Por que isso importa agora
A Anthropic abriu um preview de pesquisa do Model Hardware Standard (MHS), uma especificação compartilhada que permite a agentes de IA descobrir e operar dispositivos físicos com segurança. É a primeira tentativa séria de uma das grandes empresas de IA de atacar um problema que até hoje ninguém resolveu: a “taxa de integração” entre agentes e o mundo físico.
O alvo é o que a própria Anthropic chama de plumbing — o encanamento invisível que conecta software a hardware. Uma bancada de laboratório ou uma célula de fábrica é montada com instrumentos de fabricantes que nunca planejaram conversar entre si. Cada equipamento traz sua própria interface, e especialistas precisam escrever, à mão, tradutores sob medida para cada par de dispositivos. Segundo a empresa, essa configuração normalmente leva semanas ou meses; com o MHS, o tempo cai para horas ou minutos.
O “imposto da integração”
Mesmo depois de tudo conectado, não existe uma forma comum de os dispositivos entregarem seu estado a um agente — nem de serem operados por ele com segurança. Cada instrumento tem seu próprio jeito de se descrever, e o agente não tem como saber, por exemplo, o peso de um braço robótico ou os limites de torque de um motor. Esse conhecimento não está no código; está na cabeça do engenheiro que montou a célula.
O MHS padroniza justamente a camada do driver — a ponte entre o sistema operacional e o dispositivo. Ele expõe um conjunto mínimo de primitivas: ler (obter a temperatura), escrever (ajustar a temperatura) e descoberta, para que dispositivos e agentes se encontrem na rede sem tradutor intermediário.
Como funciona
Um diferencial do MHS são as driver tags: anotações em linguagem natural que capturam o que o código sozinho não codifica. O usuário pode escrever manualmente — ou pedir que o agente o entreviste sobre a configuração — e o driver compila essas tags em um arquivo de referência com o que o dispositivo mede, o que pode ser ajustado e quais limites de segurança são aplicados.
O controle passa por três mecanismos: o Model Context Protocol (MCP), uma CLI e arquivos de código. O padrão é agnóstico a modelo — qualquer harness de agente consegue acessá-lo por protocolos padrão, o que evita o aprisionamento a um único fornecedor de modelo.
O que os parceiros mediram
Os primeiros números vêm de dois parceiros. A Genentech automatizou o ensaio de proteína BCA entre um manipulador de líquidos, um braço robótico e um leitor de placas. O Claude rodou transferências de teste, leu a absorbância e se autoavaliou contra a placa de um especialista, convergindo para parâmetros que a equipe de automação confirmou como razoáveis.
O resultado mais chamativo é o da QuEra Computing. Um script de relock de laser, construído ao longo de meses por uma equipe de quatro pessoas, funcionava cerca de 58% das vezes, com ~150 segundos por tentativa. Entregue o mesmo problema pelo MHS, um loop de agente de quatro papéis rodou sem supervisão durante a noite e produziu um script Python determinístico que recuperou o bloqueio 695 de 700 vezes — 99,3%.
O MHS ainda está em preview de pesquisa, com APIs e capacidades que podem mudar. Mas a direção é clara: se agentes de IA vão de fato operar laboratórios, fábricas e infraestrutura, eles precisam de um padrão comum para falar com o mundo físico. Este é o primeiro esboço com força institucional para virar esse padrão.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
