Anthropic abrió una vista previa del Model Hardware Standard, una especificación común para conectar agentes de inteligencia artificial con microscopios, manipuladores de líquidos, brazos robóticos y otros equipos programables. El proyecto, iniciado con el campus de investigación HHMI Janelia, busca reducir integraciones que hoy requieren semanas y habilitar experimentos coordinados, pero las pruebas iniciales también muestran que los modelos todavía fallan al interpretar restricciones físicas, químicas y biológicas.
Una interfaz común entre la inteligencia artificial y las máquinas
Anthropic presentó el Model Hardware Standard —MHS— como una especificación compartida para que agentes de IA operen dispositivos físicos de laboratorios y plantas industriales. Según el anuncio oficial de Anthropic, la versión inicial puede coordinar en paralelo microscopios, manipuladores de líquidos y brazos robóticos, además de ejecutar tareas que van desde ensayos de descubrimiento farmacológico hasta la calibración de láseres en un ordenador cuántico. La noticia no equivale a un producto comercial de autonomía general: se trata de una vista previa limitada para investigación.
El problema que intenta resolver es la fragmentación. Cada instrumento suele utilizar una interfaz de programación propia y muchos dispositivos no pueden intercambiar información directamente. Los laboratorios encargan integraciones específicas que pueden tardar semanas o meses y dependen de especialistas que conocen tanto el equipo como el proceso experimental. Anthropic sostiene que MHS puede reducir ese trabajo a horas o minutos. Esa estimación procede de la compañía y de sus colaboradores tempranos; todavía no existe una evaluación independiente a gran escala que permita generalizarla a cualquier instalación.
Comandos sencillos traducen las capacidades de cada dispositivo
La arquitectura introduce un controlador estandarizado que traduce las órdenes del sistema informático al lenguaje del aparato. Utiliza primitivas como “leer” —obtener una temperatura— o “escribir” —fijar una temperatura— y crea una descripción estructurada de lo que el equipo puede medir, ajustar y limitar. El usuario puede incorporar en lenguaje natural características que no siempre aparecen en el código, como el peso de un brazo robótico o un umbral de seguridad. Con esa información se genera un archivo de referencia para el agente.
Una vez registrados, los instrumentos pueden descubrirse y comunicarse por red sin que cada pareja necesite un traductor a medida. El agente puede controlarlos mediante Model Context Protocol, línea de comandos o interfaces de programación. Después secuencia pasos, recibe datos, vigila resultados y modifica parámetros. Para operaciones largas o demasiado rápidas para el razonamiento en línea, el sistema encadena instrucciones en archivos de código deterministas. La automatización no depende así de que el modelo improvise cada movimiento en tiempo real.
Genentech prueba la coordinación de tres aparatos
En una prueba de concepto, investigadores de Genentech utilizaron MHS para automatizar un ensayo BCA, procedimiento que calcula la concentración total de proteína. El flujo exigía coordinar un manipulador de líquidos, un brazo que mueve material de laboratorio y un lector de microplacas. La compañía describe la configuración tradicional como manual y lenta, porque cada combinación de parámetros requiere programación especializada. Con el nuevo estándar, el objetivo es que el personal defina el experimento mientras la IA traduzca la intención a operaciones mecánicas.
La prueba no estuvo libre de fallos. Claude se recuperó de algunos problemas de recogida de puntas y detección de líquidos, pero respondió mal cuando aparecieron burbujas durante la mezcla. Según el relato técnico de Anthropic y Genentech, el modelo tendía a repetir la operación con parámetros diferentes, lo que agitaba más el fluido. Los investigadores tuvieron que explicarle la causa física, indicarle que utilizara un pocillo limpio y redujera los ciclos. El episodio demuestra utilidad adaptativa, pero también ausencia de intuición física fiable.
Los experimentos autónomos requieren límites verificables
Controlar un dispositivo convierte un error de software en una posible acción material. En un laboratorio, una orden incorrecta puede contaminar muestras, dañar un equipo o alterar resultados; en fabricación, puede interrumpir una línea o poner en riesgo a trabajadores. Por eso el estándar incorpora límites declarados por el usuario, aunque su eficacia dependerá de cómo se autentiquen las órdenes, se separen permisos y se detenga una operación ante señales anómalas. La vista previa debe evaluar también ciberseguridad, trazabilidad y recuperación segura.
La reproducibilidad añade otra exigencia. Cada instrucción, lectura, cambio de parámetro e intervención humana debería quedar registrada con una marca temporal y la versión exacta del modelo y del controlador. Solo así otro equipo podrá reconstruir el experimento, localizar el origen de una desviación y distinguir una hipótesis científica fallida de un error mecánico o informático.
Anthropic afirma que está compartiendo la versión temprana con socios de ciencia, robótica, electrónica y fabricación para crear evaluaciones y buenas prácticas antes de abrir el código. El sistema funciona, en principio, con cualquier dispositivo que posea interfaz programable y es independiente del modelo. La compatibilidad técnica no significa que todos los aparatos sean seguros para operación autónoma ni que un único conjunto de controles resulte suficiente.
Un paso hacia laboratorios continuos, no hacia científicos prescindibles
Otros ensayos tempranos incluyen vigilancia remota de instrumentos, control de una reacción qPCR y coordinación sin colisiones entre un brazo robótico y un manipulador de líquidos en la Universidad de Washington. La visión consiste en mantener tareas repetitivas durante todo el día, detectar errores y ajustar parámetros mientras los investigadores se concentran en diseño, interpretación y decisiones.
La relevancia internacional del estándar dependerá de la adopción por fabricantes de equipos, laboratorios y organismos de normalización. Un formato común puede reducir costes de integración y evitar sistemas cerrados, pero también concentrar riesgo si un fallo se replica en muchos dispositivos. La prueba decisiva será si MHS mantiene límites, registros y resultados reproducibles en entornos distintos. Por ahora, el avance confirmado es una infraestructura experimental para conectar agentes y máquinas; no una demostración de que la IA pueda formular, ejecutar y validar ciencia compleja sin supervisión humana.
