Model Hardware Standard'ı Tanıtıyor

Model Hardware Standard (MHS) araştırma ön izlemesini açıyoruz. MHS, yapay zeka ajanlarının fiziksel cihazları güvenli bir şekilde işletmesi için ortak bir belirtimdir ve ilk olarak bilimsel araştırma laboratuvarları ve ileri teknoloji üreticilerine sunulmaktadır. MHS, yapay zeka ajanlarının mikroskoplar, sıvı taşıyıcılar ve robotik kollar gibi birden fazla laboratuvar ve üretim aracını aynı anda işletmesini ve ilaç keşfi deneylerinden kuantum bilgisayardaki lazer kalibrasyonuna kadar karmaşık görevleri gerçekleştirmesini sağlar. MHS geliştirme çalışmaları Anthropic ile HHMI Janelia Research Campus arasında işbirliği olarak başlamıştır.

Bir laboratuvar veya üretim tesisinin donanımını kurmak ve entegre etmesi genellikle haftalar, hatta aylar sürer. Çoğu cihaz birbirleriyle iletişim kurmaz ve uzmanların özel entegrasyonlar oluşturmasını gerektirir. MHS bu entegrasyon işini saatlere veya dakikalara indirir. Ayrıca, bu araçlara yapay zekayı dahil ederek MHS, araştırmacıların ve mühendislerin otonom, kesintisiz deney ve iş akışlarını daha kolay yönetmesine yardımcı olur. Ajanlar, bir deneyin her adımında akıl yürütebilir, parametreleri gerçek zamanda güncelleyebilir ve bazı durumlarda donanım hatalarından müdahale olmadan kurtulabilir.

MHS'nin erken bir sürümünü, yapay zeka sistemleri tarafından işletilen fiziksel ekipmanlar için güvenlik değerlendirmeleri oluşturabilmek ve en iyi uygulamaları geliştirebilmek amacıyla bilim, robotik, elektronik ve üretim alanındaki ortaklarımızla paylaşıyoruz. Standart açık kaynak hale gelmeden önce bu işbirliği gerçekleşecektir. MHS, programlanabilir bir arayüze sahip herhangi bir cihazla çalışır. Ayrıca model-agnostiktir ve herhangi bir ajan harness, Model Context Protocol gibi standart protokolleri kullanarak buna erişebilir. Araştırma ön izlemesine erişim için başvurmak üzere buraya gidiniz.

Bir laboratuvar veya fabrika tabanındaki birden fazla cihazın birbirleriyle iletişim kurması zor olabilir. Yapay zekayı kuruluma entegre etme zorluğunu bir tarafa koysak bile. Her cihazın kendi programlama arayüzü vardır ve şimdiye kadar bunları entegre etmenin standart bir yolu olmamıştır. Cihazlar bağlandıktan sonra da, bunların bir yapay zeka ajanı ile veri paylaşmasının veya ajanın onları güvenli bir şekilde işletmesinin ortak bir yolu yoktur.

MHS bu sorunları, bir bilgisayarın işletim sistemi ile bir donanım cihazı arasında çeviri yapan yazılım olan standartlaştırılmış bir sürücü sunarak çözer. MHS sürücüsü basit bir dizi ilkel kullanır — "oku" (örneğin, "sıcaklığı al") veya "yaz" (örneğin, "sıcaklığı ayarla") gibi komutlar — ki herhangi bir donanım cihazı bunu anlayıp işlem yapabilir. Ayrıca her cihazı standart bir biçimde keşfedilebilir hale getirir. Böylece cihazlar ve ajanlar birbirleri arasında özel bir "çevirmen" programına ihtiyaç duymadan ağlar üzerinde birbirlerini bulabilir ve iletişim kurabilir.

MHS sürücüsü, bir yapay zeka ajanının daha önce hiç görmediği bir cihazı nasıl kullanacağını anlamasına yardımcı olur. Makine özelliklerinden bahseden bilgiler sağlar — bu bilgiler tek koddan anlaşılamayabilir (örneğin, bir robot kolunun ağırlığı, onu güvenli bir şekilde nasıl manipüle edeceğini bilmek için önemlidir). Şu ana kadar bu bilgilerin çoğu kağıt el kitaplarında, kullanıcının bilgisayarında veya zımni bilgi olarak saklanmıştır. Ancak MHS sürücüsü, kullanıcının bu bilgileri doğal dilde yazmak için etiketler içerir (kullanıcılar bunu kendileri yapabilir veya donanım kurulumları hakkında onlarla görüşen bir ajanla sohbet ederek yapabilir). Bu etiketlerden gelen bilgiler sayesinde, MHS sürücüsü otomatik olarak bir cihazın genel özellikleriyle ilgili bilgiler içeren bir referans dosyası üretir — ne ölçebileceği, ne ayarlanabileceği ve hangi güvenlik sınırlarının uygulanacağı. Bu dosya, ajanın cihazı işletmek için bilmesi gereken her şeyi içerir.

Cihazlar bağlandıktan ve ajan her birini nasıl kullanacağını öğrendikten sonra, ajanın donanımı kontrol etmesi gerekir. MHS için, bunun için üç mekanizma vardır: MCP, komut satırı arayüzü ve kod dosyaları (API'ler). Bunlar, birden fazla cihaz arasında tek bir kod satırı aracılığıyla orkestrasyonu sağlamak için birlikte çalışır.

Ajan cihazları kontrol edebildikten sonra, her birinden işletim verileri alabilir ve işi üst düzeyde denetleyebilir ve yönlendirebilir. Ajan, enstrümanlar arasındaki adımları sıralayabilir, sonuçları izleyebilir ve koşullar gerçek zamanda değiştikçe parametreleri ayarlayabilir. Ajan uzun süren görevleri yürütmesi gerektiğinde veya çevrimiçi akıl yürütmesinin izin verdiğinden daha hızlı cihaz işletmesi gerektiğinde, bir veya daha fazla cihazdan sürücü komutlarını kod dosyalarında zincirleyebilir. Bu, cihazların işlemleri kendilerini gerçekleştirmesine olanak tanır. Ajanın her adımda akıl yürütmesine gerek kalmaz.

MHS'yi test ettikçe, Claude'un deneyler ve donanım ile etkileşim kurmasının bilim insanının yapacağı gibi araştırmacı bir şekilde olduğunu gördük. Örneğin, Claude'un bir lazeri ayarladığını, lazer ışınının nasıl hareket ettiğini değerlendirmek için bir kamera aracılığıyla sonuçları gözlemlediğini ve süreci tekrarladığını (olaylar dizisini anlamaya çalışarak) gözlemledik. Claude daha sonra öğrendiklerini kod dosyalarına paketledi ve lazeri uyumlu hale getirmek için her adımda akıl yürütmek zorunda kalmadan izin veren belirleyici bir komut dosyası yazdı. Böylece tüm işlem tek bir komut olarak çalıştırılabildi.

Önde gelen modeller ve MHS ile insanların yapabileceği şeyleri yeni yeni görmeye başlıyoruz, ancak umudumuzdur ki standart, araştırmacılara, mühendislere ve programlanabilir bir arayüze sahip cihazlar kullanan diğer uygulayıcılara, herhangi bir alanda keşif ve deney sürecini hızlandırmada yardımcı olabilir.

MHS geliştirirken, bunu biyoteknoloji, robotik, kuantum bilgisayarı ve diğer alanlardaki bir avuç laboratuvar ve donanım üreticisiyle paylaştık. Bu erken projeler arasında, MHS'nin cihaz entegrasyonunu yapma süresini azalttığını, çeşitli deneysel ortamlarda daha hızlı yineleme yapmayı mümkün kıldığını ve makinelerin canlı işletilmesi ve gerçek zamanlı hata tespitine yardımcı olduğunu gördük. Aşağıda, ortaklarımız MHS'ye dahil bazı erken proje ayrıntılarını paylaşıyor.

Donanım satıcıları ve onları destekleyen yazılım şirketleri, aynı zamanda MHS desteğini ekipmana entegre ediyor. Böylece yapay zeka ajanları cihazlarını daha kolay keşfedebiliyor ve işletebiliyor. Örneğin:

• Amazon Web Services, MHS'yi Strands Robots aracılığıyla destekleyecek. Strands Robots, yapay zeka ajanlarını fiziksel cihazlara bağlama kütüphanesidir. AWS, MHS araştırma ön izlemesi boyunca katılımcılara Strands Robots paketinin özel, ön-yayın sürümünü sağlayacak.
• Automata, LINQ'e MHS desteği ekliyor. LINQ, laboratuvar otomasyonu platformudur. Otonomus laboratuvarlarda enstrümanların canlı hata işlenmesini gerçekleştirecek.
• Danaher ve Anthropic, MHS tarafından desteklenen yeteneklerin akıllı enstrümanlar ve otonom laboratuvarların biyomedikal araştırma ve geliştirme ölçeklendirilmesini nasıl sağlayabileceğini aktif olarak inceliyor.
• Doosan Robotics, MHS'yi robot kollarıyla test ediyor. Otomatik kalite güvencesi gerçekleştirmek ve birden fazla robot arasında görevleri koordine etmek için kullanıyor.
• MBF Bioscience, dünyanın birçok nöroloji laboratuvarında lazer taramalı mikroskopları çalıştıran yazılım olan ScanImage için MHS sürücüsü oluşturuyor. Yapay zeka ajanlarını gerçek zamanlı veri analizi ve deneyler içine entegre etmek için.
• QIAGEN, MHS'yi nükleik asit saflaştırma platformu olan QIAsymphony Connect'te çalışma yapan bir kavram kanıtı aracılığıyla deneyimleniyor. Yapay zeka ajanlarının laboratuvarları enstrüman sorunlarını daha hızlı gidermeye, operatörleri kurtarma konusunda kılavuzlamaya ve enstrüman çalışma süresini iyileştirmeye, biyolojik örneklere risk azaltmaya yardımcı olmasını gösteriyor.
• Tecan, Fluent sıvı taşıyıcı platformları için MHS desteği ekliyor. Yapay zeka ajanları bunları doğrudan keşfedebiliyor ve işletebiliyor.
• Universal Robots, MHS'ye erken erişim sahibi oldu ve robotik platformuna destek eklemeyi planlıyor.

Ortaklarımızdan bu erken sonuçlar umut vericidir, ancak standart açık kaynak hale gelmeden önce daha fazla çalışma yapmamız gerekiyor. Büyük bir dil modeli olarak Claude, fiziksel dünya hakkında metinler ve görüntüler aracılığıyla öğrenir. Bu da, mekansal ve fiziksel akıl yürütmesinin sınırlamalar içeriyor — uzman gözetimi gerekli. Örneğin, protein örnekleriyle çalışırken, Genentech araştırmacılarının Claude'a, örneklerde köpürme neden olan hataların yazılım hataları değil, fiziksel hatalar olduğunu anlamasını sağlamak zorunda kaldı. Bunlar sadece uygun fiziksel düzeltmeler aracılığıyla hafifletilebilir.

MHS ayrıca henüz programlama arayüzü olmayan donanımla çalışmıyor. Bu nedenle, bu tür cihazların üreticileriyle MHS sürücüleri oluşturmak için çalışıyoruz. Birçok geliştirici, fiziksel ekipmandaki bireysel parçaları işletmek için Claude Code kullanıyor. MHS'nin sonraki aşamasında, standartı geliştirenlerin oluşturduğu cihazların daha fazlasını kapsamak amacıyla genişletmeyi umuyoruz. Erken benimseyenler arasında, LeRobot'ta MHS desteği ekleyen Hugging Face ve kamera MHS Sürücüsü'nü kullanan başarılı testlerden sonra birçok ürünü arasında MHS entegrasyonunu etkinleştiren Raspberry Pi yer alıyor.

Araştırma ön izlemesini, başlatma ortaklarımızla ek güvenlik değerlendirmeleri oluşturmak ve fiziksel dünyada yapay zeka kullanımı için korumalarını güçlendirmek için kullanacağız. Yanlış kullanım riskine karşı korumaları policyni ve uygulama kapsamını güçlendirmek için fiziksel güvenlik yol haritası geliştiriyoruz. MHS'yi açık kaynak hale getirdiğimizde, araştırma ön izlemesinden gelen bulgularını standart dağıtım rehberi olarak yayınlayacağız.

MHS araştırma ön izlemesine katılmak için tüm endüstriler arasında paydaşları davet ediyoruz. Katılmak istiyorsanız ilginizi buraya gönderiniz.

MHS, Anthropic'in Beneficial Deployments ekibindeki Alek Kemeny ile HHMI Janelia Research Campus'teki doktora sonrası bilim insanı Arco Bast arasında işbirliği olarak başladı. Bast, farklı satıcılardan ortak arayüzü olmayan lazerler, motorlu odaklanma cihazları ve özel kameralardan oluşan bir kurguyla karmaşık beyin görüntüleme deneyleri yürütüyordu. Deneylerini hızlandırmak için, enstrümanların hafıza hızında birbirleriyle iletişim kurmasını sağlayan paylaşılan hafıza sözlüğü geliştirdi. Kemeny ve Bast, o arayüze yapay zeka modellerini entegre etmek için birlikte çalıştı.

Çalışmaya katkı yapan herkese teşekkür ederiz — bunlar arasında Aaron Boswell, Ben Arthur, Boaz Mohar, Gagan Bhat, Mark Kittisopikul, Nadine Yasser, Nick Purcell, Takashi Kawase ve Virginie Ruetten vardır ancak bununla sınırlı değildir. MHS'yi endüstri ortaklarımız ve yakında açık kaynak topluluğuyla birlikte ileriye taşımayı bekliyoruz.