Anthropic เปิดตัว Model Hardware Standard (MHS) มาตรฐานใหม่ช่วย AI ควบคุมอุปกรณ์กายภาพและหุ่นยนต์

Anthropic ประกาศเปิดตัวรุ่นทดสอบสำหรับงานวิจัย (research preview) ของ Model Hardware Standard (MHS) ซึ่งเป็นข้อกำหนดมาตรฐานร่วมที่ออกแบบมาเพื่อให้เอเยนต์ AI สามารถควบคุมอุปกรณ์กายภาพได้อย่างปลอดภัย โดยเริ่มใช้งานกับกลุ่มห้องปฏิบัติการวิจัยทางวิทยาศาสตร์และผู้ผลิตขั้นสูงเป็นกลุ่มแรก MHS จะช่วยให้เอเยนต์ AI สามารถควบคุมเครื่องมือหลากหลายชนิดพร้อมกันได้ เช่น กล้องจุลทรรศน์, เครื่องจัดการของเหลว (liquid handlers) และแขนกลหุ่นยนต์ เพื่อปฏิบัติงานที่ซับซ้อนตั้งแต่การค้นหายาไปจนถึงการปรับเทียบเลเซอร์บนคอมพิวเตอร์ควอนตัม การพัฒนานี้เริ่มต้นจากการร่วมมือระหว่าง Anthropic และ HHMI Janelia Research Campus โดยปกติแล้ว การติดตั้งและรวมระบบฮาร์ดแวร์ในห้องแล็บหรือโรงงานอาจต้องใช้เวลาหลายสัปดาห์หรือหลายเดือน เนื่องจากอุปกรณ์ส่วนใหญ่ไม่สื่อสารกันเองและต้องใช้ผู้เชี่ยวชาญสร้างระบบเชื่อมต่อเฉพาะทาง แต่ MHS สามารถลดระยะเวลานี้เหลือเพียงไม่กี่ชั่วโมงหรือนาที การผนวก AI เข้ากับเครื่องมือเหล่านี้ยังช่วยให้นักวิจัยสามารถจัดการเวิร์กโฟลว์แบบอัตโนมัติได้ตลอด 24 ชั่วโมง โดยเอเยนต์ AI จะใช้การเหตุผลเพื่อปรับค่าพารามิเตอร์แบบเรียลไทม์ และกู้คืนระบบจากข้อผิดพลาดของฮาร์ดแวร์ได้เองโดยไม่ต้องมีมนุษย์แทรกแซง

ปัจจุบัน Anthropic กำลังแบ่งปัน MHS เวอร์ชันเริ่มต้นกับพันธมิตรในด้านวิทยาศาสตร์ หุ่นยนต์ และการผลิต เพื่อร่วมกันสร้างการประเมินความปลอดภัยและพัฒนาแนวทางปฏิบัติที่ดีที่สุด ก่อนที่จะเปิดเป็นโอเพนซอร์สในอนาคต MHS ถูกออกแบบมาให้ทำงานร่วมกับอุปกรณ์ใดก็ได้ที่มีอินเทอร์เฟซแบบตั้งโปรแกรมได้ ทั้งยังไม่จำกัดรุ่นของโมเดล (model-agnostic) และเข้าถึงได้ผ่านโปรโตคอลมาตรฐานอย่าง Model Context Protocol สำหรับผู้ที่สนใจสมัครเข้าถึงรุ่นทดสอบสามารถ ไปที่นี่

MHS ทำงานอย่างไร

การทำให้ฮาร์ดแวร์หลายชิ้นในระบบสื่อสารกันเองถือเป็นเรื่องท้าทาย เนื่องจากแต่ละเครื่องมักมีอินเทอร์เฟซการเขียนโปรแกรมของตัวเองและขาดวิธีมาตรฐานในการแบ่งปันข้อมูลกับเอเยนต์ AI อย่างปลอดภัย MHS จึงเข้ามาแก้ปัญหานี้ด้วยการนำเสนอ "ไดรเวอร์มาตรฐาน" (standardized driver) ซึ่งเป็นซอฟต์แวร์ตัวกลางที่แปลภาษาระหว่างระบบปฏิบัติการและฮาร์ดแวร์ โดยใช้ชุดคำสั่งพื้นฐาน (primitives) ที่เรียบง่ายอย่าง “read” หรือ “write” ทำให้อุปกรณ์ทุกชนิดเข้าใจและค้นหากันบนเครือข่ายได้โดยไม่ต้องมีตัวแปลภาษาเฉพาะทาง

นอกจากนี้ ไดรเวอร์ MHS ยังช่วยให้เอเยนต์ AI เรียนรู้วิธีใช้อุปกรณ์ที่ไม่เคยเห็นมาก่อนผ่านข้อมูลลักษณะเฉพาะ เช่น น้ำหนักของแขนกล ซึ่งจำเป็นต่อความปลอดภัย โดยข้อมูลเหล่านี้จะถูกบันทึกด้วยภาษาธรรมชาติผ่านแท็กเพื่อให้ไดรเวอร์สร้างไฟล์อ้างอิงข้อมูลทั่วไปและขีดจำกัดความปลอดภัยโดยอัตโนมัติ ทำให้เอเยนต์มีข้อมูลครบถ้วนในการสั่งการผ่านกลไก 3 อย่าง ได้แก่ MCP, อินเทอร์เฟซบรรทัดคำสั่ง (CLI) และไฟล์โค้ด (APIs) เพื่อจัดการอุปกรณ์หลายชิ้นได้ด้วยโค้ดเพียงบรรทัดเดียว

เมื่อเอเยนต์เริ่มควบคุมอุปกรณ์ได้แล้ว มันจะสามารถกำกับดูแลงานระดับสูง จัดลำดับขั้นตอนข้ามเครื่องมือ และปรับพารามิเตอร์ตามสถานการณ์จริงได้ทันที หากต้องดำเนินงานที่ใช้เวลานาน เอเยนต์สามารถเขียนสคริปต์คำสั่งชุด (deterministic script) เพื่อให้ฮาร์ดแวร์ทำงานต่อเนื่องได้เองโดยไม่ต้องรอการประมวลผลในทุกขั้นตอน ตัวอย่างเช่นการทดสอบกับ Claude ที่สามารถปรับค่าเลเซอร์และสังเกตผลผ่านกล้องได้ด้วยตัวเอง ก่อนจะสรุปสิ่งที่เรียนรู้เป็นโค้ดเพื่อรันคำสั่งเดิมซ้ำในอนาคตได้อย่างแม่นยำ

ตัวอย่างเริ่มแรกจาก MHS

เป้าหมายของ MHS คือการช่วยให้นักวิจัยและวิศวกรเร่งกระบวนการค้นพบในทุกโดเมนที่ใช้ฮาร์ดแวร์แบบตั้งโปรแกรมได้ จากโครงการนำร่องในสาขาเทคโนโลยีชีวภาพและคอมพิวเตอร์ควอนตัม พบว่า MHS ช่วยลดเวลาการรวมระบบและช่วยตรวจจับข้อผิดพลาดได้แบบเรียลไทม์ ซึ่งพันธมิตรหลายรายได้เริ่มนำไปใช้งานจริง ดังนี้

Genentech: การนำ MHS มาใช้สำหรับระบบอัตโนมัติในห้องแล็บ

นักวิจัยที่ Genentech ใช้ MHS ในการทดสอบโปรตีน BCA แบบอัตโนมัติ โดยประสานการทำงานระหว่างเครื่องจัดการของเหลว แขนกลหุ่นยนต์ และเครื่องอ่านเพลทเข้าด้วยกัน

ห้องปฏิบัติการ Baker และ Pinglay มหาวิทยาลัยวอชิงตัน: การนำเอเยนต์ AI มาสู่โต๊ะทดลอง

ใช้ MHS สร้างแดชบอร์ดตรวจสอบเครื่องมือระยะไกลและใช้เอเยนต์ AI ควบคุมเครื่อง qPCR เพื่อทำซ้ำลำดับ DNA โดยระบบสามารถเฝ้าดูกราฟและหยุดขั้นตอนในจังหวะที่เหมาะสม รวมถึงป้องกันการชนกันของแขนกลหุ่นยนต์

มหาวิทยาลัย Carnegie Mellon: การกำหนดเส้นโค้งตอบสนองต่อปริมาณยาผ่านระบบอัตโนมัติที่รวดเร็ว

สามารถรันการทดลองตอบสนองต่อปริมาณยาได้เร็วกว่าเดิม 3 เท่า โดยใช้เอเยนต์ AI จัดการอุปกรณ์ที่กระจายอยู่ในคอมพิวเตอร์ 3 เครื่องซึ่งเดิมมีอินเทอร์เฟซไม่เข้ากัน

HHMI Janelia: การใช้ MHS เพื่อเร่งการวิจัยด้านจุลทรรศน์

ใช้ MHS รวมชุดอุปกรณ์ถ่ายภาพสมองที่เดิมต้องใช้ซอฟต์แวร์จากผู้ขายที่แตกต่างกันถึง 7 โปรแกรม ให้สามารถทำงานร่วมกันผ่านอินเทอร์เฟซเดียว

QuEra Computing: การใช้ MHS ในการรักษาเสถียรภาพเลเซอร์ควอนตัม

ใช้เอเยนต์ AI ควบคุมระบบเลเซอร์ในคอมพิวเตอร์ควอนตัม โดยระบบสามารถกู้คืนสถานะเลเซอร์ (lock) ให้มีความถี่แม่นยำได้สำเร็จถึง 99.3% โดยไม่ต้องใช้มนุษย์ควบคุม

Tetsuwan Scientific: การใช้ MHS เพื่อรัน qPCR สำหรับวิเคราะห์มลพิษในท้องถิ่น

รวม MHS เข้ากับแพลตฟอร์ม ResearchOS เพื่อจัดการเวิร์กโฟลว์การวิเคราะห์มลพิษในแหล่งน้ำของรัฐแคลิฟอร์เนีย

นอกจากนี้ ผู้จำหน่ายฮาร์ดแวร์ชั้นนำหลายรายยังเริ่มผนึก MHS เข้ากับผลิตภัณฑ์ของตน เช่น:

• Amazon Web Services (AWS) รองรับ MHS ผ่านไลบรารี Strands Robots
• Doosan Robotics ทดสอบ MHS กับแขนกลหุ่นยนต์เพื่อตรวจสอบคุณภาพอัตโนมัติ
• Universal Robots มีแผนเพิ่มการรองรับในแพลตฟอร์มหุ่นยนต์ของบริษัท
• Tecan และ QIAGEN กำลังเพิ่มการรองรับ MHS เพื่อให้เอเยนต์ AI ควบคุมเครื่องมือวิเคราะห์ทางชีวภาพได้โดยตรง

การเข้าร่วมรุ่นทดสอบสำหรับงานวิจัย

แม้ผลลัพธ์เบื้องต้นจะน่าพอใจ แต่การพัฒนา MHS ยังมีข้อจำกัดที่ต้องดูแลโดยผู้เชี่ยวชาญ เนื่องจากโมเดลภาษาอย่าง Claude เรียนรู้โลกกายภาพผ่านข้อความและรูปภาพ จึงต้องการคำแนะนำในการแยกแยะความแตกต่างระหว่างข้อผิดพลาดทางกายภาพกับบั๊กของซอฟต์แวร์ นอกจากนี้ MHS ยังอยู่ระหว่างการพัฒนาให้รองรับฮาร์ดแวร์ที่ยังไม่มีอินเทอร์เฟซการเขียนโปรแกรม

ในก้าวถัดไป Anthropic หวังจะขยายมาตรฐานให้ครอบคลุมอุปกรณ์ที่นักพัฒนาสร้างขึ้นเองมากขึ้น เช่น การร่วมมือกับ Hugging Face ในโปรเจกต์ LeRobot และ Raspberry Pi ในอนาคตจะมีการเผยแพร่ผลการวิจัยด้านความปลอดภัยควบคู่ไปกับการเปิดตัวมาตรฐานโอเพนซอร์ส เพื่อป้องกันความเสี่ยงจากการใช้งานในทางที่ผิด สำหรับผู้มีส่วนได้ส่วนเสียที่สนใจเข้าร่วมรายการรอ สามารถ ส่งความประสงค์ของคุณที่นี่

กิตติกรรมประกาศ

MHS เกิดขึ้นจากความร่วมมือของ Alek Kemeny จาก ทีม Beneficial Deployments ของ Anthropic และ Arco Bast จาก HHMI Janelia Research Campus โดยได้รับการสนับสนุนจากผู้เชี่ยวชาญหลายท่านเพื่อผลักดันให้การสื่อสารระหว่างเครื่องมือต่างๆ เกิดขึ้นได้ที่ระดับความเร็วของหน่วยความจำ และเตรียมพร้อมสำหรับการขับเคลื่อนร่วมกับชุมชนโอเพนซอร์สต่อไป

เนื้อหาที่เกี่ยวข้อง

การสนับสนุนการประเมินผลกระทบของ AI ต่อสุขภาวะที่ดียิ่งขึ้น

เรากำลังเปิดตัวโปรแกรมมอบเงินทุนจำนวน 5 ล้านดอลลาร์ เพื่อสนับสนุนการวิจัยอิสระเกี่ยวกับวิธีที่ AI ส่งผลกระทบต่อสุขภาวะของผู้ใช้

อ่านเพิ่มเติม

วิธีการทำงานของลายน้ำข้อความของ Claude

ในบทความนี้ เราจะแบ่งปันคำตอบสำหรับคำถามบางส่วนที่เราได้รับเกี่ยวกับวิธีการทำงานของวิธีการใส่ลายน้ำที่เราเลือก ว่ามันส่งผลต่อผลลัพธ์ของ Claude หรือไม่ และทำไมเราถึงทำการเปลี่ยนแปลงนี้

อ่านเพิ่มเติม

การปรับปรุงเกราะป้องกันด้านชีววิทยาของ Fable 5

เรากำลังทำการอัปเดตเกราะป้องกันด้านชีววิทยาของ Claude Fable 5 ในรูปแบบที่ช่วยลดผลบวกปลอม (false positives) ได้อย่างมาก ผู้ใช้ Fable 5 จะพบกับ “fallbacks” หรือการที่ระบบสลับไปยังโมเดลที่มีความสามารถน้อยกว่าหลังจากถามคำถามที่เกี่ยวข้องกับชีววิทยาน้อยลงมาก

อ่านเพิ่มเติม