Anthropic「MHS」、AIが実験装置を直接操作

📑 目次

1. 「MCP」を物理世界に広げた仕組みがMHS
2. 「read」「write」で機器を動かし、安全情報もあわせて記録する
3. Carnegie Mellon大学やワシントン大学で統合作業が短縮
4. Genentechの実験自動化とAIが認識できなかった「泡立ち」
5. Carnegie Mellon・ワシントン大学・HHMI Janelia・QuEraの成果
6. ビジネスパーソンにとってのSo What
7. 研究プレビュー段階、対応機器には制約も
8. まとめ
9. 参考・出典

米Anthropicは2026年8月27日、AIがロボットアームや顕微鏡といった実験室・工場の機械を直接操作できるようにする新しい仕様「Model Hardware Standard(MHS)」の研究プレビューを発表した出典。神経科学の研究機関HHMI Janelia Research Campusと共同で公開したもので、これまでAIが扱う対象は文章やコード、画像などパソコンの画面の中で完結する情報が中心だった。MHSはその対象を、実際に動く物理的な装置へと広げる試みだ。製薬会社Genentechや量子コンピュータ企業QuEra Computingなど複数の組織がすでに試験導入しており、AIと装置をつなぐ準備作業にかかる時間が大きく短くなったと報告している。

「MCP」を物理世界に広げた仕組みがMHS

AnthropicはこれまでAIが外部のデータやツールに接続するための共通の決まりごとを作ってきた。これは「Model Context Protocol(MCP)」と呼ばれ、AIが様々なアプリやサービスと同じ手順でやり取りできるようにする仕組みで、当サイトでも過去に紹介している。MHSは、この考え方をソフトウェアからハードウェアへと広げたものだとAnthropicは位置づけている出典。AIエージェントが物理デバイスを安全に操作するための共有仕様、というのがMHSの説明だ。

「read」「write」で機器を動かし、安全情報もあわせて記録する

MHSの仕組みはシンプルだ。機器ごとに標準化された「ドライバ」と呼ばれる小さなプログラムを用意する。ドライバは機器とコンピュータの間を橋渡しする役割を持ち、AIは「read(読み取る)」「write(書き込む)」という共通のコマンドでやり取りする。例えば温度を読み取るのが read、温度を設定するのが write にあたる。ドライバには、機器の重さや安全上の限界値、調整可能なパラメータといった、これまで紙のマニュアルや専門家の暗黙知としてしか存在しなかった情報も記録される出典。MHSは特定のAIモデルに紐づかず、プログラムで制御できる仕組みを持つ機器であれば、どんな機器とも接続できるとAnthropicは説明している。現在は限られた組織のみが利用できる研究プレビュー段階で、安全性の評価とベストプラクティスの整備を進めた上で、将来的にオープンソース化する計画だ。

Carnegie Mellon大学やワシントン大学で統合作業が短縮

MHSの効果として複数の研究機関が挙げているのが、AIと機器をつなぐ準備作業(統合)にかかる時間の変化だ。Carnegie Mellon大学では、従来は数週間かかっていた統合作業が8時間で完了するようになったという出典。ワシントン大学のBaker研究室・Pinglay研究室では、従来は数ヶ月から数年かかっていた統合が、1週間以下で終わるようになったと報告されている。HHMI Janeliaでは、従来は数日かかっていた統合が数分で終わるようになったという。いずれも元の期間が「数週間」「数日」といった概数のため、正確な短縮倍率を計算することはできないが、複数の異なる研究機関で同じ方向の変化が報告されている点は注目に値する。

Genentechの実験自動化とAIが認識できなかった「泡立ち」

研究プレビューに参加した組織の中でも、成果と限界の両方が具体的に示されているのがGenentechの事例だ。Genentechはタンパク質を定量する「BCAアッセイ」という実験手順を自動化し、液体を正確な量だけ移し替える「液体ハンドラー」・ロボットアーム・測定装置「プレートリーダー」を統合した出典。AnthropicのAIモデルClaudeは、水の流速を毎秒140マイクロリットル、BSA試薬の流速を毎秒10マイクロリットルに最適化したという。一方でGenentechの研究者は、Claudeが液体の泡立ちのような物理現象をうまく認識できず、トラブル対応では専門家の助言がなお必要だったと指摘している。この点はAnthropic自身も認めており、専門家による監督は依然としてこの仕組みの一部だとしている。

Carnegie Mellon・ワシントン大学・HHMI Janelia・QuEraの成果

他の参加組織でも具体的な成果が報告されている。Carnegie Mellon大学は、濃度を段階的に変えて反応を見る「シリアルディルーション用量反応実験」で、液体ハンドラー・プレートリーダー・ロボットアーム・カメラを3台のコンピュータから統合制御し、従来と比べて3倍速く実験を終えられたという。意図的に混入させた6種類の異常をすべて正しく検知して停止させ、1回目が不合格になった後はClaudeが自律的に濃度の範囲を調整して再実験し、決定係数R²が0.98を超える精度を達成した。ワシントン大学は、遺伝子を増幅して検出する「qPCR」のリアルタイム自動監視や、ロボットアームと液体ハンドラーが物同士をぶつけないよう調整する衝突回避を実現した。HHMI Janeliaでは、従来は決まった順序で個別に起動しなければならなかった7つの異なるメーカーのプログラムを統合し、ワンクリックで研究を開始できるようになったという。量子コンピュータ企業QuEra Computingでは、レーザーの周波数を安定させる調整作業で、従来の手作りスクリプトは1回の試行に150秒かかり成功率は58%だった。MHSとClaudeによる一晩がかりの自動最適化の結果、1回の試行は6秒に短縮され、成功率も99.3%まで向上したという出典。

ビジネスパーソンにとってのSo What

これまでAIが得意としてきたのは、文章の作成やコードの生成、画像の処理といった、画面の中で完結する仕事だった。MHSが示すのは、AIが実際に機械を動かす領域へと広がりつつあるという流れだ。ロボットの動きそのものを学習させる取り組みとしては、GoogleのGemini Robotics 2による全身動作の実現(Gemini Robotics 2、全身動くロボットAI発表)や、Generalist AIが現場で即興的に動作を学習させる試み(Generalist AI、成功率59%でロボット即興学習)なども進んでおり、AIと物理世界をつなぐ研究は複数の企業が同時に進めている競争領域だ。MHSは今のところ研究機関や製薬会社での実験自動化が中心だが、機器をAIにつなぐ手順を標準化するという考え方自体は、将来的に工場や物流の現場にも応用が広がりうる。ただし、現時点でこれを裏付ける工場や物流現場での実績は材料の中にはなく、あくまで可能性として捉える必要がある。技術系メディアthe-decoder.comは、紹介されている3つの事例がすべてAnthropicのパートナー企業によるプロジェクトであり、第三者による独立した検証は行われていない点を指摘している出典。Genentechの泡立ちの事例が示すように、AIが物理現象を直感的に理解できているわけではなく、専門家の判断がなお欠かせない段階にあることも合わせて押さえておきたい。

研究プレビュー段階、対応機器には制約も

MHSは現在、限られた組織だけが利用できる研究プレビュー段階にあり、安全性の評価とベストプラクティスの整備を経て、将来的にオープンソース化する計画だとAnthropicは説明している。ハードウェア側では、AWSのロボット向けライブラリ「Strands Robots」のほか、Automata、Danaher、Doosan Robotics、Universal Robots、Hugging Face、Raspberry Piといった企業が対応を予定・検討しているという。一方で、MHSはプログラムによる制御インターフェースを持たない機器には対応できない。古い機器や専用の制御盤しか持たない設備には、そのままでは適用できないことになる。Anthropicは直近、AIの安全研究をAI自身に任せる実験も進めており(Anthropic、AIの安全研究をAI自身に任せる実験)、ソフトウェアの内側と物理世界の外側の両方でAIエージェントの活動範囲を広げようとしている流れが見える。

まとめ

Model Hardware Standardは、AIが実験室や工場の機械を直接動かすための共通の手順を整えるものだ。統合作業の短縮やQuEraでの成功率向上といった具体的な成果が報告される一方、AIが物理現象を直感的に理解できていない限界や、第三者検証がまだない段階であることも事実として押さえておく必要がある。

参考・出典

• Anthropic公式発表
• CNBC
• the-decoder.com
• AI Business

---