AnthropicのMHS、実験機器の統合が数週間から数時間に。パイロット4件の実力

この記事のまとめ

MHSは、AIエージェントが実験機器や製造装置を見つけて操作するための共有仕様です。Anthropicは研究プレビューとして限定的に提供しており、統合時間の短縮やパイロットの成果は、Anthropicとパートナーによる報告です。要点は4つあります。

MHS（Model Hardware Standard）は、AIエージェントがプログラム可能な物理機器を発見し、理解し、操作するための共有仕様です。
標準ドライバーと、機械が測定できるもの、変更できるもの、遵守すべき安全限界を伝える参照ファイルによって、統合が数時間または数分に短縮されるとされています（参照*1）。
パートナーの数値では、統合時間が数週間から数時間に短縮され、成功率は58%から99.3%に向上し、6台の機器が1週間未満で統合されました（参照*2）。
仕様やソースリポジトリ、適合性テストは公開されておらず、承認された研究プレビューのパートナーだけが利用できます。

MHSの全体像と統合時間

MHSの定義と公開状況

MHSは、AIエージェントにプログラム可能な物理機器を発見し、理解し、操作するための共通の方法を提供することを目的としたAnthropicの研究プレビュー仕様です。対象として挙がっているのは、顕微鏡、液体ハンドラー、ロボットアーム、カメラ、プレートリーダー、量子コンピューターのレーザー制御などの実験室用機器や、先進的な製造システムです（参照*3）。開発はAnthropicの単独プロジェクトではありません。

Anthropicは、ハワード・ヒューズ医学研究所のJanelia Research CampusとともにMHSを開発し、AIエージェントが標準化された方法でプログラム可能な機器を発見し、理解し、操作できるようにしました（参照*4）。

ただし「標準」という言葉には補足が必要です。現時点でMHSを使えるのは、承認された研究プレビューのパートナーだけです。

Anthropicは、仕様、ソースリポジトリ、ライセンス、適合性テスト、ガバナンスプロセスを公開していません。外部の開発者が独立した互換ドライバーを構築して検証するのに十分な実装の詳細も示していません（参照*3）。

統合の壁と短縮の中身

従来の統合に時間がかかっていた理由は、機器ごとに話す言語が違うことに尽きます。

実験室の機器は、互換性のない数十種類のインターフェースを持っています。機器同士は、そのままではつながりません。

あるメーカーの顕微鏡、別のメーカーの液体ハンドラー、さらに別のメーカーのロボットアームは、それぞれ独自のソフトウェア、データ形式、ドライバーを備え、実験台の隣にある機器と通信する能力を持っていません。専門家は、それらを通信させるカスタムコードを書くために、数週間から数か月を費やします（参照*5）。

手作業は、接続の前だけで終わりません。各機器が独自のプログラミングインターフェースを備えるため、専門家は機器の組み合わせごとに特注の変換機を手作業で作成します。

一度接続した後も、機器がエージェントに状態を渡したり、機器を安全に操作したりするための共通の方法はありません。Anthropicによると、設定には通常数週間から数か月かかりますが、MHSによって数時間または数分に短縮されます（参照*6）。

この短縮は、まだ確定した事実ではありません。Anthropicは、「通常、数週間、場合によっては数か月かかる」統合作業を数時間または数分に短縮できるとしていますが、これはプレビューで検証中の主張です。生成AIの導入支援をしていると、「便利そうだが現場でどこまで使えるか」という問いに繰り返し直面します。MHSも同じ視点で見るべきでしょう（参照*7）。

MHSの仕組み

標準ドライバーと共有辞書

MHSの土台は、どの機器でも同じ形で使える標準ドライバーと、状態をまとめる単一の辞書です。ここで重要なのは、OSと機器の間にある「変換」の層を共通化するという発想です。

MHSは、OSと機器の間にある層を共通化します。MHSが標準化するのは、OSとデバイスの間の層であるドライバーです。ドライバーは、読み取り（温度の取得）、書き込み（温度の設定）に加え、発見のための小さな基本機能セットを公開します。

これにより、デバイスとエージェントは、その間に変換機を置かずにネットワーク上で互いを見つけられます（参照*6）。読み取りと書き込みという同じ操作で扱えるため、エージェントは機器ごとの専用の変換コードを経由せずに値を取得し、設定できます。

装置全体の状態は、1か所に集まります。MHSは、機器同士の1対1の接続を単一のインターフェースに置き換えます。

各デバイスは一度だけ記述され、登録されます。そして、その変数、制御、センサー値は、共有メモリ内にある単一の辞書に記録されます（参照*8）。

自然言語タグと参照ファイル

コードに書ききれない知識は、自然言語のタグで補われます。

扱う対象は、プログラムの中の値だけではありません。MHSは、コードだけでは表現できない知識も扱います。

例えば、ロボットアームの重量です。ドライバータグを使えば、ユーザーが自然言語でその情報を書き込んだり、エージェントに設定について質問させたりできます（参照*6）。

タグに書き込む人と、書き込む内容も決まっています。MHSのドライバー仕様には、タグと呼ばれる構造化された自然言語フィールドが含まれています。

そこには、機器のメーカーや操作者が、AIエージェントにとって重要な特性を書き込みます。機器の重量、測定できるもの、調整可能なパラメーター、守るべき安全限界などです（参照*5）。

書き込まれたタグは、1つのファイルにまとまります。ドライバーはそれらのタグを参照ファイルにコンパイルします。参照ファイルには、デバイスが測定するもの、調整できるもの、適用される安全限界が記載されます（参照*6）。

3つの制御経路とMCPとの関係

エージェントが機器に届く制御経路は3つあり、MHSはMCPを置き換えるものではなく、物理世界への拡張として位置づけられています。

到達経路は、次の3つです。制御は、Model Context Protocol（MCP）、CLI、コードファイルという3つの仕組みを通じて実行されます。MHSはモデルに依存しないため、どのエージェントハーネスからでも標準プロトコルを介してアクセスできます（参照*6）。

MHSとMCPは、役割が違います。MCPは、Anthropicが2024年に作成したオープン標準で、AIアプリケーションがソフトウェアツールやデータソースに接続するための共通の方法を提供します。

MHSは、機器が何をできるか、エージェントがどのパラメーターを変更できるか、どの安全限界に従わなければならないかを記述することで、関連する考えを物理世界に広げます。MHSを理解する一つの方法は、MCPのハードウェア版と考えることです（参照*4）。

速さが必要な作業は、スクリプトに移されます。コードファイルの選択肢は性能にとって重要です。

タスクがエージェントのリアルタイム推論より速く実行される場合、エージェントはまず手順を学習し、それを決定論的なスクリプトにコンパイルしてから、自律的に実行します。ステップごとの推論は必要ありません（参照*5）。

パイロット4件の実力

HHMI Janeliaの顕微鏡統合

Janeliaでは、7種類のベンダープログラムに分かれていた顕微鏡装置が、MHSで単一のインターフェースにまとまりました。

この事例は、研究者本人の報告です。ストレスから体が回復するのを睡眠がどのように助けるかを研究するアーレンス研究室の科学者Virginie Ruettenは、以前は共通インターフェースなしに7種類の異なるベンダープログラムを使っていた装置を、MHSで統合し、協調動作させました（参照*8）。

変化は、機器の追加と実験の開始に表れました。MHSを導入して以来、新しいカメラを追加してレーザービームを撮影したときは、数分しかかかりませんでした。

カメラの出力であるビームの位置を、ビームを操縦するミラーにシームレスに送り返すこともでき、ビームをより正確に調整できました。実験の開始は、7つの別々の手順ではなく、MHSダッシュボードを1回クリックするだけで済みます（参照*8）。

別の研究者の装置では、手動セットアップが1手順になりました。その装置にあるすべてのレーザー、ミラー、センサーはMHSを通じて公開されているため、Claudeはビームを調整し、光学系を調整し、センサーに基づいて自らの結果を確認できます。これにより、半日かかっていた手動セットアップが1つの手順になりました（参照*8）。

Genentechのタンパク質アッセイ

Genentechのアッセイ自動化の事例は、AIが自律的に進んだ部分と、人が介入して正した部分の両方が明確に出た点で、特に参考になります。

自律的に進んだのは、液体ごとの流量の調整です。Genentechは、液体ハンドラー、ロボットアーム、プレートリーダーを使ったBCAタンパク質アッセイを自動化しました。

Claudeは色付き液体の試行移送を実行し、吸光度を読み取り、専門家のプレートに対するRMSEで自己評価しました。そして、水では約140 µL/s（RMSE 0.016）、粘性のあるBSAでは10 µL/s（RMSE 0.181）に収束しました（参照*6）。

人の説明が必要だったのは、泡立ちへの対応です。タンパク質サンプルの泡立ちが液面センサーのエラーを引き起こしたとき、Claudeのデフォルトの対応は、異なるパラメーターで同じウェルを再試行することでした。

その結果、液体をさらに撹拌し、泡立ちを悪化させました。研究者がそのエラーにはソフトウェアではなく物理的な原因があると伝えて初めて、Claudeは正しい対応を採用しました（参照*5）。

この泡立ちへの誤対応は、私がAI導入支援で繰り返し見てきたパターンと重なります。AIはソフトウェア的な原因を前提に対処しようとし、物理的な現象に対してその判断を転用してしまう。「AIに何をさせるか」と同時に「AIに何をさせてはいけないか」を定義しないと、自律性が逆効果になる場面が出てきます。

Carnegie Mellonの用量反応実験

Carnegie Mellonでは、ばらばらの環境にある4機器を約8時間で統合し、用量反応実験が約3倍速く進みました。

統合の対象は、互換性のない環境にありました。Carnegie Mellonは、用量反応実験をおよそ3倍速く実行しました。

互換性のないインターフェースを持つ3台のコンピューター上で、液体ハンドラー、プレートリーダー、ロボットアーム、カメラを調整しました。そのうち1台には、プログラム可能なインターフェースがまったくありませんでした（参照*6）。

エージェントは、適合の悪い曲線を自分で取り直しました。ドライバーの作成から、エージェントがR² < 0.9の適合を拒否した後の自律的な再実行を含む曲線の完成までに、約8時間かかりました。ベンダーによる設定では数週間かかります。誘発された6つの故障条件はすべて、デバイスが動く前に阻止されました（参照*6）。

この約8時間には条件が付きます。実験では薬剤候補の代わりに安全な染料が使われ、従来の提供方法との比較は参加チームによるものでした。これは有望な統合の証拠であり、一般的な速度の保証ではありません（参照*9）。

QuEraのレーザー再ロック

QuEraでは、レーザーの再ロックの成功率が58%から99.3%へ変わったと報告されています。

出発点は、人手で作った自動スクリプトです。4人のエンジニアのチームは、その専門家を置き換える自動スクリプトの構築に2〜3週間を費やしました。そのスクリプトの成功率は58%で、1回の試行に150秒かかりました（参照*5）。

MHS上で作られたコントローラーは、検証で数値が変わりました。検証では、7種類の外乱について各100回、合計700回のうち695回、目標どおりに復旧しました。

成功率は99.3%です。復旧には、波長を維持する障害で0.9〜5.4秒、レーザーの色が大きく離れた場所にホップする最も難しい障害で約10〜14秒かかりました（参照*10）。

運用時にベンチ上で動くのは、AIではありません。QuEraは、重要な区別を1つ挙げています。

MHSは、Claudeがこのコントローラーを設計し、記述し、検証した環境です。ベンチ上で実行されるのは、決定論的で完全に検査可能なプログラムです（参照*10）。

安全設計と現時点の限界

ドライバーが持つ安全限界

MHSでは、安全限界をプロンプトではなく機器のドライバー側に置きます。

仕組みは、宣言と継承という形です。Universal Robotsは、安全性がMHSに組み込まれていると説明しています。

デバイスはMHSで自身の動作範囲、インターロック、非常停止を宣言し、エージェントはそれらを継承して、その範囲内で動作します。同社独自の安全アーキテクチャは、下層で完全に制御を維持します（参照*11）。

阻止が働くかどうかは、実際に試されました。Carnegie Mellonはこれを明示的にテストしました。プレートの欠落、プレートの回転、リーダーの使用中、カメラの切断、デバイスへの到達不能、緊急停止の作動という、人工的に誘発した6つの故障条件はすべて、デバイスが動く前に正しくブロックされました（参照*2）。

研究現場での意味も示されています。Anthropicは、MHSがデバイスレベルの安全限界を適用するため、例えばエージェントが誤って過剰なレーザー出力を使うことを心配する必要がないとしています。過剰なレーザー出力は、蛍光分子を退色させ、試料を劣化させる危険があります（参照*8）。

物理的推論の弱さと専門家の監督

MHSを使っても、物理の判断には専門家の監督が前提になります。この点はAnthropicも率直に認めており、正直な姿勢だと思います。

適用条件と監督の必要性が示されています。導入はまだ初期段階にあり、現在のMHSにはプログラム可能なインターフェースを備えた機器が必要です。Anthropicはまた、Claudeの空間的・物理的推論には引き続き専門家の監督が必要だと認めています（参照*4）。

取り違えは、Genentechの泡立ちの場面でも起きました。液面センサーのエラーに対して、Claudeは異なるパラメーターで同じウェルを再試行し、泡立ちを悪化させています（参照*5）。

反対方向の弱さとして、慎重すぎる停止もあります。Claudeは物理機器を操作するときに過剰なほど慎重になる傾向があります。

QuEraのテストでは、エージェントが少しでも危険だと判断した操作について、人間の確認を待つために夜間に停止することがありました。この慎重な挙動は、危険な操作を続けるより望ましいものですが、24時間体制の自律運用には、適切に設計された承認ワークフローが依然として必要です（参照*5）。

これは危険な操作を続けるよりはるかに望ましい挙動です。ただ、24時間体制の自律運用を想定するなら、承認ワークフローの設計が不可欠になります。生成AIの導入で最初に詰まるのは、プロンプトでもモデル選定でもなく、「誰が何をどのタイミングで確認するか」を決めるところです。MHSも例外ではないでしょう。

ドライバーの制限で埋まらない部分もあります。ドライバーの制限は、禁止された動きを防ぐことはできますが、欠けている科学的判断を提供することはできません（参照*9）。

標準としての未確定部分

MHSには、真の「標準」として機能するために必要な土台がまだ公開されていません。

公開されていないものは、具体的に挙げられています。MHSは一般公開されておらず、Anthropicは仕様、SDK、スキーマ、ソースリポジトリ、ライセンス、適合性テスト、バージョン番号、ガバナンスモデルへのリンクを提供していません。公式MHSサイトは、プレビュー後にプロジェクトをオープンソース化すると述べていますが、日付は示していません（参照*9）。

既存のプロトコルとの対応関係も、まだ確認できません。研究所や工場には、すでにプロトコルがあります。

OPC UAは産業機器を接続し、SiLA 2は実験機器を扱い、ROS 2は研究所や工場でロボットを動かします（参照*7）。これらとMHSがどう対応するのかは、公開された情報からは分かりません。

対応を進めるベンダーの名前は出ています。対応を追加するベンダーには、AWS Strands Robots、Automata、Doosan、MBF Bioscience、QIAGEN、Tecan、Universal Robotsが含まれ、Danaherも連携を検討しています。

Hugging FaceのLeRobotライブラリとRaspberry Piは初期採用者です。AnthropicはMHSを安全性評価とともにオープンソース化する前に、ウェイトリストへの登録を受け付けています（参照*1）。

報告の性質にも、限定条件が付きます。これらはあくまで、初期の概念実証導入に関するベンダーおよびパートナーの自己報告です。

MHSが他の機器、施設、モデル、安全体制でどのように機能するかを示すものではありません。公開コード、安定した仕様、独立した適合性テスト、より広範な運用上の証拠は、まだ利用できません（参照*12）。

おわりに

MHSが解こうとしているのは、機器ごとにインターフェースが違うため、統合に数週間から数か月かかるという課題です。パイロットでは、Janeliaの顕微鏡統合、Genentechの流量の最適化、Carnegie Mellonの約8時間での統合、QuEraの99.3%という数値が示され、同時に泡立ちへの誤対応や慎重すぎる停止という弱点も出ました。

現在のMHSは、意欲的なインターフェース設計を持ちながらも、今後も大規模な安全性作業を必要とする制限付きプレビューにとどまっています（参照*12）。判断の材料になるのは、仕様・ソースリポジトリ・適合性テスト・ガバナンスの公開と、パートナー以外の環境での結果です。私が生成AI事業を2年半ほど運営してきた経験からすると、「技術的には動く」と「現場に定着する」の間には大きな距離があります。MHSがその距離を縮められるかどうかは、オープンソース化と独立した検証が進んでから判断すべきでしょう。

監修者

安達裕哉（あだちゆうや）

デロイトトーマツコンサルティングにて品質マネジメント、人事などの分野でコンサルティングに従事しその後、監査法人トーマツの中小企業向けコンサルティング部門の立ち上げに参画。大阪支社長、東京支社長を歴任したのち2013年5月にwebマーケティング、コンテンツ制作を行う「ティネクト株式会社」を設立。ビジネスメディア「Books&Apps」を運営。
2023年7月に生成AIコンサルティング、およびAIメディア運営を行う「ワークワンダース株式会社」を設立。ICJ2号ファンドによる調達を実施(1.3億円)。
著書「頭のいい人が話す前に考えていること」が、95万部（2026年6月時点）を売り上げる。
（“2023年・2024年上半期に日本で一番売れたビジネス書”（トーハン調べ／日販調べ））