Anthropic veut relier les modèles d’IA aux robots et aux labos

Anthropic a présenté le Model Hardware Standard (MHS), un protocole en cours de test qui doit permettre à des agents d’IA de piloter des appareils physiques, des robots et des instruments de laboratoire. L’idée est de remplacer une partie des intégrations sur mesure par une couche commune, afin de faire dialoguer plus vite des équipements qui ne se comprennent pas toujours entre eux. À ce stade, la société parle d’un research preview avec plusieurs partenaires scientifiques et industriels.

Un standard pour faire parler les machines entre elles

Le MHS fonctionne comme une interface de traduction entre un modèle et du matériel. Anthropic explique qu’il s’inspire du Model Context Protocol, déjà utilisé pour relier des modèles à des sources de données, mais qu’il s’applique ici aux appareils physiques. Les contrôles passent par des primitives simples comme read et write, ainsi que par trois voies d’action : le protocole MCP, la ligne de commande et des fichiers de code API.

Concrètement, un modèle peut ajuster un laser, vérifier le résultat via une caméra, puis recommencer jusqu’à calibration. Même logique pour un microscope, que l’IA peut déplacer en fonction des observations. Anthropic dit aussi avoir montré Claude capable de guider un bras robotique pour saisir une canette en aluminium sans entraînement spécifique sur cette tâche. Pas besoin de blouse pour faire parler les appareils, mais il faut encore un solide mode d’emploi.

Pourquoi le sujet intéresse les labos et les usines

La promesse centrale est temporelle. Selon Anthropic, l’intégration d’un parc d’équipements prend souvent des semaines, parfois des mois, car les machines communiquent mal et nécessitent des connecteurs sur mesure. Avec MHS, l’entreprise affirme pouvoir ramener ce travail à des heures, voire à des minutes, notamment dans les laboratoires de recherche et les environnements industriels complexes.

Le standard ajoute aussi un système de balises décrivant les contraintes physiques d’un appareil : poids et portée d’un bras robotisé, paramètres réglables, options de mesure, limites de sécurité. Ces informations peuvent être regroupées dans un fichier de référence, utile pour un modèle qui découvre un matériel qu’il ne connaît pas encore. Anthropic dit vouloir limiter les bricolages d’intégration, mais aussi réduire le risque d’erreur au moment où l’IA quitte enfin l’écran.

Des partenaires déjà dans la boucle

Anthropic indique travailler avec un premier groupe de laboratoires et de fabricants avancés pendant cette phase de test. Parmi les partenaires cités figurent Amazon Web Services, via Strands Robots, Hugging Face avec LeRobot, Raspberry Pi, Automata et Universal Robots. L’objectif affiché est de bâtir des évaluations de sécurité et des bonnes pratiques pour les systèmes d’IA qui opèrent des équipements physiques.

Dans une autre version de la présentation relayée par Ars Technica, Anthropic cite aussi des usages chez Genentech pour une expérience de découverte de médicaments avec gestion d’erreurs en temps réel, et chez QuEra pour améliorer la stabilisation laser de 58 % à 99,3 % [à vérifier]. La société évoque également des soutiens ou travaux compatibles chez Danaher, Doosan Robotics, MBF Bioscience, Qiagen et Tecan. Pour l’instant, l’entreprise dit qu’il reste du chemin avant une publication en open source et un standard réellement agent agnostic, c’est-à-dire utilisable par plusieurs systèmes d’IA sans dépendre d’un seul modèle.

Une ouverture ambitieuse, mais encore prudente

Anthropic présente MHS comme une brique de sécurité autant qu’un outil d’automatisation. La société reconnaît que ses modèles manquent encore d’« intuition physique », car ils ont surtout appris le monde à travers du texte et des images. Le projet avance donc par paliers : d’abord des tests en laboratoire, puis des règles communes, et seulement ensuite une éventuelle généralisation.

Le pari est clair : si une IA peut manipuler plus vite du matériel scientifique ou industriel, elle peut accélérer l’itération des expériences. Reste à savoir jusqu’où ce type de standard pourra sortir des démonstrations propres sur table pour s’installer dans des environnements moins dociles. C’est souvent là que les standards se révèlent, ou se vengent.