앤티로픽은 로봇 팔 및 실험실 기기 등 물리적 장치에 대한 AI 에이전트의 통합 인터페이스를 제공하기 위해 모델 하드웨어 표준(MHS)을 개발 중입니다.

Anthropic의 모델 하드웨어 표준(Model Hardware Standard, MHS)은 현미경이나 로봇 팔과 같은 물리적 하드웨어에 대한 AI 에이전트의 통합된 인터페이스를 제공합니다. 초기 실험실 및 양자 컴퓨팅 시범 운영을 통해 통합 시간이 크게 단축되었으나, Claude는 여전히 물리적 인과관계 추론에서 어려움을 겪고 있습니다.

연구실과 공장들은 일반적으로 서로 다른 제조업체들의 장비를 의존하며, 각 장비는 고유한 API, 데이터 형식 및 제어 소프트웨어로 작동합니다. 이러한 분절화는 통합에 상당한 엔지니어링 노력을 요구합니다. Anthropic은 MHS를 통해 이 문제를 해결하고자 합니다. MHS는 AI 에이전트가 물리적 하드웨어로부터 데이터를 읽고 제어할 수 있게 하는 사양입니다. Anthropic에 따르면 MHS는 실험실 장비 통합에 일반적으로 소요되는 몇 주 또는 몇 달의 기간을 불과 몇 시간 또는 몇 분으로 줄여줍니다. HHMI Janelia 연구 캠퍼스와 협력하여 개발된 이 사양은 먼저 선택된 연구소와 제조사를 대상으로 연구용 미리보기 버전으로 출시되며, 완전한 오픈소스 릴리스는 나중에 예정되어 있습니다.

이 개념은 Anthropic의 기존 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)을 기반으로 하며, MCP는 AI 모델이 외부 데이터 소스와 소프트웨어 도구에 접근하기 위한 표준화된 방법을 확립했습니다. MHS는 이러한 아키텍처 철학을 물리적 기계에 직접 확장합니다. 각 하드웨어에는 데이터 검색 및 수정을 포함한 핵심 작업을 표준화하는 MHS 드라이버가 부여됩니다. 이러한 드라이버는 장치를 균일한 형식으로 탐색 가능하게 만들며, 로봇 팔의 적재 용량이나 작동 안전 임계값처럼 소프트웨어만으로는 감지할 수 없는 물리적 속성을 포함합니다. 사용자는 자연어를 사용하여 이러한 사양을 입력할 수 있으며, MHS는 이를 AI 에이전트를 위한 구조화된 참조 파일로 자동으로 변환합니다.

구성되면 에이전트는 낯선 하드웨어의 기능과 제약 사항을 인식하고 단일하고 일관된 인터페이스를 통해 이를 조작할 수 있습니다. 개발자가 각 하드웨어 모델별로 전용 드라이버를 작성해야 하지만, 생성된 코드는 다양한 시스템 구성 간에 재사용 가능하므로 모든 장치-컨트롤러 페어링마다 통합을 다시 구축할 필요가 없습니다. Anthropic은 MHS를 모델 독립적(model-agnostic)이라고 설명하며, 프로그래밍 가능한 인터페이스가 있는 모든 하드웨어와 호환됩니다. 이 프레임워크는 에이전트가 여러 장치를 동시에 조정하고 복잡한 워크플로우를 표준 스크립트로 내보낼 수 있게 하며, 이후 언어 모델의 개입 없이도 독립적으로 실행될 수 있습니다.

Anthropic은 여러 산업 파트너와의 시범 프로그램을 통해 MHS를 검증했습니다. 생명공학 기업 Genentech에서는 Claude가 액체 처리기, 로봇 팔 및 플레이트 리더를 조정하여 농도 수준을 측정하는 데 사용되는 단백질 분석을 자동화했습니다. 에이전트는 다양한 유체에 대한 피펫팅 매개변수를 성공적으로 최적화했지만, 점도가 높은 용액에서 기포가 형성되었을 때 실패했습니다. Claude는 동일한 용기에서 조정된 매개변수로 절차를 반복적으로 재시작했으며, 이는 실수로 상황을 악화시켰습니다. 인간 연구원이 근본적인 물리적 메커니즘을 설명한 후에야 에이전트는 실행 가능한 우회 방법을 식별할 수 있었습니다.

카네기 멜런 대학교에서는 엔지니어들이 세 가지 시스템에 걸쳐 기본 인터페이스가 완전히 호환되지 않는 액체 처리기, 플레이트 리더, 로봇 팔 및 여러 모니터링 카메라를 통합했습니다. 개발 팀은 필요한 드라이버와 조정 계층을 구축하는 데 약 8시간이 소요되었다고 보고했으며, 이는 전통적인 벤더 구현에 일반적으로 요구되는 몇 주와 극명한 대조를 이룹니다. 테스트 중 Claude는 초기 실험run이 적절한 측정 곡선을 생성하지 못했음을 감지했습니다. 에이전트는 자율적으로 시험 물질의 최대 농도를 낮추었고, 그 결과 후속 시도에서 결과가 크게 개선되었습니다.

양자 컴퓨팅 기업 QuEra와의 시범 운영에서 Claude는 MHS를 활용하여 수백 번의 자동화된 사이클을 거쳐 시스템 중단 후 레이저를 안정적인 작동 상태로 복원할 수 있는 제어 알고리즘을 설계했습니다. 후속 맹검 테스트에서 생성된 스크립트는 99.3%의 성공률을 기록했으며, 언어 모델의 감독 없이 700회 시도 중 695회를 완전히 자율적으로 완료했습니다. Anthropic은 세 가지 사례 모두 파트너 협력을 기반으로 하며 독립적인 제3자에 의해 아직 검증되지 않았다고 언급합니다.

Claude는 텍스트 및 시각 데이터를 통해서만 물리적 세계에 대한 이해를 획득하므로, 공간적 및 인과적 추론이 제한되어 지속적인 전문가 감독이 필요합니다. Genentech 시범 운영 중 demonstrated된 바와 같이, 연구원은 샘플 거품화로 인한 소프트웨어 결함과 물리적 고장을 구별하도록 Claude에게 지시해야 했습니다. 연구 미리보기 단계 전반에 걸쳐 Anthropic은 파트너들과 협력하여 확대된 안전 평가를 구현하고 잠재적 오용을 완화하기 위한 포괄적인 물리적 안전 로드맵을起草할 예정입니다.

이 프레임워크가 견고함이 입증된다면, AI 에이전트가 순수 디지털 환경에서 실험실, 제조 시설 및 산업 자동화 시스템과 같은 물리적 영역으로 전환하는 장벽을 상당히 낮출 수 있습니다. 업계의 채택은 이미 진행 중이며, AWS, Doosan Robotics, QIAGEN, Tecan, Universal Robots, Hugging Face, Raspberry Pi를 비롯한 기업들이 MHS 호환성을 적극적으로 개발하거나 사양을 평가하고 있습니다.