Anthropic merilis pratinjau riset Model Hardware Standard (MHS) pada 27 Agustus, sebuah spesifikasi komunikasi yang memungkinkan agen AI mengendalikan perangkat fisik secara langsung, mencakup mikroskop, liquid handler, lengan robot, sentrifus, spektrometer, inkubator, dan peralatan laboratorium serta manufaktur canggih lainnya. Angka utama yang ditonjolkan Anthropic adalah biaya integrasi: menghubungkan satu instrumen ke alur kerja otomatis biasanya butuh waktu berminggu-minggu hingga berbulan-bulan, tapi dengan MHS cukup beberapa jam, bahkan beberapa menit.
Caranya sebenarnya tidak rumit. Di level driver, MHS mengabstraksi kemampuan perangkat menjadi dua primitif: read untuk membaca sebuah nilai (misalnya mengambil suhu saat ini), dan write untuk menuliskan sebuah nilai (misalnya mengatur suhu target). Perangkat mendeklarasikan dirinya sendiri dalam format yang seragam, sehingga model tidak perlu lagi menulis program penerjemah khusus untuk tiap mesin. Spesifikasi ini juga menyediakan ruang untuk tag bahasa alami, sehingga karakteristik perangkat, batas keselamatan, dan batas kemampuannya bisa dituliskan langsung dalam kalimat yang bisa dibaca model. Di lapisan atas ada tiga jalur akses: MCP, command line, dan API berbasis file kode — Anthropic menyebut ini memungkinkan orkestrasi banyak perangkat hanya dengan satu baris kode.
Angka yang dihasilkan mitra
Genentech memakainya untuk kuantifikasi protein BCA, dengan Claude mengoordinasikan liquid handler, lengan robot, dan plate reader secara bersamaan, sekaligus menemukan sendiri laju alir transfer yang berbeda untuk tiap cairan — sekitar 140 µL/detik untuk air (RMSE 0,016), turun ke 10 µL/detik untuk larutan BSA yang lebih kental (RMSE 0,181). Ketika pengambilan tip gagal atau deteksi permukaan cairan meleset, agen ini mundur dan mencoba lagi sendiri.
Carnegie Mellon menjalankan eksperimen dosis-respons dengan pengenceran bertingkat, dengan eksekusi 3 kali lebih cepat, sementara integrasinya hanya butuh 8 jam sambil menangani tiga antarmuka komputer yang saling tidak kompatibel sekaligus. Satu detail yang menarik: ketika R² dari kurva yang difitkan tidak mencapai 0,98, agen ini menyesuaikan sendiri parameternya dan menjalankan ulang.
Angka paling mencolok datang dari QuEra. Ketika penguncian laser komputer kuantum lepas, pemulihannya dulu rata-rata butuh 150 detik dengan tingkat keberhasilan 58%; setelah dipasangi pengendali AI, angkanya jadi 6 detik dan 96%, lalu belakangan mencapai 99,3% tanpa campur tangan manusia. Di saat bersamaan, parameter PID juga disetel ulang sehingga noise residual turun dari 15,7 mV menjadi 1,55 mV — turun kira-kira satu orde besaran. Selain itu, laboratorium Baker dan Pinglay di University of Washington berhasil menghubungkan enam instrumen dalam satu minggu, dengan kurva amplifikasi qPCR yang bisa dipantau secara real time dan berhenti otomatis di titik amplifikasi optimal; HHMI Janelia memakainya untuk merangkai perangkat lunak mikroskop dua foton dari tujuh vendor berbeda menjadi satu rantai kerja.
Nilainya ada di lapisan driver
MHS pada dasarnya memindahkan gagasan MCP — memberi model satu antarmuka tool yang seragam — dari perangkat lunak ke perangkat keras. Hitungan kasarnya: laboratorium basah berskala menengah biasanya punya 20-30 instrumen; dengan pendekatan vendor yang butuh dua minggu per alat, hanya untuk menghubungkan antarmukanya saja perlu tenaga kerja lebih dari setahun. Dengan patokan 8 jam, satu orang bisa menyelesaikannya dalam sebulan. Ini hanya perkiraan kasar — situasi sebenarnya tergantung apakah perangkatnya punya antarmuka yang bisa diprogram, dan itulah batasan keras MHS saat ini.
Daftar pendukung yang sudah diumumkan cukup luas: Strands Robots dari AWS, platform LINQ dari Automata, Danaher, Doosan Robotics, QIAGEN, liquid handler Fluent dari Tecan, Universal Robots, ditambah pustaka LeRobot dari Hugging Face dan Raspberry Pi. Apakah sebuah standar perangkat lunak bisa bertahan selalu bergantung pada apakah vendor perangkat keras mau menyesuaikan diri sendiri — dan daftar ini menunjukkan ambang batas itu sudah terlewati separuh jalan.
Batasannya ditulis lebih detail daripada promosinya
Batasan yang disebutkan Anthropic sendiri cukup jujur: model masih kekurangan intuisi fisik, sehingga pertanyaan seperti bagaimana gelembung terbentuk masih butuh petunjuk dari ahli; hanya perangkat dengan antarmuka yang bisa diprogram yang bisa dihubungkan; dan biaya komputasi untuk membuat agen terus memantau instrumen belum sepenuhnya dihitung. Dari sisi keamanan, batas keselamatan perangkat dipaksakan oleh driver MHS itu sendiri, evaluasi keselamatan sedang dilakukan bersama mitra riset, dan peta jalan keselamatan fisik harus dipastikan sebelum standar ini dibuka sebagai open source.
Standar ini akhirnya akan menjadi open source, dengan syarat evaluasi keselamatan selesai, praktik terbaik terbentuk, dan kesimpulan dari pratinjau riset ini dipublikasikan. Untuk saat ini aksesnya masih lewat pengajuan, dengan daftar tunggu resmi yang disediakan. Bagi orang-orang yang bekerja di laboratorium basah, dampaknya ada pada siklus iterasi — untuk pertama kalinya, sebuah eksperimen dari perancangan sampai berjalan mungkin bisa dihitung dalam hitungan jam.
Sumber: pengumuman resmi Anthropic, CocoLoop, modelhardwarestandard.com; data eksperimen mitra, daftar vendor perangkat, dan rencana open source telah diverifikasi sesuai redaksi pengumuman resmi.