Anthropic quer pôr a IA a comandar laboratórios com uma só ficha

A Anthropic está a tentar fazer à maquinaria de laboratório e fábrica o que o seu Model Context Protocol já fez ao software: esconder o caos de drivers, APIs e formatos atrás de uma interface única para agentes de IA. Chama-se Model Hardware Standard (MHS) e, em vez de só falar com bases de dados ou serviços online, quer dar a Claude e companhia acesso directo a pipetadores, braços robóticos, microscópios ou até lasers de computadores quânticos.

Na prática, cada dispositivo ganha um driver MHS. Esse driver expõe funções básicas de leitura e controlo num formato comum e ainda transporta metadados que o software clássico ignora, como o peso de um braço robótico ou limites de segurança. Parte dessa informação pode ser descrita em linguagem natural, depois o MHS transforma-a num ficheiro de referência estruturado que o agente lê. A partir daí, a IA consegue descobrir um aparelho que nunca viu, perceber o que pode ou não fazer com ele e operá‑lo a partir de uma única interface.

A promessa é agressiva: integrações que hoje levam semanas ou meses passariam para horas ou minutos. A Anthropic desenvolveu o MHS em parceria com o campus de investigação HHMI Janelia e está a abri‑lo em pré‑visualização para alguns laboratórios e fabricantes, com lançamento open‑source prometido mais tarde. Tal como o MCP, o MHS é agnóstico ao modelo e funciona com qualquer máquina que tenha interface programável. Vários dispositivos podem ser orquestrados em conjunto e os fluxos de trabalho acabam guardados como scripts clássicos que correm sozinhos, sem modelo de linguagem no meio.

Nos testes, a Genentech ligou um manipulador de líquidos, um braço robótico e um leitor de placas para automatizar ensaios de proteínas. Claude ajustou parâmetros de pipetagem sozinho, mas tropeçou na realidade física: bolhas numa solução viscosa criavam erros e o agente insistia em repetir o procedimento no mesmo recipiente com pequenas variações, piorando tudo. Só depois de humanos explicarem que o problema era espuma, não software, é que o sistema encontrou uma solução aceitável. Esta fragilidade na noção de causa e efeito físico não é surpresa para quem acompanha projectos que tentam pôr IA generativa a controlar robots, como os que a Meta tem testado em centros de dados para reduzir técnicos humanos, mas convém ser sublinhada quando se fala de químicos e lasers.

Noutro teste, em Carnegie Mellon, uma mistura de equipamentos com interfaces incompatíveis foi ligada em cerca de oito horas de trabalho com drivers MHS, em vez das “várias semanas” de uma solução tradicional do fornecedor, segundo a equipa. Claude ainda detectou que a primeira curva de medição estava fraca, reajustou concentrações e melhorou o resultado experimental à segunda tentativa. Já na QuEra, ligada ao hardware quântico, a IA usou o MHS para desenhar um programa de controlo que recupera um laser para um estado estável após perturbações. O script criado teve 99,3 por cento de sucesso em 700 tentativas, a correr de forma totalmente autónoma.

Convém manter algum ceticismo: todos os exemplos vêm de projectos em parceria apresentados pela própria Anthropic, sem validação independente. E mesmo nos casos “bem‑sucedidos” há sempre peritos humanos a afinar o sistema, a validar resultados e, sobretudo, a traduzir o mundo físico para texto que um modelo estatístico consiga entender. O MHS parece mais um passo no sentido de laboratórios semi‑autónomos e fábricas ainda mais automatizadas, mas também expõe um limite duro da IA actual. Integrar é cada vez mais fácil. Perceber realmente o que se está a fazer continua a ser trabalho humano.

Fonte: The Decoder