Anthropic đề xuất chuẩn kết nối 'ống nước' để AI điều khiển thiết bị phòng thí nghiệm và robot

Anthropic vừa công bố một giao thức mới có tên Model Hardware Standard (MHS), được thiết kế để cho phép các tác nhân AI "vận hành an toàn các thiết bị vật lý". Đây được xem là bước tiến quan trọng trong việc kết nối trí tuệ nhân tạo với thế giới thực, từ phòng thí nghiệm đến dây chuyền sản xuất công nghiệp.

Giao thức này có điểm tương đồng với Model Context Protocol (MCP) — chuẩn giúp AI kết nối với nguồn dữ liệu — nhưng MHS tập trung vào việc điều khiển phần cứng. Với MHS, các mô hình như Claude có thể đọc dữ liệu, giám sát quy trình và thực hiện lệnh trên các thiết bị được kết nối, thay vì chỉ xử lý thông tin tĩnh.

Vì sao cần một chuẩn kết nối phần cứng cho AI?

Theo Anthropic, hầu hết các thiết bị trong phòng thí nghiệm và nhà máy hiện không giao tiếp được với nhau. Các kỹ sư phải mất hàng tuần, thậm chí hàng tháng để xây dựng các giải pháp tích hợp thủ công cho từng loại máy móc riêng lẻ. MHS đóng vai trò như một "lớp phiên dịch" phổ quát, giúp giảm thời gian tích hợp từ vài tuần xuống còn vài giờ hoặc vài phút.

"Hầu hết các thiết bị không giao tiếp với nhau, đòi hỏi chuyên gia phải xây dựng các tích hợp riêng biệt. MHS giảm công việc tích hợp này xuống còn vài giờ hoặc vài phút." — Anthropic

Cách hoạt động của MHS khá đơn giản: trình điều khiển (driver) sử dụng một tập hợp các lệnh cơ bản như "đọc" và "ghi", tương tự cách Bash được dùng để hỗ trợ các tác nhân AI. Điều này giúp các thiết bị trở nên có thể khám phá theo một định dạng chuẩn, đồng thời hỗ trợ gắn thẻ (tags) mô tả chức năng. Người dùng thậm chí có thể cung cấp thông tin bằng cách trò chuyện trực tiếp với mô hình trong quá trình thiết lập.

Ba cách điều khiển và kết quả bước đầu

Tác nhân AI có thể tương tác với thiết bị thông qua MHS bằng ba kênh: MCP, giao diện dòng lệnh (CLI) và mã API (API code). Điều này cho phép thực hiện lệnh trên các thiết bị, giám sát kết quả thử nghiệm hoặc tinh chỉnh các thông số vận hành.

Những thử nghiệm ban đầu đã mang lại kết quả ấn tượng:

• Công ty công nghệ sinh học Genentech đã dùng MHS để chạy thử nghiệm khám phá thuốc với khả năng xử lý lỗi theo thời gian thực.
• Công ty điện toán lượng tử QuEra đã áp dụng MHS để cải thiện độ ổn định laser từ 58% lên 99,3% — một bước tiến vượt bậc trong nghiên cứu lượng tử.

Sự ủng hộ từ các tên tuổi lớn

Mặc dù giao thức này vẫn đang trong giai đoạn nghiên cứu thử nghiệm, nhiều đối tác công nghệ lớn đã lên tiếng ủng hộ:

• AWS đang lên kế hoạch hỗ trợ MHS thông qua thư viện Strands Robots.
• Automata dự định thêm MHS vào nền tảng tự động hóa phòng thí nghiệm LINQ.
• Các tên tuổi khác gồm Danaher, Doosan Robotics, MBF Bioscience, Qiagen, Tecan và Universal Robots cũng cam kết hỗ trợ chuẩn này.

Thận trọng trước khi mở mã nguồn

Bất chấp sự hào hứng từ các đối tác, Anthropic cũng thừa nhận rằng vẫn còn nhiều việc phải làm trước khi MHS được mở mã nguồn.

"Các mô hình ngôn ngữ lớn vẫn thiếu trực giác vật lý, vì chúng học về thế giới vật chất từ văn bản và hình ảnh. Giai đoạn nghiên cứu thử nghiệm sẽ giúp chúng tôi xây dựng các đánh giá an toàn và tăng cường bảo vệ khi sử dụng AI trong thế giới vật lý." — Anthropic

Một ví dụ được Anthropic nhắc đến khá tinh tế: nếu một nhà nghiên cứu ở Iran đang vận hành máy ly tâm để làm giàu uranium gặp sự cố, với MHS họ có thể kết nối AI để chẩn đoán nhanh nguyên nhân — điều mà trước đây phải mất rất nhiều thời gian và chuyên môn để xử lý. Dù vậy, câu chuyện này cũng đặt ra những câu hỏi về kiểm soát sử dụng công nghệ lưỡng dụng.

Tiềm năng của MHS là rất lớn — từ việc tự động hóa phòng thí nghiệm, tối ưu hóa dây chuyền sản xuất cho đến phát triển robot thông minh hơn. Nhưng con đường từ nghiên cứu đến triển khai rộng rãi vẫn còn nhiều thách thức, đặc biệt là về mặt an toàn và độ tin cậy khi AI vận hành các thiết bị vật lý.

Hiện tại, các tổ chức có phòng thí nghiệm hoặc thiết bị công nghiệp phù hợp có thể đăng ký tham gia chương trình nghiên cứu thử nghiệm MHS của Anthropic. Hãy để các thử nghiệm bắt đầu.