Anthropic veut standardiser le dialogue entre IA et machines

Anthropic a présenté le Model Hardware Standard, ou MHS, une interface pensée pour permettre à des agents d’IA de communiquer plus facilement avec des machines et des équipements programmables. L’annonce, faite jeudi, vise d’abord la science, la robotique et la fabrication avancée, mais elle dit aussi quelque chose de plus large sur la stratégie du groupe : faire sortir l’IA du clavier. Le standard est disponible en préversion de recherche et Anthropic prévoit d’en publier le code en open source plus tard. À ce stade, la promesse est simple : réduire le temps nécessaire pour connecter du matériel à un modèle, parfois de semaines à quelques heures, voire moins.

Une couche de traduction pour le matériel

Le MHS fonctionne comme une couche d’abstraction entre les modèles et les appareils, un peu à la manière d’un câble USB-C qui standardise les connexions. Concrètement, il fournit une interface commune et un format de données partagé pour des dispositifs très différents, sans passer par un programme de traduction sur mesure entre chaque machine. Anthropic dit que le système peut fonctionner avec tout appareil doté d’une interface programmable, y compris dans les laboratoires scientifiques et l’industrie.

Dans un premier temps, l’entreprise réserve cette préversion à un groupe d’organisations sélectionnées, dont Amazon Web Services (Strands Robots), Hugging Face (LeRobot), Raspberry Pi, Automata et Universal Robots. Ces partenaires doivent aider à bâtir les tests de sécurité et les bonnes pratiques pour l’usage d’IA sur des équipements physiques. Le choix n’est pas anodin : quand une IA pilote une machine, l’erreur ne se corrige pas toujours d’un simple “recommencer”.

Pourquoi la science est le terrain d’essai idéal

Anthropic présente le MHS comme un outil pour simplifier la mise en place d’expériences complexes, souvent ralenties par des intégrations logicielles maison. Selon l’entreprise, le standard peut faire passer l’assemblage d’un dispositif expérimental de semaines ou de mois à des heures, voire des minutes. Dans une vidéo publiée avec l’annonce, un membre technique d’Anthropic explique que l’idée est née en observant une expérience de neurosciences où microscopes, caméras et lasers devaient déjà coordonner leurs actions via une interface commune.

L’intérêt est double. D’un côté, un chercheur peut piloter des équipements avec du langage naturel via le Model Context Protocol, déjà publié par Anthropic en 2024, ou avec du code. De l’autre, le modèle peut raisonner étape par étape, ajuster les paramètres en temps réel et, dans certains cas, récupérer après une erreur matérielle sans intervention humaine. Anthropic cite un exemple de calibration automatique d’un laser à l’aide d’une caméra de vérification, ou encore le pilotage d’un microscope pour aller explorer une zone plus pertinente après analyse des premières observations.

Le vrai enjeu : sortir l’IA du monde virtuel

Le MHS arrive dans un moment où les grands acteurs de l’IA investissent aussi le matériel, des appareils natifs IA aux outils de fabrication. Anthropic dit vouloir rester compatible avec plusieurs modèles, et pas seulement avec la famille Claude : le standard est décrit comme “model agnostic”, c’est-à-dire non lié à un seul fournisseur. L’entreprise prévoit aussi, à terme, d’en faire un standard open source et “agent agnostic”, afin que n’importe quel fabricant puisse l’adopter.

Ce positionnement compte pour les entreprises industrielles, car le coût caché de l’intégration reste souvent le même : temps d’ingénierie, interfaces différentes, maintenance spécifique. Si MHS tient ses promesses, il pourrait raccourcir ce travail d’assemblage et accélérer le déploiement de robots, d’instruments scientifiques ou d’équipements de production. Anthropic affirme d’ailleurs avoir observé, lors de tests avec des partenaires scientifiques au cours de l’année passée, une baisse du temps d’intégration des appareils et une capacité à itérer plus vite. La prudence reste de mise, mais le mouvement est clair : l’IA ne veut plus seulement comprendre les données, elle veut aussi toucher aux boutons. Ou du moins savoir lesquels ne pas pousser n’importe comment.