHS et standardiseret driverlag mellem computerens styresystem og udstyret. Fire ting gør arbejdet:
- Standardiserede primitiver. Al betjening koges ned til read og write, uanset om enheden er en centrifuge eller et kamera.
- Et enhedsregister i fast format. Agenten kan slå op hvad der er tilsluttet, i stedet for at få det fortalt.
- Beskrivelser i naturligt sprog. Hver enhed forklarer sine egne egenskaber i tekst, så modellen kan læse hvad maskinen kan uden at nogen har hårdkodet det.
- Tre kontrolveje. Agenten kan nå udstyret gennem Model Context Protocol, gennem kommandolinjen eller gennem kodefiler og API'er.
Standarden er modeluafhængig og virker med enhver enhed der har en programmerbar grænseflade. Genkender du mønsteret, er det fordi det er det samme greb som sidst. MCP gav modeller en fælles måde at nå data og software på, og forskellen på et API og MCP handler netop om hvornår en agent skal have et fast kald og hvornår den skal have en beskrivelse den selv kan tolke. MHS flytter samme idé ud til den maskine der fysisk flytter pladen.
Ugers opsætning blev til en eftermiddag
Den mest konsistente gevinst på tværs af de deltagende laboratorier handler slet ikke om intelligens. Den handler om integrationstid.
På Carnegie Mellon koblede et hold en CyBio Felix væskehåndterer, en Varioskan LUX pladelæser, en Spinnaker robotarm og et sæt overvågningskameraer sammen. Fra råt, uautomatiseret udstyr til en færdig fortyndingskurve, inklusive en autonom gentagelse, gik der cirka otte timer. Leverandørkonfiguration af den slags opstilling tager normalt flere uger.
Baker- og Pinglay-laboratorierne på University of Washington forbandt seks instrumenter gennem MHS på under en uge, og det tal inkluderer tiden til at skrive driverne. Bagefter kunne de fjernovervåge udstyret fra et dashboard, køre qPCR med agenten kiggende på amplifikationskurverne i realtid, og lade robotarmen aflevere plader til væskehåndtereren uden kollisioner.
Skarpest står eksemplet fra HHMI Janelia. Forskeren Virginie Ruetten arbejder i Ahrens-laboratoriet med søvn hos zebrafisk, og hendes to-foton-mikroskopi kørte på syv forskellige leverandørprogrammer uden en fælles grænseflade. Efter omlægningen til MHS, med én samlet tilstandsordbog i delt hukommelse, tog det få minutter at tilføje et nyt kamera. Før var det et projekt over flere dage. Hendes egen formulering rammer pointen: hun ser nu frem til den dag hvor hardwarestyring ikke længere begrænser de spørgsmål, hun kan stille.
Flaskehalsen kender man fra almindelig procesoptimering med AI. Det er sjældent selve arbejdet der koster tid. Det er oversættelsen mellem systemer der ikke taler sammen.
| Laboratorium | Opgave | Før | Med MHS |
|---|---|---|---|
| QuEra Computing | Genlåsning af laser i kvantecomputer | 58 procent, ~150 sekunder | 99,3 procent, ~6 sekunder |
| Carnegie Mellon | Dosis-respons med fire enheder | Flere ugers leverandøropsætning | Cirka otte timer til færdig kurve |
| University of Washington | Seks instrumenter koblet sammen | Ingen fælles grænseflade | Under en uge, drivere inklusive |
| HHMI Janelia | Nyt kamera i to-foton-mikroskopi | Projekt over flere dage | Få minutter |
| Tetsuwan Scientific | Præcisionsmodel for multidispensering | Producentens datablad | Cirka 12 procent mere præcis |
Det arbejde ingen nogensinde havde tid til
Her ligger den egentlige historie, og den er mere prosaisk end overskrifterne om selvkørende laboratorier.
Hos Genentech skulle en BCA-proteinanalyse køres koordineret mellem en væskehåndterer, en robotarm og en pladelæser. Claude endte med selv at finjustere væskeparametrene: cirka 140 mikroliter i sekundet for vand med en RMSE på 0,016, og 10 mikroliter i sekundet for bovint serumalbumin med en RMSE på 0,181. To vidt forskellige indstillinger til to væsker med forskellig viskositet. Genentechs egen bemærkning er værd at hæfte sig ved: normalt kræver den optimering en automationsspecialist der skriver skræddersyet programlogik for hvert enkelt parametersæt.
Det samme mønster gentager sig hos QuEra ved siden af laseren. Agenten brugte 363 eksperimenter over 16 timer uden opsyn på at stille PID-reguleringen ind og fik restfejlen ned fra 15,7 millivolt til 1,55 millivolt. En faktor ti.
Tetsuwan Scientific gik endnu længere. Deres arbejde med at karakterisere forurening i San Pedro Creek i Californien krævede en model for hvor præcist deres udstyr rammer ved multidispensering. Gennem 9.143 enkeltdispenseringer, 300 forskellige overførselstyper og 1.508 målte forhold blev modellen forfinet til at forudsige præcisionen cirka 12 procent bedre end producentens eget datablad. Ikke bedre videnskab. Bare flere målinger end nogen havde tid til at lave i hånden.
Og på Carnegie Mellon kasserede systemet sin egen første kørsel. R² lå under 0,9 på grund af mætning, så agenten regnede koncentrationsområdet om, kørte igen og landede over 0,98. Ingen menneskelig indgriben undervejs.
Tællermønstret er det samme hver gang: 363 eksperimenter, 700 forsøg, 9.143 dispenseringer. Agentens fordel er ikke skarphed. Det er tålmodighed. Kalibreringsarbejde som et menneske udfører én gang og derefter lader ligge, kan en maskine gentage hele natten uden at kede sig.
Hvor det stadig går galt
Anthropic er usædvanligt åben om begrænsningerne, og de er lærerige.
Genentech så Claude komme sig automatisk fra flere uventede fejl, men også køre fast på fysisk-kemiske forhold. Bobledannelse er det konkrete eksempel. Modellen kan aflæse et tal, men den kan ikke se at skum i en master mix vil ødelægge målingen. Tetsuwan endte netop derfor med at bygge computervision oven på opstillingen, alene for at opdage bobler og skum.
Fejlhåndteringen blev også testet direkte. Holdet på Carnegie Mellon fremprovokerede seks fejltilstande: manglende plade, roteret plade, optaget pladelæser, afbrudt kamera, uopnåelig enhed og aktivt nødstop. Systemet blokerede alle seks. Flere af opstillingerne venter på menneskelig godkendelse før risikable handlinger, og udstyr uden programmerbar grænseflade kræver stadig en hånd på knappen.
Selve standarden er tilsvarende forsigtigt sluppet løs. Research preview er åben for en første gruppe af forskningslaboratorier og avancerede producenter, ansøgning sker på modelhardwarestandard.com, og Anthropic melder ud at MHS først frigives som open source efter sikkerhedsevalueringer, sammen med resultaterne fra preview-perioden som vejledning til sikker udrulning. Rækkefølgen er den modsatte af MCP, der blev åbnet med det samme. Forskellen er indlysende nok: en fejlkonfigureret dataforbindelse returnerer noget forkert, en fejlkonfigureret robotarm rammer noget.
Tilbage ved QuEras laser er det mest interessante ikke de 99,3 procent. Det er, at de fire specialister havde bygget det rigtige. Deres script gjorde nøjagtig det en dygtig tekniker gør ved bordet, trin for trin. Agenten gjorde noget andet. Den prøvede sig frem 700 gange og opdagede undervejs, at rækkefølgen slet ikke skulle være en rækkefølge. Den slags erkendelse kræver ikke et gennembrud i modellerne. Den kræver bare, at nogen har tid til at prøve, og at maskinen tager imod.
Kilde: Anthropic
