Une équipe de l'université Carnegie Mellon a interconnecté quatre systèmes de laboratoire auparavant incompatibles et a réalisé une courbe de dilution en série autonome en huit heures, une opération qui, selon les chercheurs, nécessiterait normalement plusieurs semaines d'intégration par les fournisseurs. Ce résultat constitue le fondement de la nouvelle étude préliminaire d'Anthropic sur la norme MHS (Model Hardware Standard), une spécification conçue pour permettre aux agents d'IA de découvrir, de surveiller et d'exploiter des équipements physiques programmables.

Anthropic a lancé jeudi une version préliminaire de sa plateforme auprès d'une sélection de laboratoires scientifiques et de fabricants de pointe. L'entreprise affirme que cette plateforme permet de coordonner simultanément microscopes, systèmes de manipulation de liquides, bras robotisés et autres instruments, étendant ainsi l'utilisation des agents d'IA des logiciels aux systèmes expérimentaux et de production. L'agence Reuters a confirmé ce lancement et sa phase de partenariat restreint.

Cette annonce est importante car l'intégration matérielle demeure l'un des principaux obstacles, souvent négligés, à l'automatisation. Elle reste par ailleurs préliminaire. Les exemples publiés avec MHS sont des études de cas de partenaires, et non des audits indépendants ou des évaluations par les pairs ; de plus, plusieurs d'entre eux reposent sur des démonstrations plutôt que sur des charges de travail de production. Ils montrent qu'une interface commune peut réduire le travail d'ingénierie, mais ils n'établissent pas que l'IA généraliste puisse gérer en toute sécurité des laboratoires ou des usines de toutes sortes.

Un langage commun pour des machines incompatibles

MHS est né d'une collaboration entre Anthropic et le campus de recherche Janelia de l'Institut médical Howard Hughes. Son principe s'apparente à celui d'un pilote de périphérique, la couche logicielle assurant l'interface entre un ordinateur et une machine. Au lieu d'exiger d'un agent qu'il apprenne l'interface de chaque fournisseur, un pilote MHS expose des fonctions primitives simples, comme la lecture d'une température ou la modification d'un paramètre, ainsi qu'une description standardisée des capacités de mesure et de modification du périphérique.

Ces descriptions incluent des balises en langage naturel pour des informations que le logiciel ne révèle pas, comme le poids d'un bras robotisé ou les limites de sécurité d'un instrument. Le pilote génère un fichier de référence permettant de détecter le périphérique sur un réseau. la préversion technique , un agent peut alors contrôler l'équipement via le protocole MCP (Model Context Protocol), une ligne de commande ou une interface de programmation (API), tandis que les procédures plus longues peuvent être compilées en code déterministe au lieu d'être exécutées étape par étape.

Cette distinction est essentielle. Les modèles de langage sont utiles pour interpréter un objectif expérimental et choisir parmi les outils, mais la répétabilité des mouvements d'une machine ne doit pas dépendre d'une réponse probabiliste actualisée à chaque milliseconde. MHS permet à un agent de planifier, de surveiller et d'ajuster un flux de travail tandis que les instruments exécutent des commandes prédéfinies. L'avantage promis est la réutilisation : une fois qu'un pilote fiable existe, un autre laboratoire ne devrait pas avoir à reconstruire la même intégration de zéro.

Les premiers essais révèlent des problèmes de vitesse et des angles morts

La démonstration de Carnegie Mellon a combiné un manipulateur de liquides, un lecteur de plaques, un bras robotisé et des caméras de surveillance répartis sur trois ordinateurs. Une machine recevait les fichiers de tâches, une autre dépendait d'une ancienne interface de script Windows, et le lecteur de plaques n'offrait qu'un affichage graphique. MHS a présenté ses états et procédures via un manifeste unique. Un agent a utilisé un colorant colorimétrique, et non un médicament, pour préparer et mesurer une courbe dose-réponse environ trois fois plus rapidement qu'avec la méthode précédente.

Les chercheurs ont délibérément introduit six risques, dont une plaque manquante ou pivotée, une caméra déconnectée et un arrêt d'urgence activé. Le système a bloqué ces six risques avant tout mouvement. Au cours de l'expérience, il a rejeté une courbe initiale dont le coefficient de détermination (R²) était inférieur à 0,9, a réduit la concentration maximale de 200 à 100 microgrammes par millilitre et a produit un second ajustement supérieur à 0,98 sans intervention humaine. Ces résultats sont encourageants, mais l'équipe indique clairement que la validation avec de véritables candidats médicaments fera l'objet de travaux futurs.

Une preuve de concept réalisée par Genentech a mis en évidence une autre limite. Claude a coordonné un manipulateur de liquides, un bras robotisé et un lecteur de plaques pour un dosage de protéines, puis a optimisé les débits de pipetage par rapport aux transferts effectués par des experts. Pourtant, ses premiers réglages génériques ont produit des bulles dans un échantillon visqueux, et le système a d'abord réessayé dans le même puits, aggravant ainsi le problème. Les chercheurs de Genentech ont dû en expliquer la cause et orienter le système vers un puits propre et un mélange plus doux. Leur étude de cas constitue un avertissement utile : la maîtrise du logiciel ne remplace pas l'intuition physique.

Des scripts aux laboratoires en circuit fermé

L'ambition plus large est de créer un laboratoire autonome où un logiciel choisit une expérience, l'équipement la réalise, des capteurs renvoient les résultats et le système sélectionne l'itération suivante. La définition du NIST décrit cela comme une boucle de rétroaction fermée visant à maximiser les informations recueillies à chaque cycle, la génération, la manipulation et la caractérisation automatisées des échantillons nécessitant une intervention humaine minimale. Le MHS ne fournit pas l'objectif scientifique ni ne garantit la validité des mesures, mais il pourrait assurer la liaison entre l'algorithme et le laboratoire.

À l'Université de Washington, un doctorant a connecté six instruments en moins d'une semaine. Les démonstrations comprenaient le suivi en direct des courbes de PCR quantitative, la demande d'autorisation avant l'arrêt d'une analyse et la coordination d'un bras robotisé avec un manipulateur de liquides afin que les plaques ne soient manipulées qu'après que chaque appareil ait signalé un état stable. Le chercheur a noté que la surveillance continue consomme des ressources informatiques et que les protocoles plus complexes nécessiteront une optimisation importante.

Les chercheurs de Janelia ont utilisé cette norme pour unifier les logiciels de sept fournisseurs au sein d'un système de neurosciences, réduisant ainsi le temps nécessaire à l'ajout d'une nouvelle caméra, auparavant de plusieurs jours, à quelques minutes. QuEra a appliqué MHS à la récupération du sous-système de contrôle laser d'un ordinateur quantique. L'entreprise indique qu'une équipe de quatre personnes avait auparavant consacré deux à trois semaines à un script de récupération développé manuellement ; son rapport pilote précise également que l'agent s'interrompait parfois pendant la nuit pour obtenir une approbation et qu'il était incapable de diagnostiquer les pannes matérielles.

Ces résultats s'inscrivent dans une tendance de recherche plus large, mais aussi dans ses limites. Une étude publiée dans Nature observe que de nombreux systèmes expérimentaux autonomes restent spécifiques, spécialisés et liés à un ensemble limité d'outils. Passer de démonstrations impressionnantes à des laboratoires adaptables exige une infrastructure capable de tester en toute sécurité les décisions logicielles et les actions physiques. Un vocabulaire matériel partagé favorise l'interopérabilité ; il ne dispense cependant pas de disposer de modèles de domaine, d'instruments calibrés ni de scientifiques qualifiés.

L'accès physique augmente le coût des erreurs

Une erreur de classement de document par un agent engendre des désagréments. Une manipulation incorrecte d'un robot, le changement d'un laser ou la distribution d'un échantillon biologique peuvent endommager du matériel, altérer des preuves ou blesser une personne. Le dispositif de sécurité comporte donc au moins trois niveaux : un accès sécurisé au système de contrôle, des limites déterministes imposées par les opérateurs et les procédures, et une autorité humaine sur les actions dont les conséquences sont incertaines ou irréversibles.

MHS peut utiliser le protocole MCP (Model Context Protocol), ce qui crée sa propre surface d'attaque lorsque des outils distants franchissent les limites de confiance. Les recommandations de sécurité exigent que les serveurs vérifient les requêtes entrantes et rejettent les jetons non émis pour ce serveur ; elles identifient également des risques tels que la falsification de requêtes côté serveur et le vol de descripteurs d'état. Les laboratoires devront en outre recourir à l'isolation du réseau, à des identifiants de moindre privilège, à des pilotes signés, à des journaux d'audit immuables et à une règle claire stipulant que les arrêts d'urgence physiques prévalent sur les commandes des agents.

Les performances annoncées nécessitent également des tests standardisés. Le programme de robotique met l'accent sur les indicateurs et les protocoles de perception, de dextérité, de sécurité, de coordination et d'interopérabilité. L'exercice de simulation de risques mené par MHS constitue un élément de preuve pertinent, mais six conditions bloquées dans un environnement contrôlé ne suffisent pas à garantir la sécurité. Les évaluations doivent prendre en compte la dégradation des capteurs, les entrées malveillantes, les défauts de synchronisation, la dérive d'étalonnage et les combinaisons de défaillances imprévues par l'équipe de développement.

L'adoption dépend des facteurs déterminants et des preuves

Anthropic affirme que MHS est indépendant des modèles et sera à terme open source, mais aucune date de disponibilité générale n'a été annoncée. Pour l'instant, l'accès est restreint le temps que les premiers partenaires élaborent les évaluations de sécurité et les procédures d'utilisation. De ce fait, cette version préliminaire s'apparente davantage à une proposition étayée par des prototypes qu'à une norme industrielle. Une norme ne devient durable que lorsque les fournisseurs de modèles, les fabricants d'équipements, les laboratoires et les entreprises manufacturières concurrents peuvent l'implémenter indépendamment.

L'atout déterminant pourrait bien être l'écosystème de pilotes plutôt que l'agent. Les laboratoires utilisent des instruments datant de plusieurs décennies, des logiciels propriétaires et des appareils dépourvus d'interface de programmation moderne. Leur prise en charge nécessitera documentation, maintenance et tests de conformité. Les fabricants de matériel doivent décider de publier ou non des pilotes MHS natifs, tandis que les clients doivent déterminer les responsabilités en cas de description incorrecte d'une limite par un pilote ou d'interprétation ambiguë d'un état par un agent.

MHS redéfinit néanmoins un problème important. La question n'est plus seulement de savoir si un modèle d'IA peut rédiger des plans d'expériences, mais si différentes machines peuvent révéler des capacités fiables et limitées que les logiciels peuvent combiner. Le résultat de huit heures obtenu à Carnegie Mellon suggère que cette couche peut considérablement réduire le temps d'intégration. Les bulles chez Genentech et les délais d'approbation chez QuEra montrent pourquoi la rapidité ne peut remplacer la compréhension physique, la validation ou un contrôle humain responsable.