Anthropic führt Modell-Hardware-Standard für physische KI ein

KI-Agenten waren weitgehend auf digitale Umgebungen beschränkt, wo sie Text, Code und Bilder innerhalb eines Computers verwalten [2]. Anthropic versucht, diese Agenten mit dem Model Hardware Standard (MHS) in die physische Welt zu bringen, einem neuen Framework, das es KI ermöglicht, physische Maschinen zu bedienen und mit ihnen zu kommunizieren [1].\n\nAls universelle Schnittstelle konzipiert, fungiert MHS als Übersetzungslayer zwischen großen Sprachmodellen (LLMs) und jedem Gerät mit einer programmierbaren Schnittstelle [S1, S2]. Anthropic vergleicht das System mit einem USB-C-Kabel, das einen einzelnen Stecker bereitstellt, der mit verschiedenen Geräten unabhängig vom Hersteller funktioniert [S1, S3].\n\n## Wie MHS die Hardware-Integration beschleunigt\n\nDie Integration von KI mit physischer Hardware erfordert typischerweise spezialisierte Ingenieurarbeit und die Entwicklung maßgeschneiderter Software für jede Kombination von Maschinen [S3, S4]. Dieser Prozess dauert oft Wochen oder Monate [S1, S6].\n\nMHS zielt darauf ab, diese Einrichtungszeit auf Stunden oder Minuten zu reduzieren [S1, S6]. Durch die Bereitstellung eines gemeinsamen Formats für den Datenaustausch und einer standardisierten Treiberschnittstelle können Geräte über ein Netzwerk kommunizieren, ohne ein benutzerdefiniertes Übersetzungsprogramm benötigen zu müssen [2].\n\nDiese Koordination ermöglicht es einem einzelnen KI-Agenten, die Arbeit über mehrere robotische Systeme hinweg zu orchestrieren [3]. Beispielsweise könnte ein Agent Roboter auf einer Fertigungslinie betrachten und bestimmen, wie ihr Verhalten optimiert werden kann, ohne für jede Maschine neuen benutzerdefinierten Code schreiben zu müssen [S3, S4].\n\n## Ermöglichung autonomer wissenschaftlicher Entdeckung\n\nEin Hauptziel von MHS ist die wissenschaftliche Gemeinschaft, wo es eine „closed-loop“-Entdeckung ermöglichen kann [3]. In diesem Modell schlagen KI-Agenten Hypothesen vor, führen Experimente durch, analysieren die Ergebnisse und iterieren autonom [3].\n\nBei Integration mit dem Model Context Protocol (MCP) können Wissenschaftler mithilfe natürlicher Sprache mit Hardware interagieren [2]. Dies ermöglicht es Modellen, durch experimentelle Schritte zu schließen, Parameter in Echtzeit zu aktualisieren und sich von Hardwarefehlern ohne menschliches Eingreifen zu erholen [2].\n\nPraktische Anwendungen umfassen ein KI-Modell, das einen Laser justiert und die Ergebnisse über eine Kamera überprüft, um ein System automatisch zu kalibrieren [2]. Ebenso könnte ein Agent ein Mikroskop fokussieren, eine Probe analysieren und die Linse automatisch zu einem relevanten Abschnitt für weitere Beobachtungen bewegen [2].\n\n## Verwaltung physischer Risiken und Beschränkungen\n\nDer Übergang von KI von Pixeln zu Atomen bringt erhebliche Sicherheitsrisiken mit sich, einschließlich der Möglichkeit, Ausrüstung zu beschädigen oder körperlichen Schaden zu verursachen [4]. Es bestehen auch biosicherheitsrelevante Bedenken, wie das Risiko, dass ein böswilliger Akteur automatisierte Laboreinrichtungen verwendet, um gefährliche Verbindungen zu synthetisieren [3].\n\nUm diese Risiken zu mindern, umfasst MHS ein standardisiertes Tagging-System, das die real-world-Beschränkungen eines Geräts beschreibt [2]. Diese Tags liefern dem KI-Modell kritische Informationen, die es möglicherweise nicht aus virtuellem Training hat, einschließlich:\n\n* Physische Eigenschaften, wie das Gewicht und der Reichweite eines Roboterarms [2].\n* Einstellbare Parameter und Messoptionen [2].\n* Durchgesetzte Sicherheitsgrenzen [2].\n\nAnthropic gibt an, dass diese Schnittstellenspezifikationen, kombiniert mit Modell-Level-Guardrails, Ingenieuren ermöglichen, genau zu definieren, was ein Modell mit bestimmter Hardware tun darf und was nicht [3].\n\n## Bereitstellung und Industrieeinführung\n\nMHS ist derzeit als Forschungsvorschau für eine ausgewählte Gruppe von Partnern aus Robotik, Fertigung und Wissenschaft verfügbar [1]. Zu diesen Partnern gehören Amazon Web Services, Hugging Face, Raspberry Pi, Universal Robots und verschiedene Forschungslabore [S2, S6].\n\nNicht zuletzt ist der Standard modellagnostisch [1]. Das bedeutet, er funktioniert mit jedem LLM, einschließlich jener von Wettbewerbern wie OpenAI oder Open-Source-Modellen, und verhindert Vendor Lock-in für Forschende und Hersteller [S1, S6].\n\nAnthropic plant, den Standard schließlich als Open-Source verfügbar zu machen, sodass jede Gerätehersteller ihn übernehmen kann [1]. Das Unternehmen arbeitet außerdem mit Herstellern zusammen, um MHS entweder in neue Produkte vorzuladen oder die Verbindung zu bestehender Ausrüstung hinzuzufügen [6].\n\nWährend Anthropic seine physischen KI-Fähigkeiten ausbaut, baut es auch ein Silizium-Team auf, um benutzerdefinierte Chips zu entwerfen, und hat Hardware-Executives von Meta, Apple und OpenAI eingestellt [S1, S3].\n\n## Quellen\n\n1. Anthropic dringt in die physische Welt vor mit neuem Standard, um KI zu unterstützen …\n\n2. Anthropics neuer Hardware-Standard ermöglicht es KI-Agenten, die physische Welt zu steuern …\n\n3. Anthropic führt Modell-Hardware-Standard ein, um KI-Agenten anzuschließen …\n\n6. Anthropic macht den ersten Schritt in physische KI mit universellem Standard …\n\n4. So denkt Anthropic, dass KI-Agenten die physische Welt navigieren sollten - WIRED\n\n5. Anthropic stellt neuen Rahmen vor, der KI-Agenten ermöglicht, physische Geräte zu bedienen …