Il 27 agosto Anthropic ha rilasciato in research preview il Model Hardware Standard, il primo strumento della sua storia progettato per operare nel mondo fisico. Microscopi, sistemi di manipolazione dei liquidi, laser, bracci robotici: dispositivi che oggi possono richiedere settimane di programmazione specializzata per essere integrati, secondo l’azienda potranno essere collegati a un agente AI in ore. La notizia è già stata raccontata su queste pagine, con il caso Genentech e i dettagli del framework. Vale la pena chiedersi cosa significhi davvero, al di là della singola dimostrazione tecnica.
La risposta comincia da una distinzione che nella cronaca si perde facilmente.
Indice degli argomenti:
Il prodotto vero non è il braccio robotico
Un braccio robotico che pipetta con precisione è una notizia che colpisce, la si racconta bene, genera un video da condividere. Ma non è quello il prodotto che Anthropic sta davvero costruendo con MHS. Il prodotto è l’interfaccia comune attraverso cui qualunque strumento, di qualunque produttore, può parlare con qualunque agente AI senza che ogni laboratorio debba reinventare l’integrazione da zero.
Alla sperimentazione partecipano già Amazon Web Services, Automata, Danaher, Doosan Robotics, Qiagen, Tecan, Universal Robots, mentre Hugging Face lavora al supporto dello standard nella libreria LeRobot e Raspberry Pi lo sta testando sui propri prodotti.
Un dettaglio, apparentemente tecnico, rivela l’ambizione reale della mossa: Anthropic ha annunciato l’intenzione di rendere MHS open source, una volta costruite le protezioni necessarie contro gli errori. Non è generosità. È la scelta, tipica di chi vuole possedere un mercato intero e non soltanto un prodotto al suo interno, di regalare lo standard e monetizzare quello che ci gira sopra.
Come vince uno standard: la lezione dell’USB
Chi ha vissuto gli anni Novanta ricorda i cassetti pieni di cavi seriali, paralleli, PS/2, ognuno con il proprio connettore, ognuno incompatibile con l’altro. L’USB non ha vinto perché era il connettore tecnicamente più elegante: ha vinto perché ha reso indifferente quale dispositivo ci fosse dall’altra parte del cavo, spostando la competizione altrove, sui dispositivi stessi, non sul modo di collegarli. Android ha fatto lo stesso con la frammentazione dei telefoni Android di inizio secolo, HTTP con la babele dei protocolli di rete degli anni Ottanta.
Chi controlla il protocollo di connessione, in ciascuno di questi casi, ha finito per controllare l’ecosistema che ci si è costruito sopra, anche restando quasi invisibile a chi lo usa ogni giorno. MHS prova a fare la stessa cosa per la strumentazione scientifica: se diventa lo standard con cui microscopi, robot da laboratorio e sistemi di analisi comunicano con gli agenti AI, ogni produttore di hardware scientifico che vuole restare rilevante dovrà parlare quella lingua, e ogni agente AI che vuole controllare quell’hardware dovrà passare, in qualche modo, dalle regole che Anthropic ha scritto per prima.
Le mani sanno cose che la lingua non sa dire
C’è un filosofo della scienza, Michael Polanyi, che negli anni Sessanta ha scritto una frase diventata poi un classico dell’epistemologia: sappiamo più di quanto riusciamo a dire. Un ciclista non sa spiegare a parole come tiene l’equilibrio, un chimico esperto non sa sempre articolare perché regola la velocità di una pipettata in un modo piuttosto che in un altro, lo sa fare, non sa dirlo. È la conoscenza tacita, quella che vive nelle mani prima ancora che nel linguaggio, ed è sempre stata la frontiera più resistente all’automazione, perché non si trasferisce con un manuale.
Il test di Genentech con Claude mostra proprio questo confine messo alla prova. Il modello ha coordinato un liquid handler, un braccio robotico e un lettore ottico per un saggio di misurazione delle proteine, ha trovato da solo la velocità corretta di pipettaggio con acqua, circa 140 microlitri al secondo, e l’ha ridotta di più di dieci volte con una soluzione viscosa di albumina bovina, imparando dal confronto con un esperto umano. Quando però la formazione di bolle ha cominciato ad alterare le letture, l’agente ha ripetuto l’errore, cambiando parametri nello stesso pozzetto contaminato invece di riconoscere la causa fisica del problema. Ci è voluto un ricercatore in carne e ossa per spiegarglielo.
È esattamente lì, nel punto in cui il ragionamento linguistico incontra la resistenza della materia, che si misura quanta strada resta da fare prima che un modello possieda davvero la conoscenza tacita che Polanyi descriveva, e non soltanto una sua imitazione plausibile.
Chi firma un esperimento che l’agente ha corretto da solo
Qui si apre una domanda che meriterebbe più spazio di quanto ne stia ricevendo nel dibattito pubblico sull’AI scientifica. Il metodo scientifico si regge su un principio semplice quanto solido: un esperimento vale se è riproducibile, e per essere riproducibile deve essere descritto in modo completo e verificabile. Ma cosa succede quando parte del design dell’esperimento avviene dentro il ciclo decisionale di un agente autonomo, che aggiusta parametri in tempo reale, in un processo che nemmeno chi lo ha supervisionato ha visto passo per passo?
Anthropic riferisce che alcuni scienziati hanno osservato gli agenti seguire, correggere e ripetere esperimenti con modalità simili a quelle di un ricercatore umano, in un caso di neuroscienze fino a identificare autonomamente una specifica struttura del tessuto cerebrale osservato al microscopio. Genentech, dal canto suo, ha trasformato gli errori corretti durante i test in competenze riutilizzabili dal sistema, un modo elegante per dire che l’agente impara dalle proprie sviste. Restano però da costruire pratiche condivise su cosa significhi validare, firmare, pubblicare un risultato prodotto in parte da un processo che lo sperimentatore umano ha supervisionato ma non pienamente diretto.
La comunità scientifica ha impiegato secoli per definire cosa conta come prova. Ha ora pochi anni per decidere cosa conta come prova quando chi manovra gli strumenti non è più soltanto umano.
Un’azienda in cerca di un mercato più grande della chat
Il tempismo della mossa non è secondario. Anthropic si avvicina a un’IPO che gli investitori, secondo il Financial Times, stimano possa valere 2.000 miliardi di dollari già a ottobre, e una valutazione di quella portata non si costruisce soltanto raccontando quanto è bravo un modello a scrivere codice o rispondere a un prompt. Si costruisce mostrando mercati nuovi da aggredire: manifattura, robotica, farmaceutica, tutti settori dove il valore economico non dipende da quanto testo un’AI produce, ma da quante ore di lavoro umano, o di calcolo, riesce a sostituire in un processo fisico che oggi richiede la presenza costante di uno specialista.
Chi in azienda oggi valuta l’automazione dei propri laboratori, delle proprie linee di controllo qualità, dei propri banchi di test, dovrebbe guardare a MHS non come a un annuncio da laboratorio universitario, ma come al primo tassello pubblico di una strategia che punta a rendere Claude presente ovunque un dato fisico venga misurato, trasformato, verificato. Il confine tra intelligenza digitale e mondo fisico, quello che libri come Spatial Shift hanno provato a descrivere prima ancora che diventasse un prodotto in beta, si sta chiudendo più in fretta di quanto la maggior parte dei laboratori italiani abbia messo in conto. Chi lo presidia per primo scrive le regole con cui tutti gli altri, poi, dovranno fare i conti.
Partecipa alla community