การให้ AI ช่วยตอบคำถามเป็นเรื่องหนึ่ง แต่การปล่อยให้ AI ขยับแขนกล ปรับเลเซอร์ หรือสั่งเครื่องมือในห้องทดลองเป็นอีกเรื่อง เพราะความผิดพลาดไม่ได้จบแค่คำตอบผิดบนหน้าจอ แต่อาจทำให้อุปกรณ์เสียหายหรือกระทบความปลอดภัยได้ Anthropic จึงเปิดโครงการวิจัย Model Hardware Standard (MHS) เพื่อสร้างภาษากลางระหว่าง AI agent กับอุปกรณ์จริง พร้อมกำหนดขอบเขตว่าระบบอ่านค่าอะไร ปรับอะไรได้ และต้องหยุดตรงไหน
เป้าหมายของ MHS ไม่ใช่สร้างหุ่นยนต์รุ่นใหม่ แต่แก้ปัญหาที่พบในห้องแล็บและสายการผลิตจำนวนมาก: เครื่องมือจากผู้ผลิตคนละรายมีอินเทอร์เฟซไม่เหมือนกัน ทีมงานจึงต้องเขียนซอฟต์แวร์เชื่อมต่อเป็นรายคู่ งานติดตั้งที่ Anthropic ระบุว่าเคยกินเวลาหลายสัปดาห์ถึงหลายเดือน อาจลดเหลือระดับชั่วโมงหรือนาทีเมื่ออุปกรณ์พูดผ่านมาตรฐานเดียวกัน
Driver กลางทำให้ agent รู้จักเครื่องมือ
แกนหลักของ MHS คือ driver มาตรฐานซึ่งคั่นระหว่างระบบปฏิบัติการกับอุปกรณ์ คำสั่งพื้นฐานถูกย่อให้เหลือแนวคิดที่ตรงไปตรงมา เช่น read สำหรับอ่านอุณหภูมิ และ write สำหรับตั้งอุณหภูมิ พร้อมระบบค้นหาอุปกรณ์บนเครือข่าย เมื่อเครื่องมือและ agent พบกันได้ผ่านรูปแบบเดียวกัน จึงไม่ต้องมีโปรแกรมแปลเฉพาะสำหรับทุกคู่
อย่างไรก็ตาม การควบคุมของจริงต้องการข้อมูลที่ไม่มีอยู่ในโค้ดเสมอไป เช่น น้ำหนักแขนกลหรือข้อจำกัดของเครื่อง ผู้ใช้สามารถใส่ความรู้นี้เป็นภาษาธรรมชาติใน tag ของ driver หรือให้ agent สัมภาษณ์ผู้ดูแลระบบ จากนั้น driver จะจัดทำไฟล์อ้างอิงว่าอุปกรณ์วัดค่าอะไร ปรับพารามิเตอร์ใดได้ และบังคับเพดานความปลอดภัยใดอยู่
การสั่งงานรองรับ Model Context Protocol (MCP), command-line interface และไฟล์โค้ด จึงไม่ผูกกับโมเดลเดียว งานที่ต้องตอบสนองเร็วหรือทำต่อเนื่องนานสามารถถูกรวบเป็นสคริปต์แบบกำหนดผลแน่นอน แทนการให้โมเดลคิดใหม่ทุกจังหวะ จุดนี้สำคัญต่อความปลอดภัย เพราะขั้นตอนซ้ำ ๆ อยู่ในโค้ดที่ตรวจสอบได้ ขณะที่ agent เข้ามาตัดสินใจเฉพาะจุดที่จำเป็น
ผลทดสอบจากห้องแล็บถึงคอมพิวเตอร์ควอนตัม
ตัวอย่างจาก Genentech ใช้ MHS ประสานเครื่องจ่ายของเหลว แขนกล และเครื่องอ่านไมโครเพลตในงานวัดโปรตีน BCA โดย Claude ทดลองถ่ายของเหลว อ่านค่าการดูดกลืนแสง แล้วเทียบผลกับเพลตของผู้เชี่ยวชาญผ่านค่า RMSE ระบบปรับจนได้อัตราประมาณ 140 ไมโครลิตรต่อวินาที สำหรับน้ำที่ RMSE 0.016 및 10 ไมโครลิตรต่อวินาที สำหรับสาร BSA ที่หนืดกว่าที่ RMSE 0.181 ซึ่งผู้เชี่ยวชาญด้านระบบอัตโนมัติเห็นว่าเป็นค่าที่สมเหตุสมผล
กรณีของ QuEra Computing เห็นความต่างชัดกว่า เดิมสคริปต์กู้การล็อกเลเซอร์ใช้ทีม 4 คน พัฒนาหลายเดือน แต่สำเร็จราว 58% และใช้ประมาณ 150 วินาที ต่อครั้ง เมื่อใช้วงจร agent สี่บทบาทผ่าน MHS ระบบทำงานข้ามคืนและสร้างสคริปต์ Python ที่กู้สถานะได้ 695 จาก 700 ครั้ง 또는 99.3% กรณียากใช้ 10–14 วินาที เทียบกับคนที่ใช้ 5–10 นาที ทั้งยังลดความคลาดเคลื่อนคงเหลือของ servo จาก 15.7 mV เป็น 1.55 mV
측면 Carnegie Mellon University ประสานเครื่องมือสี่ประเภทซึ่งกระจายอยู่บนคอมพิวเตอร์ 3 เครื่อง และมีอินเทอร์เฟซไม่เข้ากัน การทำเส้นโค้ง dose-response ตั้งแต่เขียน driver จนจบการทดลองใช้ประมาณ 8 ชั่วโมง แทนการติดตั้งจากผู้ผลิตที่กินเวลาหลายสัปดาห์ ระบบยังปฏิเสธผลที่มีค่า R² ต่ำกว่า 0.9 แล้วทดลองใหม่เอง และสกัดกั้นเหตุขัดข้องจำลองทั้ง 6 รูปแบบ ก่อนอุปกรณ์เคลื่อนที่
ยังเป็น research preview ไม่ใช่มาตรฐานพร้อมใช้ทั่วไป
ข้อควรระวัง: MHS ยังอยู่ในช่วง research preview และยังไม่ได้เปิดซอร์สสู่สาธารณะ โมเดลภาษายังมีข้อจำกัดด้านการเข้าใจพื้นที่และฟิสิกส์ จึงต้องมีผู้เชี่ยวชาญกำกับ โดยเฉพาะงานที่ความผิดพลาดสร้างความเสียหายจริง นอกจากนี้อุปกรณ์ที่ไม่มี programmable interface ยังใช้มาตรฐานนี้ไม่ได้
ผลจากพันธมิตรกลุ่มแรกจึงเป็นหลักฐานเบื้องต้น ไม่ใช่การรับประกันว่าจะได้ความแม่นยำหรือเวลาติดตั้งเท่ากันทุกโรงงาน ตัวอย่างของ Genentech ยังพบว่า Claude ต้องอาศัยคนช่วยแยกให้ออกว่าฟองในตัวอย่างเป็นปัญหาทางกายภาพ ไม่ใช่บั๊กซอฟต์แวร์ การมี driver กลางจึงไม่ได้แทนที่ interlock, ขั้นตอนตรวจรับ หรือวิศวกรความปลอดภัย
ความหมายต่อผู้ประกอบการ/ผู้ใช้งานไทย
ส่วนนี้เป็นความเห็นของสมาคมโดรนไทย: สำหรับผู้ประกอบการไทย คุณค่าระยะใกล้ของ MHS อยู่ที่การลด “ค่าบูรณาการ” มากกว่าการซื้อ GPU ที่แรงขึ้น โรงงาน ห้องแล็บ หรือทีมโดรนที่มีเซนเซอร์ กล้อง แขนกล และเครื่องมือจากหลายยี่ห้อควรเริ่มจากทำบัญชีว่าอุปกรณ์ใดมี API และมีขีดจำกัดความปลอดภัยอะไร หากมาตรฐานเปิดใช้กว้างขึ้น ข้อมูลเหล่านี้จะช่วยลดเวลาทำ driver และลดการผูกติดกับผู้รับเหมารายเดียว
สำหรับการจัดสเปก AI server ในประเทศ งานลักษณะนี้อาจไม่จำเป็นต้องส่งข้อมูลการทดลองทั้งหมดไปคลาวด์ต่างประเทศเสมอไป องค์กรสามารถวางโมเดลและระบบควบคุมไว้ในเครื่องหรือเซิร์ฟเวอร์ภายใน แล้วเปิดให้ agent เข้าถึงอุปกรณ์ผ่านมาตรฐาน แต่ต้นทุนจริงต้องรวม GPU, ระบบสำรองไฟ, เครือข่าย, interlock และค่าทดสอบ driver ไม่ใช่ดูเฉพาะราคาเครื่องหรือการ์ดจอ
ผู้ใช้ที่ค้นหาราคา GPU หรือ eGPU เพื่อทดลอง physical AI ควรระวังว่า MHS ไม่ได้ทำให้อุปกรณ์ที่ไม่มีอินเทอร์เฟซควบคุมกลายเป็นอุปกรณ์อัจฉริยะ และ eGPU ก็แก้เพียงกำลังประมวลผล ไม่ได้แก้ latency ของเครือข่ายหรือความปลอดภัยเชิงกล ทางเลือกที่คุ้มกว่าการรีบนำเข้าฮาร์ดแวร์ราคาแพงอาจเป็นการเริ่มกับระบบจำลอง อุปกรณ์ราคาต่ำ และวงจรอนุมัติโดยมนุษย์ แล้วค่อยเพิ่มกำลังประมวลผลเมื่อวัดภาระงานจริงได้