L’essentiel
- Anthropic ouvre en aperçu de recherche le Model Hardware Standard (MHS), une spécification partagée qui permet à des agents IA d’opérer des équipements physiques.
- Genentech, Carnegie Mellon, HHMI Janelia, QuEra Computing et les laboratoires Baker et Pinglay de l’université de Washington y accèdent : microscopes, manipulateurs de liquides et bras robotisés pilotés en parallèle.
- L’intégration d’un parc d’instruments, qui demande des semaines voire des mois, tombe à quelques heures ou quelques minutes.
- Le standard est annoncé model-agnostic et accessible via le protocole MCP, mais son passage en open source attend la fin de l’aperçu et une feuille de route de sécurité physique.
Un microscope, un manipulateur de liquides et un bras robotisé qui travaillent ensemble toute la nuit, sans personne dans la salle. Anthropic vient d’ouvrir ce scénario à un premier groupe de laboratoires de recherche et d’industriels, avec une brique logicielle baptisée Model Hardware Standard (MHS), une norme qui relie les modèles au matériel.
L’entreprise la présente comme une spécification partagée pour que des agents IA opèrent des équipements physiques en toute sécurité : une langue commune entre les modèles et les machines, dont Anthropic tient la plume.
Des microscopes, des bras robotisés et un pilote commun
Le point de départ tient à un désordre bien connu des salles blanches et des ateliers : chaque appareil arrive avec son interface de programmation propre, et rien ne les relie. Il faut un spécialiste pour bâtir une intégration sur mesure, appareil par appareil. Et quand les machines finissent par communiquer entre elles, aucun format commun ne permet de transmettre leurs données à un agent, encore moins de le laisser les commander sans risque.
MHS répond par un driver standardisé, la couche logicielle qui fait le lien entre le système d’exploitation d’un ordinateur et un appareil. Ce driver s’appuie sur un jeu de commandes élémentaires volontairement pauvre : lire (« get temperature ») et écrire (« set temperature »), deux opérations que n’importe quel équipement sait exécuter. Il rend surtout chaque machine repérable dans un format normalisé, de sorte que les appareils et les agents se trouvent sur le réseau sans passer par un programme traducteur.
Anthropic chiffre le gain : une intégration qui demandait des semaines, voire des mois, tomberait à quelques heures, parfois quelques minutes. À Carnegie Mellon, huit heures ont suffi pour passer d’un équipement non automatisé à une courbe de dilution terminée, contre plusieurs semaines avec un outil de fabricant. Elle pousse l’argument plus loin et évoque des campagnes d’expériences autonomes menées jour et nuit, où l’agent raisonne à chaque étape et ajuste les paramètres en temps réel. Dans certains cas, il se relève d’une erreur matérielle sans intervention humaine. Les exemples cités vont de l’expérience de routine en découverte de médicaments à la calibration laser sur un ordinateur quantique.
Le manuel papier devient une consigne en langage naturel
Le morceau le plus délicat de la spécification porte sur ce que le code ne dit jamais. Le poids d’un bras robotisé, par exemple, conditionne la manière de le manipuler sans casse, et aucune ligne de programme ne le révèle. Ces informations vivent aujourd’hui dans des manuels papier, sur le disque d’un opérateur, ou dans la tête de la personne qui règle la machine depuis dix ans.
Le driver MHS embarque des tags, des champs libres où ces caractéristiques s’écrivent en langage naturel. L’utilisateur les renseigne lui-même, ou les dicte à un agent qui l’interroge sur son installation, puis le driver produit automatiquement un fichier de référence exploitable. Anthropic industrialise ainsi la captation du savoir tacite d’un atelier. Celui qui fournit le format de cette description finit par détenir la carte du parc de machines.
L’open source attendra que les garde-fous soient écrits
L’entreprise assume une phase intermédiaire. La version partagée aujourd’hui avec Genentech, QuEra Computing, Tetsuwan Scientific, plusieurs laboratoires universitaires et une dizaine de fournisseurs d’équipements, dont Tecan, QIAGEN, Danaher, Universal Robots et Doosan Robotics, sert à construire ensemble des évaluations de sécurité et des bonnes pratiques pour les systèmes d’IA qui manipulent des machines. La publication en open source vient après.
Les règles d’abord, l’ouverture ensuite. Quand le code sortira, la grammaire de ce qu’un agent peut légitimement demander à une machine sera déjà fixée, et par la maison qui l’a rédigée. Le travail a démarré dans une collaboration entre Anthropic et le Janelia Research Campus du Howard Hughes Medical Institute, un centre de recherche en biologie et en imagerie. Sur place, un chercheur a réuni sous une seule interface un banc de microscopie qui réclamait jusque-là sept programmes de fabricants différents. Ce partenaire académique donne au standard sa légitimité scientifique avant qu’il ne rencontre l’industrie.
Un standard neutre, un arbitre qui ne l’est pas
MHS fonctionne avec tout appareil doté d’une interface programmable, revendique l’indépendance vis-à-vis des modèles et s’ouvre à n’importe quel agent via des protocoles standard, dont le Model Context Protocol (MCP). Anthropic a déjà joué ce coup avec MCP, publié pour brancher les agents sur les logiciels et les données, puis adopté bien au-delà de ses propres modèles.
Google DeepMind travaille le même terrain par l’autre bout : ses modèles Gemini Robotics 2 apprennent au robot à lire un manomètre et à s’arrêter quand un humain approche, et son épreuve ASIMOV-Agentic mesure la capacité d’un agent à refuser une commande d’outil dangereuse. Deux paris différents : Google muscle le cerveau de la machine, Anthropic écrit la prise sur laquelle ce cerveau se branche.
Plus MHS s’implante chez des acteurs qui font tourner d’autres modèles, plus la définition d’« opérer en sécurité » qui l’accompagne devient la référence implicite du secteur. Anthropic se place ainsi moins en fournisseur de modèle qu’en greffier de ce qu’un agent a le droit de faire dans un laboratoire.
Restent les zones d’ombre, et elles sont larges. Aucun calendrier d’ouverture, aucun détail public sur le contenu des évaluations de sécurité ni sur ce qu’un agent se verra refuser. La reprise automatique après erreur matérielle, vendue comme un confort, décrit aussi le moment où une expérience ou une machine part en fumée sans témoin. Sur des terrains comme la chimie médicamenteuse ou le réglage d’un calculateur quantique, la barre de responsabilité monte vite.
Les équipes qui exploitent un parc d’instruments ont donc un arbitrage à préparer dès maintenant. Décrire leurs machines dans un format qu’un agent comprend leur fera gagner des semaines de travail, et les rendra lisibles par une norme qu’elles n’écrivent pas. Le choix de la porte d’entrée est déjà une décision de gouvernance.
Mon avis
Le matériel est le dernier endroit où une erreur d’agent coûte vraiment cher, et Anthropic occupe le terrain avant d’avoir quoi que ce soit à y vendre. Les noms sont déjà sur la table, fabricants d’équipements compris ; ce qui manque, c’est la liste de ce que le standard interdit, et c’est cette partie que j’attends. Si MHS sort en open source avec des évaluations de sécurité publiées et rejouables par un tiers, ce sera l’annonce la plus utile de l’année pour la robotique de laboratoire. Sinon, nous aurons hérité d’un pilote universel dont une seule entreprise tient le mode d’emploi.
