دستهبندی نشده
کلود حالا میتواند رباتها را هم کنترل کند؛ استاندارد تازهی آنتروپیک برای دنیای فیزیکی
آنتروپیک، شرکت سازندهی کلود، با معرفی استانداردی تازه به نام Model Hardware Standard، برای نخستینبار به عاملهای هوش مصنوعی اجازه داده رباتها، میکروسکوپها و تجهیزات آزمایشگاهی و صنعتی را مستقیماً و بدون نیاز به مهندسی هفتهها زمانبر، کنترل کنند.
لیست مطالب
۱. آنتروپیک از دنیای متن وارد دنیای فیزیکی شد
شرکت آنتروپیک تا امروز بیشتر با مدلهای زبانی خانوادهی کلود شناخته میشد؛ مدلهایی که در نوشتن کد، تحلیل متن و مکالمهی هوشمند عملکرد بالایی دارند. اما با معرفی استاندارد تازهی Model Hardware Standard، آنتروپیک برای نخستینبار بهشکل جدی وارد حوزهی هوش مصنوعی فیزیکی شده است؛ حوزهای که تا امروز بیشتر در اختیار شرکتهای تخصصی رباتیک بود. این تغییر مسیر نشان میدهد رقابت میان غولهای هوش مصنوعی دیگر فقط بر سر متن و تصویر نیست، بلکه به دنیای دستگاهها و ماشینهای واقعی هم کشیده شده است.
شاید برای بسیاری از کاربران فارسیزبان که کلود را بیشتر بهعنوان جایگزینی برای مدلهای شرکت OpenAI میشناسند، این خبر عجیب به نظر برسد. اما واقعیت این است که آنتروپیک با این حرکت، مرز بین «چتبات» و «سیستم عاملمحور» را کمرنگ کرده و کلود را به ابزاری برای اجرای واقعی کارهای فیزیکی تبدیل کرده است.
۲. مشکلی که MHS قرار است حل کند
مشکل اصلی دنیای تجهیزات آزمایشگاهی و صنعتی، ناهماهنگی و پراکندگی شدید است. هر سازندهی دستگاه، از میکروسکوپ گرفته تا بازوی رباتیک، رابط برنامهنویسی اختصاصی و غیراستاندارد خودش را دارد. نتیجه این است که هر بار تیمی بخواهد چند دستگاه را بهطور همزمان و خودکار کنترل کند، باید هفتهها یا حتی ماهها روی مهندسی یکپارچهسازی کار کند؛ کاری که معمولاً نیاز به متخصص اتوماسیون دارد.
دقیقاً همینجاست که MHS وارد میدان میشود. آنتروپیک با معرفی یک لایهی درایور استاندارد، دستورهای سادهای مثل «خواندن» و «نوشتن» را جایگزین رابطهای پیچیده و اختصاصی کرده است. هر دستگاهی که از این استاندارد پشتیبانی کند، بهصورت خودکار قابلیتها، محدودیتهای ایمنی و مشخصات فنیاش را به زبان طبیعی اعلام میکند؛ اطلاعاتی که عامل هوش مصنوعی برای کار ایمن با آن دستگاه به آن نیاز دارد.
۳. معماری فنی؛ MCP، کنترل خطفرمان و API
از نظر فنی، MHS روی پروتکل شناختهشدهی Model Context Protocol یا همان MCP بنا شده است؛ همان پروتکلی که پیشتر آنتروپیک برای اتصال مدلهای زبانی به ابزارها و نرمافزارها معرفی کرده بود. حالا این پروتکل گسترش پیدا کرده و از سه مسیر برای کنترل دستگاههای فیزیکی پشتیبانی میکند: خود پروتکل MCP، رابط خطفرمان و فایلهای کد یا API. این چندگانگی باعث میشود سازندگان تجهیزات، بسته به زیرساخت موجودشان، سادهترین مسیر را برای اتصال دستگاه انتخاب کنند.
یکی از بخشهای کلیدی MHS، مدیریت ایمنی در سطح درایور است. یعنی حتی اگر عامل هوش مصنوعی دستوری بدهد که از محدودهی مجاز دستگاه فراتر برود، خود درایور اجازهی اجرای آن دستور را نمیدهد. علاوه بر این، وضعیت همهی دستگاههای متصل در یک حافظهی مشترک ثبت و بهروزرسانی میشود؛ ساختاری که امکان نظارت لحظهای و هماهنگی بین چند دستگاه را بدون نیاز به نرمافزار جداگانهی هر سازنده فراهم میکند.
۴. نمونهی دانشگاه واشینگتن؛ از هفتهها به کمتر از یک هفته
یکی از نخستین کاربران واقعی MHS، دانشجوی دکترایی در دانشگاه واشینگتن بود که پیش از این، هفتهها وقت صرف ارزیابی پلتفرمهای مختلف اتوماسیون کرده بود. با استفاده از MHS، او توانست شش دستگاه آزمایشگاهی مختلف را از یک داشبورد واحد پایش کند؛ از جمله خودکارسازی نظارت بر واکنشهای qPCR و تحلیل همزمان منحنیهای تکثیر برای توقف واکنش در بهترین لحظه. جالبتر اینکه این سیستم توانست هماهنگی بین یک بازوی رباتیک و یک دستگاه انتقال مایعات را برای جابهجایی پلیتهای آزمایشگاهی بدون برخورد و بدون دخالت انسانی انجام دهد. کل این فرآیند، شامل زمان نوشتن درایورها، کمتر از یک هفته طول کشید.
۵. تجربهی Genentech؛ تنظیم خودکار جریان مایعات
شرکت داروسازی بزرگ Genentech هم از میان اولین شرکای MHS بود. تیم این شرکت از MHS برای خودکارسازی آزمایش سنجش پروتئین BCA استفاده کرد؛ فرآیندی که نیاز به هماهنگی دقیق بین دستگاه انتقال مایعات، بازوی رباتیک و دستگاه پلیتریدر دارد. نکتهی قابلتوجه این بود که عامل هوش مصنوعی بهتنهایی توانست نرخ جریان مایعات را برای نمونههای مختلف تنظیم کند؛ برای آب حدود ۱۴۰ میکرولیتر بر ثانیه و برای نمونههای چسبناکتر پروتئین تنها ۱۰ میکرولیتر بر ثانیه. سیستم همچنین توانایی بازیابی خودکار از خطاهای غیرمنتظره را هم نشان داد؛ هرچند پژوهشگران در یک مورد باید به عامل هوش مصنوعی یاد میدادند که کفکردن نمونهی پروتئین یک مشکل فیزیکی واقعی است، نه یک خطای نرمافزاری قابلنادیدهگرفتن.
سرعت سهبرابری در دانشگاه کارنگی ملون
پژوهشگران دانشگاه کارنگی ملون از MHS برای هماهنگکردن آزمایشهای غلظتسنجی و رقت سریالی در سه رایانهی مختلف با رابطهای کاملاً ناسازگار استفاده کردند. نتیجه، سرعتی سهبرابر نسبت به روش معمول بود؛ راهاندازی کامل تنها هشت ساعت طول کشید، در حالیکه یکپارچهسازی معمول با نرمافزار سازندگان معمولاً چند هفته زمان میبرد. عامل هوش مصنوعی حتی زمانی که منحنیهای اولیه نشانهی اشباع را نشان میدادند، بهطور خودکار محدودهی غلظت را تنظیم کرد و نتایج باکیفیتی بدون دخالت انسانی تولید کرد.
۶. رکورد شگفتانگیز در کامپیوتر کوانتومی QuEra
شاید برجستهترین نمونهی کاربردی MHS، پروژهی شرکت کوانتومی QuEra باشد. تیم این شرکت از MHS برای خودکارسازی تثبیت فرکانس لیزر در کامپیوترهای کوانتومی استفاده کرد؛ کاری که بهشدت حساس و پیچیده است. عامل هوش مصنوعی توانست کنترلکنندهای طراحی کند که به نرخ موفقیت ۹۹.۳ درصد رسید و بازیابی قفل لیزر را در بازهای بین ۰.۹ تا ۱۴ ثانیه انجام داد؛ در مقایسه با اپراتورهای انسانی که نرخ موفقیتشان تنها ۵۸ درصد بود و پنج تا ده دقیقه زمان نیاز داشتند. علاوه بر این، عامل هوش مصنوعی توانست دقت تنظیم لیزر را حدود ده برابر بهبود دهد و نویز باقیمانده را از ۱۵.۷ میلیولت به ۱.۵۵ میلیولت کاهش دهد؛ رقمی که برای متخصصان فیزیک کوانتوم بسیار چشمگیر است.
۷. کاربردهای دیگر؛ از میکروسکوپهای Janelia تا پایش آلودگی
در مرکز پژوهشی HHMI Janelia، پژوهشگران توانستند هفت نرمافزار مختلف کنترلکنندهی یک دستگاه میکروسکوپی دوفوتونی را از طریق یک رابط واحد MHS یکپارچه کنند؛ کاری که پیشتر چند روز زمان یکپارچهسازی سختافزاری میبرد و حالا تنها چند دقیقه طول میکشد. این یکپارچگی امکان تحلیل برخط دادههای تصویربرداری و اجرای آزمایشهای میکروسکوپی هدایتشده با هوش مصنوعی را فراهم کرده که بهطور تطبیقی پارامترهای تصویربرداری را بر اساس فعالیت لحظهای سلولی تنظیم میکنند.
شرکت Tetsuwan Scientific هم MHS را با پلتفرم اتوماسیون ResearchOS ترکیب کرده تا گردشکار qPCR را برای پایش آلودگی زیستمحیطی در نهر سن پدرو در کالیفرنیا اجرا کند؛ پروژهای در راستای علوم شهروندی. این سیستم موفق شد نشانگرهای باکتریایی مرتبط با انسان را شناسایی کند و ثابت کرد همان آزمایش میتواند روی پیکربندیهای سختافزاری کاملاً متفاوت، بدون هیچ تغییری اجرا شود.
۸. کدام شرکتها شریک این پروژه هستند؟
فهرست شرکای MHS شامل نامهای شناختهشدهای در دنیای فناوری و پژوهش است. در سمت نهادهای پژوهشی، Genentech، دانشگاه کارنگی ملون، آزمایشگاههای Baker و Pinglay در دانشگاه واشینگتن، مرکز HHMI Janelia، شرکت کوانتومی QuEra و Tetsuwan Scientific حضور دارند. در سمت شرکتهای سختافزاری و نرمافزاری هم آمازون وب سرویسز (از طریق کتابخانهی Strands Robots)، Automata، Danaher، Doosan Robotics، MBF Bioscience، QIAGEN، Tecan، رباتیک یونیورسال، Hugging Face و حتی رزبریپای دیده میشوند. این تنوع نشان میدهد آنتروپیک قصد دارد MHS را نه فقط ابزاری اختصاصی برای کلود، بلکه استانداردی باز و قابلاستفاده برای مدلهای زبانی مختلف معرفی کند.
به گفتهی جونا کول، مسئول شراکتهای آنتروپیک، بسیاری از تجهیزات علمی و صنعتی امروز روی «راهحلهای اختصاصی و بسیار شکننده» تکیه دارند و MHS دقیقاً برای رفع همین مشکل طراحی شده است. الک کمنی، از دیگر مسئولان آنتروپیک، این پروتکل را به «یواسبی برای اتصال هوش مصنوعی به نرمافزار» تشبیه کرده است؛ استعارهای که نشان میدهد هدف نهایی، استانداردسازی کامل این حوزه است.
۹. محدودیتها، مسیر پیشرو و اهمیت این خبر برای کاربران ایرانی
با وجود همهی این دستاوردها، آنتروپیک صادقانه اعلام کرده که MHS هنوز محدودیتهای واقعی دارد. مدلهای زبانی مثل کلود، دنیای فیزیکی را فقط از طریق متن و تصویر میشناسند، نه از طریق تجربهی مستقیم حسی؛ به همین دلیل در تشخیص برخی مشکلات فیزیکی، شیمیایی یا زیستی همچنان به نظارت متخصص انسانی نیاز است. آنتروپیک همچنین اعلام کرده MHS هنوز از دستگاههای فاقد رابط برنامهنویسی پشتیبانی نمیکند، هرچند سازندگان تجهیزات در حال توسعهی درایورهای بیشتری هستند. در حال حاضر، MHS تنها بهصورت نسخهی اولیه و محدود در اختیار شرکای منتخب در حوزهی علم، رباتیک، الکترونیک و تولید قرار گرفته است. آنتروپیک قول داده پیش از متنباز کردن کامل این استاندارد، یک نقشهراه جامع برای ایمنی فیزیکی تدوین کند تا از سوءاستفادههای احتمالی جلوگیری شود. این رویکرد محتاطانه با سابقهی آنتروپیک در بحثهای محدودیتها و ظرفیتهای واقعی هوش مصنوعی همخوانی دارد؛ موضوعی که این شرکت همیشه در کنار توسعهی فناوری، به آن توجه ویژه داشته است.
برای کاربران و کسبوکارهای ایرانی که هوش مصنوعی را بیشتر در قالب چتبات یا ابزار تولید محتوا میشناسند، MHS نشان میدهد آیندهی این فناوری فراتر از صفحهنمایش است. کسبوکارهایی که در حوزهی تولید، آزمایشگاه یا فناوری پزشکی فعالیت میکنند، میتوانند از هماکنون درک درستی از اهمیت هوش مصنوعی در کسبوکار پیدا کنند و خودشان را برای موجی از خودکارسازی صنعتی مبتنی بر عاملهای هوشمند آماده کنند. همچنین برای کسانی که میخواهند با ابزارهایی مثل کلود کار کنند، آشنایی با اصول نوشتن پرامپت درست همچنان یکی از مهمترین مهارتهای پایه محسوب میشود و تفاوتی که بین استفادهی سطحی و مهندسی واقعی هوش مصنوعی وجود دارد را بهتر نشان میدهد؛ چه در تعامل با متن، چه در آیندهای که شاید دستور دادن به یک بازوی رباتیک هم به همین سادگی باشد.
سوالات متداول
آیا MHS فقط برای کلود کار میکند؟
خیر. آنتروپیک اعلام کرده هدف نهایی، تبدیل MHS به استانداردی باز و قابلاستفاده برای مدلهای زبانی مختلف است، نه فقط کلود.
آیا هرکسی میتواند همین حالا از MHS استفاده کند؟
نه هنوز. این استاندارد در حال حاضر فقط بهصورت نسخهی پیشنمایش پژوهشی و محدود در اختیار شرکای منتخب آنتروپیک قرار دارد و قرار است بعداً متنباز شود.
چه نوع دستگاههایی با MHS سازگارند؟
در حال حاضر بازوهای رباتیک، دستگاههای انتقال مایعات، میکروسکوپها، دستگاههای qPCR و برخی تجهیزات کوانتومی از این استاندارد پشتیبانی میکنند و فهرست سازگاری در حال گسترش است.
