புதிய device-control standard மூலம் screens-ஐத் தாண்டி AI-யை Anthropic தள்ளுகிறது

Anthropic-இன் புதிய standard, AI agents-ஐ நிஜ உலக இயந்திரங்களுடன் இணைக்க முனைகிறது

Anthropic, Model Hardware Standard அல்லது MHS என அது அழைக்கும் ஒன்றை அறிமுகப்படுத்தியுள்ளது. இது AI agents-க்கு physical devices-களுடன் தொடர்பு கொள்ள ஒரு பொதுவான வழியை வழங்க வடிவமைக்கப்பட்ட research-preview framework ஆகும். யோசனை எளிதானது, ஆனால் அதன் விளைவுகள் முக்கியமானவை ஆகலாம்: ஒரு workflow-இல் உள்ள ஒவ்வொரு microscope, camera, robotic arm, laser system, அல்லது வேறு machine-க்கும் தனிப்பயன் software links தேவைப்படுவதற்குப் பதிலாக, MHS என்பது shared drivers மற்றும் data formats-ஐ வழங்கி, systems-ஐ ஒரே standardized layer மூலம் தொடர்பு கொள்ளச் செய்வதே நோக்கம்.

இது முக்கியமானது, ஏனெனில் இன்று agentic AI செயல்பாடுகளில் பெரும்பகுதி இன்னும் digital environments-இல் மட்டுமே சிக்கியுள்ளது. Models ஏற்கனவே text உருவாக்க, code எழுத, images-ஐ மாற்ற, மற்றும் software tools-இல் actions எடுக்க முடியும். ஆனால் அந்த உலகிலிருந்து physical systems-க்குச் செல்லுவது கடினம். உண்மையான equipment-கள் vendors, protocols, மற்றும் ஒருமுறை பயன்படுத்தும் interfaces-களாகப் பிரிந்திருக்கின்றன, மேலும் ஒரு automated workflow இயங்குவதற்கு முன் அவற்றை இணைக்கவே பல வாரங்கள் அல்லது மாதங்கள் engineering work தேவைப்படுகிறது.

MHS இந்த integration சுமையை குறைக்க முடியும் என்பதே Anthropic-இன் வாதம். நிறுவனத்தின் விளக்கத்தின்படி, standard-ஐப் பயன்படுத்தும் devices network வழியாக data-ஐ பகிரவும், instructions-ஐ ஏற்கவும் முடியும்; ஒவ்வொரு connection-க்கும் தனித் translator தேவையில்லை. நடைமுறையில், இதன் மூலம் சிதறிய lab அல்லது industrial அமைப்பு automation-க்கு பொதுவான operating environment-க்கு நெருக்கமாக மாறலாம்.

முதல் இலக்கு scientific research ஏன்

Anthropic முதலில் MHS-ஐ consumer robotics அல்லது factory automation-க்குப் பதிலாக science-ஐ மையமாக வைத்து அமைத்துள்ளது. இந்த research preview, experiment design-க்கும் செயல்படுத்தக்கூடிய setup-க்கும் நடுவே பெரும்பாலும் நிற்கும் custom software work-ஐ scientists தவிர்க்க உதவுவதே நோக்கம் என நிறுவனம் கூறுகிறது. பல advanced labs-இல், வெவ்வேறு suppliers-இன் instruments-ஐ மிகத் துல்லியமாக synchronize செய்ய வேண்டும்; ஆனால் அவை ஒரே மொழியில் பேசுவதற்காக ஒருபோதும் வடிவமைக்கப்படவில்லை.

அறிவிப்புடன் வெளியான விளக்கத்தில், Virginia-வின் Ashburn-இல் உள்ள Howard Hughes Medical Institute-இன் Janelia Research Campus-இல் நடந்த பணியே இந்த project-க்கு தூண்டுதலாக இருந்ததாக Anthropic கூறியது. அங்கு neuroscientist Arco Bast, brain-இல் memory formation-ஐ ஆய்வு செய்யும் போது rotating lasers, microscopes, cameras, மற்றும் பிற experimental components-ஐ shared interface மூலம் ஒருங்கிணைக்கும் முறையை உருவாக்கியிருந்தார். Anthropic technical staffer Alek Kemeny, அந்த உதாரணம் ஒரு பெரிய சாத்தியத்தைக் காட்டியது என்று கூறினார்: ஒரு lab சிக்கலான experiment-க்கு ஒருங்கிணைந்த control layer-ஐ உருவாக்க முடிந்தால், standardized approach AI-க்கு பல மேலும் experimental systems-ஐ இயக்கவும் அல்லது ஒருங்கிணைக்கவும் முடியும்.

அருகில்கால வாக்குறுதி முழுமையான autonomous science போல அதிர்ச்சியாக இல்லையென்றாலும், முக்கியமானதே. Anthropic கூறுவது போல MHS integration work-ஐ மாதங்களிலிருந்து மணிநேரங்களுக்கோ நிமிடங்களுக்கோ குறைக்க முடிந்தால், நுணுக்கமான experimental setups-ஐ automate செய்யும் திறன் யாருக்கு கிடைக்கும் என்பதையே அது மாற்றக்கூடும். இன்று அந்த திறன் பெரும்பாலும் தனித்துவமாக வலுவான in-house engineering talent-ஐ சார்ந்துள்ளது. ஒரு standard interface, labs மற்றும் institutions-களுக்கு இடையே automation-ஐ மேலும் portable ஆக்கி, instruments-ஐ இணைக்க, runs-ஐ orchestrate செய்ய, மற்றும் structured data-ஐ மேலும் ஒரே மாதிரியாக capture செய்ய விரும்பும் teams-க்கு friction-ஐ குறைக்கலாம்.

AI feature மட்டும் அல்ல, ஒரு translation layer

அறிவிப்பின் குறிப்பிடத்தக்க அம்சங்களில் ஒன்று MHS-ஐ AI-only infrastructure ஆக மட்டும் காட்டவில்லை என்பதாகும். standard-ஐ ஆதரிக்கும் devices-ஐ language model இல்லாமல்கூட நேரடியாக command-line prompts மற்றும் API code files மூலம் கட்டுப்படுத்தலாம் என Anthropic கூறுகிறது. இந்த framing முக்கியமானது, ஏனெனில் இது standard-ஐ Claude-க்கு marketing wrapper போல அல்ல, தனித்த technical merit கொண்ட interoperability layer போல காட்டுகிறது.

AI கோணம் MHS-ஐ Model Context Protocol உடன் இணைக்கும்போது வெளிப்படுகிறது; இது models-ஐ tools மற்றும் external systems-உடன் இணைக்கும் Anthropic-backed மற்றொரு முயற்சி. இரண்டையும் இணைத்தால், ஒரு model கிடைக்கும் devices-ஐ புரிந்துகொண்டு, shared control interface வழியாக instructions அனுப்பி, ஒவ்வொரு instrument pairing-க்கும் custom glue code இல்லாமல் structured feedback பெறக்கூடிய ஒரு stack உருவாகிறது.

இந்த அணுகுமுறை physical AI-யின் பெரிய bottlenecks-இலொன்றை address செய்கிறது: reasoning மட்டும் அல்ல, நம்பகமான action. ஒரு model steps தொடரை திட்டமிட முடியும்; ஆனால் hardware predictable controls மற்றும் readable states-ஐ வழங்கினால்தான் அந்த plans பயனுள்ளதாகும். அந்த குறைவான consistency-ஐ வழங்க MHS முயல்கிறது.

Adoption நடந்தால் இது என்ன மாற்றலாம்

MHS-இன் முக்கியத்துவம் அறிவிப்பை விட, device makers, labs, மற்றும் automation teams இதை ஏற்றுக்கொள்கிறார்களா என்பதிலேயே அதிகமாக निर्भर இருக்கும். Standards பல தரப்புகள் அவற்றைச் சுற்றி கட்டுமான செலவை ஏற்றுக்கொள்ளும்போது மட்டுமே சக்திவாய்ந்தவை ஆகின்றன. MHS, Anthropic demos-க்கு இணைக்கப்பட்ட ஒரு குறுகிய research preview ஆகவே இருந்தால், அதன் தாக்கம் குறைந்துவிடும். instruments மற்றும் workflows-இல் விரிவான ஆதரவைப் பெற்றால், AI advisory software-இலிருந்து physical systems-இன் செயலில் coordination-க்கு நகரும் பெரிய மாற்றத்தை அது வேகப்படுத்தலாம்.

Scientific labs ஒரு தெளிவான தொடக்க proving ground ஆகும், ஏனெனில் அவற்றில் ஏற்கனவே பலவகை software-controlled hardware இருக்கும்; மேலும் integration time செலவான high-value workflows-ஐ அவை உருவாக்குகின்றன. ஆனால் இதன் அடிப்படை தர்க்கம் research-ஐ விட அதிகமாகப் பரவக்கூடும். networked devices, machine-readable outputs, மற்றும் மீண்டும் மீண்டும் செய்யப்படும் configuration work உள்ள எந்தச் சூழலிலும் ஒரு common control layer உதவக்கூடும்.

இதனால் standard எல்லா சவால்களையும் தீர்க்கிறது என்று அர்த்தமில்லை. Physical systems-க்கு chatbot அல்லது coding assistant-ஐ விட reliability, safety, calibration, மற்றும் supervision தேவைகள் மிகவும் கடுமையானவை. ஒரு common interface orchestration-ஐ எளிதாக்கலாம்; ஆனால் AI machinery-யில் செயல்பட அனுமதிக்கப்படும் போது guardrails தேவை மறைந்துவிடாது. மேலும் models, ambiguous அல்லது high-stakes சூழல்களில் நல்ல முடிவுகளை எடுக்கும் என்ற உத்தரவாதமும் இல்லை.

அதுபோதிலும், Anthropic-இன் இந்த நகர்வு குறிப்பிடத்தக்கது; ஏனெனில் இது digital agents-இலிருந்து embodied அல்லது device-linked AI-க்கு செல்லும் மாற்றத்தை மெதுவாக்கிய ஒரு நடைமுறை தடையை குறிவைக்கிறது. physical world-ஐ AI control செய்வது பற்றிய தொழில் விவாதத்தின் பெரும்பகுதி model capability-யில் கவனம் செலுத்தியுள்ளது. அதற்கு மாறாக MHS plumbing-ஐ கவனிக்கிறது: drivers, formats, interfaces போன்றவை, அவை திறமைமிக்க models உண்மையில் உண்மையான equipment-உடன் பயனுள்ள வேலை செய்ய முடியுமா என்பதைத் தீர்மானிக்கின்றன.

அறிவிப்பின் மிக முக்கியமான signal அதுவாக இருக்கலாம். Anthropic வெறும் AI machines-ஐ control செய்ய வேண்டும் என்று மட்டும் வாதிடவில்லை. அந்த நிலைக்கு செல்லும் பாதை standardization வழியாக செல்கிறது என்று அது முன்வைக்கிறது. அந்த thesis சரியானதாக நிரூபிக்கப்பட்டால், agentic AI-யின் அடுத்த கட்டம் intelligence-இல் உள்ள பெரிய தாவல்களைவிட, hardware-ஐ புரிந்துகொள்ளக்கூடிய, address செய்யக்கூடிய, மற்றும் அளவளாவிய interoperability கொண்டதாக மாற்றும் அமைதியான பணியின்மேல் அதிகம் சார்ந்திருக்கலாம்.

இந்தக் கட்டுரை Ars Technica-வின் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.