HARDWARE Y AUTONOMÍA
Anthropic lanza un estándar para que agentes de IA operen equipamiento físico
El Model Hardware Standard (MHS) permite que agentes como Claude controlen microscopios, brazos robóticos y otros dispositivos de laboratorio sin integraciones custom. Lo que antes tomaba semanas ahora lleva minutos.
Anthropic abrió la preview de investigación del Model Hardware Standard (MHS), una especificación compartida que permite a agentes de IA operar dispositivos físicos de forma autónoma. La compañía lo está probando con laboratorios científicos y fabricantes avanzados, según anunció en su sitio oficial.
El estándar nació de una colaboración entre Anthropic y el HHMI Janelia Research Campus. Su promesa: reducir de semanas o meses a horas o minutos el tiempo que toma integrar hardware de laboratorio o fábrica. MHS permite que un agente controle en paralelo múltiples instrumentos —microscopios, manejadores de líquidos, brazos robóticos— y ejecute tareas que van desde experimentos rutinarios de descubrimiento de drogas hasta calibración láser en computadoras cuánticas.
Cómo funciona
Hoy cada dispositivo tiene su propia interfaz de programación. Conectarlos entre sí requiere integraciones a medida, y no existe un modo estándar para que un agente de IA acceda a todos ellos y los opere de forma segura.
MHS introduce un driver estandarizado que traduce entre el sistema operativo y el hardware usando primitivas simples: comandos como read (leer temperatura) o write (setear temperatura). Cualquier dispositivo puede entender y ejecutar estas instrucciones. El driver también hace que cada máquina sea descubrible en un formato común, eliminando la necesidad de programas traductores entre dispositivos y agentes.
Además, el driver de MHS incluye tags en lenguaje natural donde el usuario describe características de la máquina que no están en el código: peso de un brazo robótico, límites de seguridad, capacidades de medición. Esta información —que antes vivía en manuales en papel o como conocimiento tácito— se convierte en un archivo de referencia que le dice al agente todo lo que necesita saber para operar el equipo.
Control y orquestación
Una vez que el agente entiende el hardware, puede controlarlo mediante tres mecanismos: Model Context Protocol (MCP), línea de comandos, y archivos de código (APIs). Estos trabajan juntos para permitir la orquestación de múltiples dispositivos con una sola línea de código.
El agente recibe datos operativos de cada máquina, supervisa el trabajo y ajusta parámetros en tiempo real. Cuando necesita ejecutar tareas largas o más rápidas que su razonamiento en línea, puede encadenar comandos del driver en archivos de código, permitiendo que los dispositivos operen solos sin que el agente tenga que razonar en cada paso.
Durante las pruebas, Anthropic observó que Claude interactúa con experimentos de forma exploratoria, similar a como lo haría un científico: ajusta un láser, observa el resultado por cámara, repite el proceso hasta entender la secuencia, y luego empaqueta lo aprendido en un script determinístico que puede ejecutarse como un solo comando.
Casos de uso tempranos
Antropic compartió MHS con laboratorios y fabricantes en biotech, robótica, computación cuántica y otros campos. En estos proyectos iniciales, el estándar redujo el tiempo de integración de dispositivos, aceleró la iteración experimental y asistió con la operación en vivo de máquinas y manejo de fallas en tiempo real.
MHS funciona con cualquier dispositivo que tenga interfaz programable y es agnóstico al modelo: cualquier harness de agentes puede acceder usando protocolos estándar. Anthropic planea lanzarlo como open source después de desarrollar evaluaciones de seguridad y mejores prácticas con sus partners actuales.
Por qué importa
Este estándar marca un cambio en cómo pensamos la autonomía de los agentes. Hasta ahora, la mayoría de los agentes de IA operan en entornos puramente digitales: navegan browsers, escriben código, procesan documentos. MHS les abre la puerta al mundo físico, con todas las complejidades que eso implica: coordinar múltiples máquinas, ajustar parámetros en función de resultados reales, recuperarse de errores de hardware.
Para empresas que trabajan con infraestructura física —manufactura, laboratorios, logística— la capacidad de orquestar equipamiento sin integraciones custom reduce fricciones operativas y habilita experimentación continua. La pregunta no es solo qué pueden hacer los agentes, sino cuánto más rápido pueden hacerlo cuando operan 24/7 sin intervención humana en cada paso.
La decisión de hacer esto open source, una vez validadas las evaluaciones de seguridad, también importa: sugiere que Anthropic está apostando a que la estandarización acelere la adopción, en lugar de intentar capturar el mercado con una solución propietaria.
SEGUIR LA SEÑAL
VER TODO →
OpenAI presenta Jalapeño: su chip de inferencia propio supera 3× en latencia
El primer chip personalizado de OpenAI para inferencia muestra hasta 3.6× menos latencia y casi el doble de eficiencia energética que sistemas comerciales. Funciona con modelos propios y de terceros, incluyendo DeepSeek R1.
LLMs podrían explotar sus propios motores de inferencia para tomar control
Una investigación revela cómo modelos de lenguaje maliciosos podrían ejecutar código arbitrario en las máquinas GPU que los alojan, explotando bugs en vLLM y otros motores de inferencia. El ataque no requiere acceso externo.
Los laboratorios de IA de frontera aún no dicen cómo contener un modelo fuera de control
Ninguna de las principales empresas de IA tiene un plan público sobre qué hacer si un modelo autónomo intenta eludir controles humanos. OpenAI lidera en transparencia; Anthropic y Meta quedan últimos en un estudio independiente que expone el vacío en protocolos de contención.