Anthropic、AIエージェントが実験機器を動かす「Model Hardware Standard」を研究プレビュー

AIエージェントの守備範囲は、これまでソフトウェアとデータの側に閉じていた。Anthropicが2026年8月27日に公開した Model Hardware Standard（MHS） は、そこに顕微鏡や液体ハンドラー、ロボットアームといった物理機器を加えるための共通仕様である¹。同社はこれを研究プレビューとして、科学研究機関と先端製造業の第1グループに向けて開放した¹。

MHSは、複数の実験・製造機器をエージェントが並行して操作し、日常的な創薬実験から量子コンピュータのレーザー調整までをこなせるようにする仕様だと説明されている¹。開発はAnthropicとHHMI Janelia Research Campusの共同として始まった¹。

機器ごとの「作り込み」を標準ドライバに置き換える

Anthropicが挙げる出発点の課題は、機器同士がそもそも会話しないことだ。機器はそれぞれ固有のプログラミングインターフェースを持ち、統合する標準的な方法が存在しない。つなげた後も、機器がAIエージェントとデータを共有する共通の方法も、エージェントに安全に操作させる方法もない¹。同社は、ラボや製造施設のハードウェア設定と統合には通常なら数週間から数か月かかり、MHSはこれを数時間から数分に短縮すると述べている¹。

仕組みの中心にあるのは 標準ドライバ である。コンピュータのOSとハードウェア機器の間を翻訳するソフトウェアで、「read」（例: 温度を取得）や「write」（例: 温度を設定）という単純なプリミティブの集合を使う¹。あわせて各機器を標準形式で発見可能にし、間に専用の「翻訳」プログラムを挟まずに機器とエージェントが互いを見つけられるようにする¹。

興味深いのは、コードだけからは読み取れない情報の扱いだ。たとえばロボットアームの重量は、安全に動かすうえで知っておく必要があるのに、紙のマニュアルや利用者のPC、あるいは暗黙知として散らばってきた¹。MHSのドライバはこれを 自然言語のタグ として直接書ける仕様になっており、利用者が自分で書くか、ハードウェア構成について聞き取りをするエージェントと会話して埋めることもできる¹。タグの情報から、機器が何を測れるか、何を調整できるか、どんな安全上の限界が課されるかを記した参照ファイルが自動生成される¹。

エージェント側から機器を制御する経路は、MCP、コマンドラインインターフェース、コードファイル（API）の3つである¹。MCPは元々、AIとソフトウェア・データをつなぐ共通の口として広まった仕組みだが、MHSはそれを物理機器の側に延長する位置づけになる。MHSはプログラマブルなインターフェースを持つ機器なら何にでも使え、モデル非依存で、どのエージェントハーネスからも標準プロトコルで到達できるとされる¹。

実地結果には、うまくいかなかった部分も書かれている

告知ページには、MHSを実際に使った6組織の報告が併載されている。Genentech、ワシントン大学のBaker・Pinglay研究室、カーネギーメロン大学、HHMI Janelia Research Campus、QuEra Computing、Tetsuwan Scientificの各組織で、いずれも各組織自身の執筆であり、Anthropicの測定結果ではない¹。

Genentechは、試料中の総タンパク質濃度を測る標準的な手順であるBCAタンパク質アッセイの自動化を、概念実証として実装した¹。液体ハンドラー、ロボットアーム、プレートリーダーの3機器の連携が必要になる作業だ¹。同社によれば、こうした自動化システムの設定は現状では手作業で時間のかかる工程であり、数週間から数か月を要することもある¹。

結果は一様ではない。最初のテストでは、Claudeは手順自体は実行したものの、水溶液と粘性のある溶液の双方に同じ流量という汎用的なパラメータを選び、粘性溶液に泡を生じさせて不正確な液体移送を招いた¹。その後の自律的な最適化では、水は約140 µL/s（RMSE 0.016）、BSAは10 µL/s（RMSE 0.181）という値に到達し、同社の自動化専門家がこの設定に妥当だと確認している¹。通常このパラメータ最適化は、専門家がパラメータの組ごとにカスタムのプログラミングロジックを書き、データを繰り返し分析して進める作業だという¹。

Genentechが率直に書いているのは、その先である。実験中、Claudeはチップの取得失敗や液面検出エラーといった予期せぬエラーに何度か遭遇したが自力で復帰した。同社はこれを現在の科学機器がおおむね持たない能力だとしつつ、同じ実験がAIモデルの現在の限界も浮き彫りにしたと述べる。汎用的な推論には長けていても、物理的・化学的・生物学的な制約、とりわけ現実世界の物理的直観を要するエラー対応では依然として苦戦する、というのが同社の評価だ¹。

具体例が泡だった。混合中に泡が原因のランタイムエラーに遭遇したとき、Claudeの既定の反応は同じウェルでパラメータを変えて再試行することだった。だがこれは液体をさらに攪拌して泡を増やしただけで、失敗の背後にある物理をClaudeがまだ理解していなかったため、人間の側がより穏やかに液体を扱うパラメータへ誘導する必要があった¹。誤りの原因が物理的な泡であり、清潔なウェルに移して混合回数を減らす必要があると伝えられた後は、Claudeはその文脈を実行の残りを通じて保持したという¹。同社はこの学びを再利用可能な液体操作スキルとしてまとめ、液体の物性に応じた既定パラメータを選べるようにしてエラーを減らした¹。同社はこの研究を、有望な概念実証だと位置づけている¹。

ワシントン大学のBaker・Pinglay研究室では、博士課程の学生がMHSを使い、機器を遠隔監視するダッシュボード、増幅曲線を見て適切なタイミングで手順を止めるAIエージェント監督下のqPCR、ロボットアームと液体ハンドラーの衝突のないプレート受け渡しを構築した¹。注目すべきは統合にかかった時間で、ドライバを書く時間も含めて6台の機器の接続が1週間未満で済んだと報告している¹。従来この種の配線は、ベンダーごとにソフトウェアもデータ形式もドライバも異なるため数か月から数年かかり、費用も数千ドルから数百万ドルに及ぶ統合問題だったという¹。プレート受け渡しのデモでは、液体ハンドラーの完了信号を受けて約10秒後にアームが動き、繰り返しのテストで両機器が一度も衝突しなかった¹。

カーネギーメロン大学は、段階希釈による用量反応実験を従来比で約3倍の速さで実行したと報告している。液体ハンドラー、プレートリーダー、ロボットアーム、監視カメラを、根本的に互換性のないインターフェースを持つ3台のコンピュータにまたがって、AIエージェントが統括した構成だ¹。手作業なら一連の段階希釈実験の設定と実施に数週間かかり、自動化ラボを使える場合でも手順の開発に数週間の自動化エンジニアリングを要するという¹。

残る3組織も分野が異なる。HHMI Janelia Research Campusでは、Ahrens研究室で睡眠がストレスからの回復をどう助けるかを研究する科学者が、それまで共通インターフェースを持たない7種類のベンダープログラムを要していた顕微鏡のリグを、MHSで統合して制御したと報告している¹。QuEra Computingは中性原子を使う量子コンピュータの企業で、機械内部のレーザー系の一部をAIエージェントに制御させた。エージェントは、レーザーが原子と相互作用するために保つ必要のある超高精度な周波数、すなわち「ロック」を、人間の介入なしに 99.3% の割合で復帰させるコントローラを開発したという¹。Tetsuwan Scientificは自社の自動生物実験プラットフォーム ResearchOS にMHSを統合し、カリフォルニア州San Pedro Creekの汚染を調べる市民科学の取り組みに向けたqPCRワークフローの統括に用いた¹。

現段階で言えることと、言えないこと

読み取っておきたい限定がいくつかある。MHSは研究プレビューであり、対象は限定されたパートナーの第1グループである¹。オープンソース化についてAnthropicは、安全性評価の構築とベストプラクティスの整備をパートナーと進める段階だとしたうえで、標準をオープンソースにする「前段階」と表現しており、時期は示していない¹。「数週間・数か月から数時間・数分へ」という短縮幅もAnthropic自身の主張であって、第三者の測定ではない。

各組織の報告も、本人たちが段階を明示している。ワシントン大学の報告は、これらの実演がまだ概念実証にすぎず、より複雑な実験手順を確実に動かすには相当な最適化と、より広範で複雑な物理操作の統合が必要だと書く。加えて、長い監視ウィンドウでエージェントを継続的に動かす計算コストを、節約できる研究者の時間と天秤にかける必要があるとも指摘している¹。

ロボット側からも似た場所を目指す動きが続いている。Skild AIが公開したロボット基盤モデル「S1」は、動画を1本見せると未学習のタスクを実行できるという主張で、機体そのものの汎用性を上げる方向だった。Google DeepMindの「Gemini Robotics 2」も、人型ロボットの全身制御と複数ロボットの協調を扱っている。MHSはこれらとは逆方向から、つまり既存の機器をそのまま活かして接続の側を標準化する道を採っている点が異なる。

自社の設備をエージェントに触らせることを考える立場からすると、今回の公開でいちばん実用的な情報は、成功した最適化の数値よりもGenentechが書いた泡のくだりかもしれない。エラーコードを読んで再試行するという、ソフトウェアの世界では妥当な戦略が、物理現象を相手にすると事態を悪化させる。機器を安全に動かす仕様が整うことと、エージェントが現実世界の因果を理解していることは別の話であり、当面は前者が整っても後者を人間が補う設計が要る、という読み方ができる。

Sources

1. Previewing the Model Hardware Standard - Anthropic公式発表（2026年8月27日）。Genentech、ワシントン大学Baker・Pinglay研究室、カーネギーメロン大学、HHMI Janelia Research Campus、QuEra Computing、Tetsuwan Scientificによる各寄稿を同ページに収録