Anthropic hat den Model Hardware Standard (MHS) zunächst als Research Preview vorgestellt. Ziel ist es, eines der grundlegenden Probleme beim Einsatz von KI-Agenten in Laboren und Fabriken zu lösen: Geräte unterschiedlicher Hersteller verwenden eigene APIs, Datenformate und Steuerprogramme. Sollen mehrere Maschinen gemeinsam automatisiert werden, sind deshalb häufig individuelle Integrationen notwendig.

MHS setzt stattdessen auf standardisierte Treiber, über die programmierbare Geräte ihre Fähigkeiten und Eigenschaften in einem einheitlichen Format bereitstellen. Nach Angaben von Anthropic soll sich die Integration mehrerer Maschinen dadurch von Wochen oder Monaten auf Stunden oder sogar Minuten verkürzen lassen.

Von MCP zu MHS

Das Konzept erinnert nicht zufällig an Anthropics Model Context Protocol. MCP wurde im November 2024 veröffentlicht und sollte ein grundlegendes Problem der damals entstehenden KI-Agenten lösen: Statt für jede Kombination aus KI-Modell, Anwendung, Datenquelle und Werkzeug eine eigene Schnittstelle entwickeln zu müssen, stellt MCP ein gemeinsames Protokoll für deren Kommunikation bereit.

Inzwischen hat sich MCP weit über Anthropic hinaus verbreitet und wird von zahlreichen KI-Plattformen und Entwicklungswerkzeugen unterstützt. Mit MHS versucht Anthropic nun, ein ähnliches Prinzip auf physische Geräte zu übertragen.

Dabei ersetzt MHS MCP nicht. Vielmehr beschreibt MHS die Hardware und stellt deren Funktionen standardisiert bereit. Ein Agent kann anschließend unter anderem über MCP, Kommandozeilenwerkzeuge oder APIs mit den entsprechenden Systemen kommunizieren.

Damit zeichnet sich eine Art Schichtenmodell ab: MCP standardisiert den Zugriff von KI-Agenten auf die digitale Welt, während MHS die darunterliegende physische Infrastruktur für Agenten beschreibbar und steuerbar machen soll.

Treiber beschreiben Fähigkeiten und Grenzen

Kern des Standards sind MHS-Treiber für die einzelnen Geräte. Sie stellen grundlegende Funktionen wie das Lesen oder Verändern von Werten einheitlich zur Verfügung und beschreiben gleichzeitig Eigenschaften, die ein Agent nicht allein aus einer API ableiten kann.

Dazu könnten etwa das Gewicht eines Roboterarms, Bewegungsgrenzen oder sicherheitsrelevante Grenzwerte gehören. Anwender können solche Informationen in natürlicher Sprache hinterlegen, aus denen MHS eine Referenz für den Agenten erzeugt.

Ein KI-System soll dadurch auch ein ihm bislang unbekanntes Gerät verstehen und dessen Möglichkeiten sowie Grenzen erkennen können. Ganz ohne Integrationsaufwand funktioniert das allerdings nicht: Für jedes Gerät muss zunächst ein entsprechender MHS-Treiber existieren. Dieser lässt sich anschließend jedoch wiederverwenden, anstatt für jede Kombination aus Hardware und Steuerungssoftware eine neue Schnittstelle zu entwickeln.

Anthropic bezeichnet MHS als modellagnostisch. Voraussetzung auf Hardwareseite ist allerdings ein programmierbares Interface.

KI koordiniert komplette Arbeitsabläufe

Interessant wird das Konzept insbesondere beim Zusammenspiel mehrerer Geräte. Ein KI-Agent kann über MHS unterschiedliche Maschinen koordinieren, Messergebnisse auswerten und daraufhin Parameter verändern.

Anthropic demonstrierte dies gemeinsam mit mehreren Partnern. Beim Biotechnologieunternehmen Genentech koordinierte Claude unter anderem einen Pipettierautomaten, einen Roboterarm und ein Messgerät, um einen Protein-Assay zu automatisieren. Dabei optimierte das Modell selbstständig Pipettierparameter für unterschiedliche Flüssigkeiten.

An der Carnegie Mellon University verbanden Forscher einen Pipettierautomaten, ein Messgerät, einen Roboterarm und Kameras über drei Rechner hinweg. Trotz grundsätzlich unterschiedlicher Schnittstellen sollen MHS-Treiber und Orchestrierung innerhalb von rund acht Stunden entstanden sein. Ein vergleichbarer Aufbau benötige mit klassischen Integrationsverfahren mehrere Wochen.

Beim Quantencomputerhersteller QuEra setzte Claude MHS wiederum ein, um in zahlreichen Durchläufen ein Steuerprogramm zu entwickeln, das einen Laser nach Störungen wieder stabilisiert. Das daraus erzeugte Skript war laut Anthropic in einem Blindtest in 695 von 700 Fällen erfolgreich – eine Quote von 99,3 Prozent.

Bemerkenswert daran ist, dass das Sprachmodell für den späteren Betrieb nicht mehr benötigt wurde. Der Agent entwickelte während der Versuchsphase ein konventionelles Skript, das die Aufgabe anschließend eigenständig ausführen konnte.

Die Ergebnisse stammen allerdings aus von Anthropic vorgestellten Partnerprojekten und sind bislang nicht unabhängig überprüft worden.

Die physische Welt bleibt schwierig

Die Versuche zeigen zugleich die Grenzen des Ansatzes. Sprachmodelle können zwar Messwerte analysieren und Geräte bedienen, besitzen jedoch kein zuverlässiges Verständnis physikalischer Zusammenhänge.

Bei einem Experiment mit Genentech führte beispielsweise Blasenbildung in einer viskosen Flüssigkeit zu Problemen. Claude versuchte zunächst mehrfach, diese durch veränderte Parameter zu beheben, verschlimmerte dadurch jedoch die Situation. Erst nachdem ein Mensch dem Agenten die physikalische Ursache erklärt hatte, konnte dieser sinnvoll reagieren.

Anthropic betont deshalb, dass weiterhin menschliche Aufsicht notwendig ist. Gerade beim Zugriff auf Roboter, Laborgeräte oder Produktionsanlagen bekommt diese Einschränkung besonderes Gewicht: Fehler eines Softwareagenten bleiben dort nicht auf Daten oder virtuelle Systeme beschränkt, sondern können unmittelbare Auswirkungen auf Maschinen, Materialien und Menschen haben.

Sicherheit bekommt eine neue Dimension

Damit stellt MHS Administratoren und Sicherheitsverantwortliche vor ähnliche Fragen wie agentische KI im digitalen Umfeld – allerdings mit potenziell weitreichenderen Folgen. Berechtigungen, Sicherheitsgrenzen und erlaubte Aktionen müssen nicht nur softwareseitig definiert, sondern auch gegenüber der Hardware technisch durchgesetzt werden.

Agentische KI-Systeme sollten daher grundsätzlich wie hochprivilegierte Software behandelt und ausschließlich innerhalb streng kontrollierter Umgebungen betrieben werden. Dazu gehören insbesondere klar definierte Berechtigungen, umfassendes Monitoring und technisch durchgesetzte Grenzen des Handlungsspielraums.

Gerade bei MHS dürfte außerdem entscheidend sein, dass ein KI-Agent sicherheitskritische Grenzwerte nicht lediglich als textuelle Empfehlung erhält. Grenzen wie maximale Geschwindigkeit, Kraft, Temperatur oder Bewegungsradius eines Geräts sollten möglichst unabhängig vom Sprachmodell auf einer darunterliegenden Steuerungsebene durchgesetzt werden.

Vom digitalen Werkzeug zum Maschinenbediener

Noch befindet sich MHS in einem frühen Stadium. Anthropic stellt die Spezifikation zunächst ausgewählten Forschungseinrichtungen und Herstellern zur Verfügung und will weitere Sicherheitsevaluierungen durchführen. Später soll der Standard als Open Source veröffentlicht werden.

Unterstützung beziehungsweise Tests kommen bereits aus Forschung und Industrie. Genannt werden unter anderem AWS, Doosan Robotics, QIAGEN, Tecan, Universal Robots, Hugging Face und Raspberry Pi sowie verschiedene Forschungseinrichtungen.

Ob sich MHS ähnlich breit durchsetzen kann wie MCP, ist derzeit offen. Die Richtung ist jedoch bemerkenswert: Knapp zwei Jahre nach MCP versucht Anthropic erneut, eine gemeinsame Schnittstelle für KI-Agenten zu etablieren. Ging es Ende 2024 noch darum, Modelle standardisiert mit Datenbanken, Anwendungen und Softwarewerkzeugen zu verbinden, sollen Agenten mit MHS nun auch Maschinen verstehen und bedienen können.

Damit könnte der nächste Entwicklungsschritt agentischer KI weniger darin bestehen, noch mehr digitale Werkzeuge anzubinden, sondern den Aktionsradius der Systeme auf Labore, Robotik und industrielle Anlagen auszudehnen.