Anthropicは2026年8月27日、AIが研究機器や製造装置を安全に操作するための共通規格「Model Hardware Standard（MHS）」の研究プレビューを公開しました。MHSを使うことで、顕微鏡や液体を扱う装置、ロボットアームなど、メーカーや役割が異なる機器をAIからまとめて扱いやすくなります。
Anthropicは、従来は数週間から数カ月かかることもある機器の接続作業を、MHSによって数時間から数分まで短縮できるとしています。研究や製造の進め方を変える可能性がある一方、安全な運用や対応機器の拡大も重要になるため、本プロジェクトの詳細を考察します。
AIと機器をつなぐ共通ルールが求められる背景
研究室や工場では、一つのメーカーだけではなく、さまざまな会社が作った機器を組み合わせて使うことがあります。しかし、それぞれの機器は操作方法やデータの形式が異なるため、複数の装置を一緒に動かそうとすると、機器ごとに専用の接続方法を用意しなければならないケースがありました。AIに機器を操作させる場合は、さらに「何を読み取れるのか」「どこまで変更してよいのか」「どの操作を止めるべきなのか」といった情報も伝える必要があります。
MHSは、この違いをできるだけ共通の形にまとめるための仕組みです。中心となる「MHSドライバー」は、機器とコンピューターの間をつなぎ、「温度を確認する」「設定温度を変える」といった基本的な操作を共通の形で扱えるようにします。
さらに、機器が何を測定できるのか、どこを調整できるのか、安全上どこまで操作を許可するのかといった情報もAIに伝えられます。これまで説明書や担当者の経験として管理されていた情報を、AIが読み取れる形で整理できることも特徴です。
つまりMHSは、機器を単につなぐだけの規格ではありません。AIが初めて扱う機器についても、特徴や注意点を確認しながら操作するための土台を作ろうとする取り組みです。研究室や工場にあるさまざまな機器とAIの間に、共通のやり取りの方法を作ることが大きな狙いといえます。
参照：Anthropic「Previewing the Model Hardware Standard」
複数の機器をまとめて動かすMHSの仕組み
MHSの特徴は、AIと一つの機器をつなぐだけではなく、複数の装置を一つの作業の流れとして扱える点にあります。研究や製造では、一台の機器だけで作業が終わるとは限りません。ある機器で処理した結果を確認してから次の装置を動かすなど、複数の工程を正しい順番で進める必要があります。MHSでは、AIがそれぞれの機器の状態を確認しながら、作業の順番を管理したり、状況に応じて設定を変えたりできる仕組みが用意されています。
AIと機器をつなぐ方法を一つに限定しない
MHSでは、AIから機器を操作する方法として、MCP、コマンドライン、コードファイルの3つが紹介されています。MCPとは、AIと外部のツールや情報をつなぐための共通の仕組みです。コマンドラインは文字による命令で操作する方法で、コードファイルはあらかじめ書いたプログラムを実行する方法です。
大切なのは、すべての作業を一つの方法だけで行う必要がない点です。例えば、状況を見ながら判断する場面ではAIを使い、決まった手順を何度も行う作業ではプログラムを使うといった分け方ができます。
また、MHSはClaudeだけで利用することを前提にした規格ではありません。Anthropicは、特定のAIモデルだけに限らず、標準的な方法でほかのAIエージェントからも利用できる設計だと説明しています。将来、用途に合わせてAIと機器の組み合わせを選びやすくなる可能性があります。
結果を確認しながら次の操作を変えられる
MHSを通じて機器を動かせるようになると、AIは命令を送るだけでなく、機器から返ってくる情報を確認しながら作業を進められます。ある装置で測定した結果を確認し、その内容に合わせて次の設定を変更するといった使い方です。
Anthropicが紹介した検証では、Claudeがレーザーを調整し、カメラでレーザー光の動きを確認した後、結果に合わせて再び調整する動きを繰り返しました。ここでは「操作する」「結果を見る」「次の動きを決める」という流れが続いています。
あらかじめ決めた手順をそのまま実行するだけではなく、途中の結果に合わせて条件を変えられる点が特徴です。研究では、実際に試してみなければ次の条件を決められない場面もあります。そのため、AIが機器の状態を確認しながら作業を支援できれば、研究者が細かな操作を一つずつ指定する負担を減らせる可能性があります。
手順が固まった作業はプログラムとして実行できる
AIが毎回結果を確認しながら考える方法は便利ですが、同じ作業を長時間続けたり、短い間隔で何度も機器を動かしたりする場合には、毎回AIに判断させることが最適とは限りません。
MHSでは、AIが見つけた操作方法をコードファイルにまとめ、決められた手順として実行することもできます。Anthropicが行ったレーザー調整の検証でも、Claudeは試行錯誤しながら調整方法を確認した後、その方法をプログラムとしてまとめました。その後は、AIが一つひとつ考え直さなくても、一つの命令として同じ操作を行えるようになりました。
この仕組みでは、方法を探す段階ではAIの判断力を使い、やり方が決まった後は通常のプログラムとして動かすことができます。AIにすべてを任せ続けるのではなく、必要な場面だけAIの判断を取り入れられる点は、安全性や安定した運用を考えるうえでも重要な考え方です。
研究現場で始まっているMHSの具体的な活用
MHSは仕組みが発表されただけではなく、すでに研究機関や企業で実際の機器を使った検証が進められています。ここで注目したいのは、単に機械を遠隔操作するのではなく、実験結果を確認したり、複数の装置を順番に動かしたり、専門家が行ってきた調整方法をAIと一緒に探したりする使い方が試されていることです。バイオ研究、大学の研究室、量子コンピューターという3つの事例から、MHSがどのように利用されているのかを見ていきます。
Genentechでは実験条件の調整をAIが支援
バイオ医薬品企業のGenentechでは、試料に含まれるタンパク質の量を測る実験にMHSを利用しました。実験では、液体を正確に移す装置、試料を運ぶロボットアーム、測定を行う装置という3種類の機器を連携させ、Claudeが作業全体をまとめています。
この検証では、単に決められた量の液体を移すだけではなく、液体の性質に合った動かし方を探す作業も行われました。水と粘り気のあるタンパク質試料では、液体を移す適切な速度が異なります。Claudeは複数の条件で試し、測定結果を確認しながら速度を調整しました。
一方で、AIの限界も確認されています。タンパク質試料に泡ができた際、Claudeは当初、機器やプログラム上の問題として対応しようとしました。しかし実際には、液体にできた泡そのものが原因でした。研究者が物理的な原因と対応方法を教えることで、その後の作業に反映できました。現在のAIは実験を助けられる一方、現実の物質や機器の状態については人の専門知識が必要になることを示す例でもあります。
大学研究室では離れた場所から実験を確認
ワシントン大学のBaker研究室とPinglay研究室では、研究機器をまとめて確認するためにMHSが使われました。これまでは、研究室の各所に置かれた機器の状態を見るために、研究者が装置の前まで移動する必要がありました。MHSを使った検証では、接続された機器の状態を一つの画面で確認したり、スマートフォンからAIに状態を尋ねたりできるようにしています。
DNAを増やすqPCRという実験では、AIが実験中の変化を確認し、適切なタイミングになると研究者へ「止めるか、続けるか」を確認する仕組みも試されました。停止の指示を受けると、装置は次の保存工程へ移ります。
さらに、液体を扱う装置とロボットアームを連携させる検証も行われました。一方の機器の作業が終わったことを確認してから次の機器を動かすことで、同じ場所で二つの装置が同時に動いてぶつからないようにしています。繰り返し行った検証でも衝突は起きなかったと報告されています。研究者が機器の前で待ち続ける時間を減らし、ほかの作業に時間を使える可能性を示す事例です。
量子コンピューターではレーザーの復旧方法を改善
量子コンピューターを開発するQuEra Computingでは、装置内で使われるレーザーの状態を元に戻す作業にMHSとClaudeを利用しました。量子コンピューターではレーザーを非常に細かく調整する必要がありますが、温度や振動、空気の状態などによって設定がずれることがあります。これまでは、経験を持つ担当者が複数の機器を確認しながら直す必要がありました。
QuEraはClaudeにMHSを通じて実際の機器を操作できる環境を与え、レーザーを元の状態に戻すプログラムを改善させました。Claudeは何度も試しながらプログラムを書き換え、より速く、安定して復旧できる方法を探しています。
完成したプログラムは、その後AIを動かさない状態で700回テストされ、695回の復旧に成功しました。成功率は99.3％です。QuEraが以前、専門チームで数カ月かけて作ったプログラムの成功率は約58％だったとされています。
重要なのは、実際の700回のテスト中にClaudeが毎回判断していたわけではない点です。Claudeが試行錯誤して作った手順固定のプログラムを、完成後に単独で動かして検証した結果が99.3％でした。AIを開発段階で活用し、完成した仕組みは通常の確認可能なプログラムとして運用するという使い方を示しています。
MHSの実用化には安全性と人の確認が欠かせない
MHSによってAIが現実の機器を扱える範囲が広がる一方、現時点ですべての作業をAIだけに任せられるわけではありません。Anthropicは、Claudeが文章や画像を中心に物理世界について学んでいるため、物の位置関係や現実の物理現象を正しく判断する力には限界があり、専門家による確認が必要だと説明しています。
Genentechの検証で起きた泡の問題は、その分かりやすい例です。AIは機器から返されたエラーを確認できても、その原因が液体の中に生じた泡だとすぐには理解できませんでした。現実の機器を扱う場合は、画面上の情報だけでは分からない問題が起きることがあります。
また、現在のMHSは、プログラムから操作できる仕組みを持つ機器が対象です。そのような仕組みを持たない機器はそのままでは利用できないため、Anthropicはメーカーと協力して対応を広げようとしています。
MHSは現在、正式な全面公開ではなく研究プレビューの段階です。Anthropicは参加企業や研究機関と追加の安全性評価を行い、AIが現実の機器を扱う場合の安全対策をまとめた計画も進めています。将来オープンソースとして公開する際には、研究プレビューで得た知見と安全に導入するための情報も公表する方針です。
MHSの価値を高めるには、AIにできる操作を増やすだけではなく、「どこまでは自動で進めるのか」「どの操作では人の確認を入れるのか」をあらかじめ決めることが重要になります。
今後の展望
MHSが広がった場合、変化するのはAIが機器を操作できる範囲だけではないと考えられます。機器の作り方や選び方、研究者が持つ経験の残し方、AIとロボットを試せる人の広がりにも影響する可能性があります。ここでは、現在公表されている取り組みをもとに、MHSならではの今後の可能性を3つの視点から考察します。
「AIから使いやすい機器」が新しい価値になる可能性
MHSが広く普及した場合、研究機器や産業用ロボットには、本来の性能だけでなく「AIやほかの機器とつなぎやすいこと」が新たな価値として求められる可能性があります。
現在の研究プレビューには、さまざまな機器メーカーやソフトウェア企業が参加しています。Tecanは液体を扱う装置へのMHS対応を進め、Universal Robotsは自社のロボット向けに対応する計画を示しています。Doosan RoboticsもロボットアームでMHSを試しており、複数のロボットを連携させる検証などを進めています。QIAGENでは、研究用の装置に問題が起きた際、AIが復旧を助ける使い方を試しています。
こうした動きが続けば、将来はメーカーが製品を完成させてからAIとの接続方法を追加するのではなく、機器を設計する段階からAIとの連携を考えるケースが増えるかもしれません。
利用する研究機関や企業にとっても意味があります。異なるメーカーの機器でも共通の仕組みから扱いやすくなれば、一社の製品だけで設備をそろえる必要性が小さくなる可能性があります。そのとき必要な研究や製造工程に合わせて機器を選び、それらをAIがまとめて管理する形が考えられます。
MHSが業界で広く受け入れられるかはまだ分かりません。しかし複数の大手メーカーがすでに対応や検証を始めていることを考えると、「AIとつなげやすいこと」が将来の機器設計や製品価値の一部になる可能性は十分に考えられます。
研究者が持つ経験を次の実験に残しやすくなる可能性
研究や製造の現場には、説明書には書かれていない細かな知識があります。「この液体はゆっくり動かした方がよい」「この機器はこの条件では不安定になりやすい」といった情報は、長く機器を扱ってきた担当者の経験として残っていることがあります。
MHSでは、機器の特徴や安全上の注意などを自然な文章で記録し、AIが利用できる情報としてまとめられます。また、Claudeがレーザー調整で行ったように、AIが試しながら見つけた方法をプログラムとして残すこともできます。
この二つが組み合わされば、研究者の経験を、その場限りの知識ではなく次の作業で使える形にしやすくなる可能性があります。例えば、ある研究室で何度も試して見つけた機器の調整方法をプログラムとして残し、同じ環境で再び利用するといった使い方です。担当者が変わった場合でも、過去にどのような条件で機器を動かしていたのかを確認する助けになるかもしれません。
もちろん、同じ種類の機器でも設置場所や試料、周囲の環境が変われば、まったく同じ方法が使えるとは限りません。そのため、人が確認せずに過去の手順をそのまま使うことは避ける必要があります。
それでも、これまで人の頭の中や個別のメモに残りやすかった知識を、AIと機器の両方が利用できる形に整理する仕組みが広がれば、研究手順の引き継ぎや、同じ実験を再現するための支援につながる可能性があります。MHSは機器同士の接続だけでなく、現場の知識をどう残すかという課題にも関わる仕組みへ発展することが考えられます。
大規模な研究施設以外にもAIとロボットの活用が広がる可能性
MHSの今後を見るうえで注目したいのが、対応先が大型の研究設備だけに限られていないことです。Anthropicは、Hugging Faceがロボット開発用の「LeRobot」にMHS対応を追加していると説明しています。また、Raspberry PiもCamera MHS Driverを使った試験を終え、複数の製品でMHSとの連携を進めています。
Hugging Faceの公式資料では、LeRobotに独自のロボットやカメラなどを追加し、操作やデータ収集、AIモデルの実行につなげられる仕組みが案内されています。こうしたロボット開発環境までMHSへの対応が広がれば、大学の小規模な研究チームや開発者などが、AIと実際の機器を組み合わせた仕組みを試す機会も増える可能性があります。
例えば、小型のロボットアーム、カメラ、センサーなどを組み合わせ、AIが映像や測定結果を確認しながら機器を動かす試作が考えられます。大学では研究や教育に使い、開発チームでは大きな設備を導入する前に新しい仕組みを試すといった使い方も考えられます。
ワシントン大学の検証では、MHSを使って6台の機器を1週間未満で接続したと報告されています。これは一つの研究室で行われた事例であり、どの環境でも同じ期間で導入できるという意味ではありません。それでも、これまで大きな費用や専門的な開発が必要だった機器連携を、より小さな規模から試す方向性を示しています。
MHSがオープンソース化され、対応する機器や開発環境が増えていけば、AIが現実の機械を動かす技術は、大企業や大規模研究所だけのものではなくなるかもしれません。小さな環境で試し、成果が確認できた仕組みをより大きな設備へ広げていく流れが生まれる可能性があります。
