A cura di Giovanni Masi
Anthropic ha aperto il 27 agosto la research preview del Model Hardware Standard, MHS, una specifica progettata per consentire agli agenti di intelligenza artificiale di interagire con apparecchiature fisiche dotate di un’interfaccia programmabile. Microscopi, sistemi di movimentazione dei liquidi, bracci robotici e componenti utilizzati nei computer quantistici rientrano tra gli esempi mostrati dall’azienda. Il progetto segna un passaggio rilevante nell’evoluzione dei sistemi agentici, finora impiegati soprattutto per operare su codice, documenti, browser e altri ambienti digitali.
MHS nasce da una collaborazione tra Anthropic e l’HHMI Janelia Research Campus e affronta un problema concreto dei laboratori automatizzati e della produzione avanzata. Strumenti realizzati da aziende diverse utilizzano spesso interfacce proprietarie e richiedono software specifico per comunicare tra loro. Anthropic sostiene che questa integrazione possa richiedere settimane o mesi di lavoro specialistico e presenta MHS come un livello comune attraverso cui ridurre parte di questa complessità. Per il momento, però, si tratta di una tecnologia sperimentale distribuita a un gruppo selezionato di laboratori e produttori.
Una lingua comune tra modelli e macchine
Il cuore della proposta non è un nuovo robot né un particolare modello di Claude. MHS introduce invece un driver standardizzato che espone operazioni elementari, come leggere una misura o modificare un parametro, e permette ai dispositivi di rendersi identificabili sulla rete in un formato comune. L’obiettivo è evitare che per ogni combinazione di strumenti debba essere sviluppato uno specifico livello di traduzione.
Il driver può inoltre descrivere caratteristiche che non emergono direttamente dal codice, come le proprietà fisiche di una macchina, ciò che può misurare, le regolazioni disponibili e i limiti di sicurezza imposti dall’operatore. Queste informazioni vengono raccolte in un riferimento utilizzabile dall’agente prima di intervenire sul dispositivo. Il controllo può quindi avvenire tramite Model Context Protocol, interfaccia a riga di comando oppure codice e API. Anthropic precisa che MHS è pensato come model-agnostic e che, terminata la fase di sperimentazione e valutazione della sicurezza, l’intenzione è renderlo open source.
La differenza rispetto a una semplice connessione tra chatbot e macchina è importante. Un agente può coordinare più apparecchiature, leggere i risultati intermedi e modificare alcuni parametri durante il processo. Per operazioni ripetitive o troppo rapide per il ragionamento online del modello, può invece produrre sequenze di comandi o programmi convenzionali che vengono successivamente eseguiti senza dover interrogare continuamente l’AI.
Genentech sperimenta l’AI nel laboratorio
Uno dei proof of concept descritti da Anthropic è stato condotto da ricercatori di Genentech su un test BCA, una procedura utilizzata per misurare la concentrazione totale di proteine. Il sistema coordinava tre apparecchiature, un liquid handler, un braccio robotico e un lettore di micropiastre. Claude riceveva informazioni sull’esperimento e utilizzava MHS come interfaccia comune per orchestrare il protocollo.
Il test ha mostrato sia le possibilità sia i limiti dell’approccio. In una prima esecuzione il modello applicò parametri generici e utilizzò la stessa velocità di trasferimento per soluzioni acquose e campioni proteici viscosi. Nel secondo caso si formarono bolle che compromettevano l’accuratezza del trasferimento. I ricercatori chiesero quindi al sistema di esplorare velocità differenti, effettuare trasferimenti di prova, misurare i risultati e confrontarli con riferimenti definiti dagli esperti.
L’episodio è significativo perché evita una lettura eccessivamente ottimistica dell’esperimento. Anthropic riconosce che Claude ha avuto bisogno della guida dei ricercatori per comprendere che alcuni errori erano dovuti al comportamento fisico dei liquidi e non a un problema software. Il ragionamento sul mondo fisico rimane quindi un punto debole rispetto alle capacità sviluppate dai modelli nell’elaborazione di testo e codice.
Il test della Carnegie Mellon e il nodo delle prestazioni
Un altro progetto ha coinvolto ricercatori della Carnegie Mellon University nella costruzione di curve dose-risposta attraverso diluizioni seriali. Secondo il resoconto pubblicato all’interno della research preview di Anthropic, MHS ha permesso a un agente di coordinare un liquid handler, un lettore di micropiastre, un braccio robotico e alcune telecamere distribuiti su tre computer con interfacce incompatibili.
Il gruppo riferisce di aver sviluppato i driver e il sistema di orchestrazione in circa otto ore, contro le diverse settimane che, secondo gli stessi ricercatori, possono essere necessarie per una configurazione realizzata attraverso integrazioni tradizionali. Nei test descritti, gli esperimenti sarebbero stati eseguiti circa tre volte più rapidamente rispetto alla procedura precedente.
Il dato è interessante, ma va letto correttamente. Non rappresenta un benchmark indipendente dell’intero settore né dimostra che MHS renda qualsiasi laboratorio tre volte più veloce. È il risultato riferito dal gruppo coinvolto in uno specifico progetto sperimentale e pubblicato da Anthropic nell’ambito della propria research preview. Serviranno applicazioni più estese e confronti indipendenti per capire quanto questo vantaggio sia riproducibile in configurazioni differenti.
QuEra affida a Claude lo sviluppo di un controller
Il caso più quantitativo arriva da QuEra Computing, che sviluppa computer quantistici basati su atomi neutri. Nei suoi sistemi alcuni laser devono rimanere stabilizzati su una determinata frequenza. Quando il lock viene perso, ristabilirlo può richiedere l’intervento di personale specializzato.
QuEra riferisce di avere utilizzato MHS in un banco di prova dedicato affinché Claude sviluppasse e verificasse una strategia di recupero. Il programma ottenuto è stato poi testato senza l’agente AI coinvolto nell’esecuzione. In 700 prove con disturbi indotti casualmente, il controller ha recuperato correttamente il lock 695 volte, pari al 99,3 per cento. Secondo QuEra, i casi più semplici sono stati risolti in 0,9-5,4 secondi e quelli più difficili in circa 10-14 secondi, contro i 5-10 minuti indicati dall’azienda per un esperto al banco.
Proprio questo esperimento mostra una possibile architettura più prudente per l’uso dell’AI su hardware critico. Claude non rimane necessariamente al comando della macchina durante il funzionamento ordinario. Nel caso QuEra, il risultato finale è un programma deterministico e completamente ispezionabile, sviluppato e validato con l’aiuto dell’agente ma eseguibile senza che un modello linguistico debba prendere decisioni a ogni passaggio.
Anche in questo caso le percentuali devono essere considerate risultati dichiarati da QuEra nel proprio progetto pilota. Non equivalgono a una validazione scientifica indipendente dell’affidabilità generale di MHS.
Dall’AI agentica alla physical AI
Il significato più ampio di MHS riguarda l’interoperabilità. Con il Model Context Protocol, Anthropic aveva proposto un sistema standardizzato per collegare modelli e strumenti software. MHS estende un principio simile alle apparecchiature fisiche. Se un ecosistema di driver compatibili dovesse svilupparsi, laboratori e impianti potrebbero ridurre la quantità di codice costruito specificamente per ogni macchina e rendere più semplice l’orchestrazione da parte di software tradizionale o agenti AI.
Anthropic sta coinvolgendo nella preview aziende e organizzazioni che operano nella robotica, nelle apparecchiature scientifiche e nell’automazione. Tra quelle indicate dall’azienda figurano AWS, Automata, Doosan Robotics, QIAGEN, Tecan e Universal Robots, mentre Hugging Face sta lavorando al supporto attraverso LeRobot e Raspberry Pi a integrazioni con propri dispositivi. La presenza di questi partner non significa ancora che MHS sia diventato uno standard industriale. Il successo dipenderà dalla sua adozione effettiva, dall’interoperabilità tra implementazioni differenti e dalle garanzie che potranno essere costruite attorno al controllo delle macchine.
Quando l’errore dell’AI produce conseguenze fisiche
L’ingresso degli agenti nel mondo fisico modifica soprattutto il problema della sicurezza. Un modello che commette un errore in un documento produce conseguenze diverse da uno che impartisce un comando sbagliato a un robot, a un laser o a un’apparecchiatura di laboratorio. È uno dei motivi per cui Anthropic mantiene MHS in research preview e sta lavorando con i partner alla definizione di valutazioni e pratiche di sicurezza prima della prevista pubblicazione open source.
I primi esperimenti non dimostrano quindi l’arrivo imminente di laboratori capaci di condurre ricerca scientifica senza supervisione umana. Mostrano qualcosa di più circoscritto ma potenzialmente importante, la possibilità di costruire un livello comune attraverso cui gli agenti possano conoscere, coordinare e programmare dispositivi differenti.
La vera prova per MHS arriverà dopo la fase sperimentale. Se produttori concorrenti adotteranno lo standard, se i vincoli di sicurezza funzioneranno anche fuori dai test controllati e se i risultati saranno replicati da gruppi indipendenti, l’AI agentica potrà acquisire un’interfaccia più generale con il mondo fisico. Fino ad allora, MHS resta una proposta tecnologica promettente sostenuta da proof of concept significativi, non ancora una dimostrazione che l’autonomia artificiale sia pronta a gestire su larga scala laboratori e macchine industriali.
Bibliografia
Anthropic, “Previewing the Model Hardware Standard”, 27 agosto 2026.
https://www.anthropic.com/news/model-hardware-standard-research-preview
Reuters, “Anthropic unveils new framework allowing AI agents to operate physical devices”, 27 agosto 2026.
https://www.reuters.com/technology/anthropic-unveils-new-framework-allowing-ai-agents-operate-physical-devices-2026-08-27/
Financial Times, “Anthropic launches AI tool that can conduct scientific experiments”, 27 agosto 2026.
https://www.ft.com/content/dd069af7-a2a2-4984-8d9a-5edeaf54f2f8
Wired, “This Is How Anthropic Thinks AI Agents Should Navigate the Physical World”, 27 agosto 2026.
https://www.wired.com/story/anthropic-standard-ai-agents-coming-to-the-physical-world/
Ars Technica, “Anthropic’s new hardware standard lets AI agents control the physical world”, 27 agosto 2026.
https://arstechnica.com/ai/2026/08/anthropics-new-hardware-standard-lets-ai-agents-control-the-physical-world/
QuEra Computing, “QuEra Computing Uses AI to Automate a Critical Quantum Computer Subsystem”, 27 agosto 2026.
https://www.quera.com/press-releases/quera-computing-uses-ai-to-automate-a-critical-quantum-computer-subsystem-enabling-the-acceleration-of-commercial-grade-quantum-computing-deployments-from-quera
QuEra Computing, “Holding the Light: Teaching an AI to Lock and Tune Our Quantum Computer’s Lasers”, 27 agosto 2026.
https://www.quera.com/blog-posts/holding-the-light-teaching-an-ai-to-lock-and-tune-our-quantum-computers-lasers