Anthropicが動かしたのは、これまでソフトウェアの中に閉じていたAIエージェントの手を、初めて物理的な実験装置へと伸ばす標準規格だ。顕微鏡や液体ハンドラー、ロボットアームといった実験・製造機器を、「read」「write」といった単純なコマンドでAIエージェントから直接操作できる「Model Hardware Standard(MHS)」の研究プレビューを2026年8月27日に公開した。標準化ドライバの導入により、従来は数週間から数ヶ月かかっていた新規機器の統合作業が、数時間から数分で完了するようになるという。

研究者にとっての効き目は具体的だ。カーネギーメロン大学は用量反応曲線の実験で、機器統合作業を通常の数週間からわずか約8時間で終え、実験そのものもMHS導入前より約3倍速く回せるようになったと報告している。ワシントン大学の研究室は6台の機器を1週間足らずで接続し、ロボットアームと液体ハンドラーが衝突なく連携するリモート監視ダッシュボードを構築した。機器統合という「実験を始める前の助走」に割く時間が減れば、同じ人員・同じ装置でより多くの実験サイクルを回せる——これは研究室の設備投資そのものの投資対効果を底上げする話だ。

そしてMHSはModel Context Protocol(MCP)など既存のエージェントプロトコルと連携するmodel-agnosticな設計であり、Claude専用ではない。MCPがソフトウェアツール同士の連携をカスタム統合コードなしで成立させたのと同じ発想を、Anthropicは今度は物理世界のハードウェアに適用した格好だ。AIエージェントの活動範囲は、ブラウザやAPIの中だけでなく、実験室や工場の装置そのものへと広がりつつある。

何が起きたか

MHSは、コンピュータのOSとハードウェア機器の間を翻訳する標準化ドライバで、プログラム可能なインターフェースを持つ任意のデバイスを、カスタム統合コードなしに発見・制御できるよう設計されている。開発はAnthropicとHHMI Janelia Research Campusの共同プロジェクトとして始まり、同キャンパスの研究者Virginie Ruetten氏(Ahrens lab)の事例では、新規カメラの統合が「数日」から「数分」に短縮されたと報告されている。

早期採用パートナーとして名前が挙がるのは、Genentech・カーネギーメロン大学・ワシントン大学・QuEra Computingの4組織。加えてAWS(Strands Robots経由)・Tecan(Fluent液体ハンドリングプラットフォーム)・Automata(自動化プラットフォームLINQ)・Universal Robots(ロボティクスプラットフォーム)の4社が対応を構築中だとAnthropicは明らかにしている。

数字で見る

  • カーネギーメロン大学: 機器統合を約8時間で完了(通常は数週間)。用量反応曲線実験そのものが約3倍高速化
  • ワシントン大学(Baker and Pinglay labs): 6台の機器の接続(ドライバ執筆込み)を1週間足らずで完了
  • QuEra Computing: レーザー調整タスクで700試行中695回正しくロックを復旧(成功率99.3%)。従来の成功率は58%、復旧時間は150秒から約6秒に短縮
  • Genentech: BCAタンパク質アッセイの自動化で、水の流速制御精度が約140µL/s(RMSE 0.016)、粘性の高いBSA溶液で約10µL/s(RMSE 0.181)まで向上。こちらは実験サイクルの高速化よりも、精度と自律実行の改善が主な成果として報告されている

「4組織すべてが実験を高速化」ではない

早期採用パートナーの成果を「より速い実験サイクル」と一括りに語る要約が流通しているが、Anthropic公式の記述を精査すると、4組織が報告した内容の性質はそれぞれ異なる。カーネギーメロン大学は実験そのものの速度(約3倍)、QuEra Computingはエラー復旧の速度(150秒→6秒)、Genentechは主に流速制御の精度、ワシントン大学は機器統合というセットアップ作業の速度について、それぞれ成果を報告している。「実験サイクルが速くなった」という一文に均すと、精度改善や統合の容易さという異なる種類の成果が見えなくなる。

制約: 空間推論の限界

Anthropic自身、Claudeは文章と画像を通じて物理世界を学習しているため、空間・物理的推論には限界があり、専門家の監督が引き続き必要だと明記している。MHSは機器へのアクセスを標準化するレイヤーであって、AIエージェントの物理世界理解そのものを解決するものではない。加えてAnthropicは、オープンソース化に先立って研究プレビュー期間中に得た安全性の知見を、標準を安全に展開するためのガイダンスとして公開する計画だとしている。

なぜ重要か

MCPが果たしたのは、AIエージェントがソフトウェアツールを横断して使えるようにする標準化だった。MHSはその同じパターン——統合コストを数週間から数時間に落とすことでエージェントの行動範囲を広げる——を、今度はソフトウェアの外側、実験室や工場の実機に適用する試みだ。エージェントが操作できる対象がAPIやファイルシステムだけでなく、液体を分注するロボットアームやレーザーを調整する装置にまで広がるとき、Anthropicが自ら認める「空間推論の限界」は、単なる性能上の弱点ではなく、監督の設計そのものに関わる論点になる。ソフトウェアの中で完結していたエージェントの失敗は多くの場合ログとロールバックで済むが、物理装置を操作するエージェントの失敗は機器の損傷や実験材料の損失に直結しうる。統合の摩擦を下げる標準化が普及するほど、この監督設計をどう追いつかせるかが、次の焦点になる。