A Anthropic abriu, a 27 de agosto de 2026, uma pré-visualização de investigação do Model Hardware Standard (MHS), uma norma criada em conjunto com o HHMI Janelia Research Campus que permite a agentes de IA operar diretamente equipamento de laboratório e de fabrico, como microscópios, braços robóticos ou lasers de precisão. O objetivo é reduzir de semanas para minutos o tempo necessário para ligar instrumentos científicos entre si, e os primeiros resultados, partilhados por laboratórios como a Genentech, a Carnegie Mellon University ou a QuEra Computing, mostram experiências científicas a correr de forma autónoma, com taxas de sucesso superiores a 99% em algumas tarefas.
Grande parte da investigação científica atual não é travada pela falta de ideias, mas por um problema muito mais prosaico: os aparelhos de laboratório não falam uns com os outros. Um microscópio, um braço robótico e um leitor de placas costumam vir de fabricantes diferentes, com software diferente, e ligá-los entre si pode levar semanas ou meses de trabalho de engenharia especializada.
É esse problema que o Model Hardware Standard (MHS) tenta resolver. Trata-se de uma norma técnica, ainda em fase de pré-visualização de investigação, que permite a agentes de inteligência artificial, como o Claude, ler e controlar diretamente qualquer equipamento com uma interface programável, coordenando vários aparelhos em simultâneo e reagindo em tempo real a erros ou imprevistos.
Como o Model Hardware Standard (MHS) permite à IA operar equipamento de laboratório. Vídeo original da Anthropic.
Como funciona, em termos simples
O MHS funciona como um “tradutor universal” entre o computador e cada aparelho. Em vez de cada instrumento precisar de um programa próprio, o MHS usa um conjunto simples de comandos, como “ler” (por exemplo, “qual é a temperatura?”) ou “escrever” (por exemplo, “define a temperatura para X”), que qualquer dispositivo compatível consegue entender.
Também resolve um problema mais subtil: muita da informação necessária para operar um aparelho em segurança, como o peso de um braço robótico ou os limites de segurança de um laser, está guardada em manuais em papel ou apenas na experiência de quem o utiliza todos os dias. O MHS permite escrever essa informação em linguagem natural, que o agente de IA depois usa para saber como manipular o equipamento sem o danificar.
Depois de ligado, o agente pode planear uma experiência, ajustar parâmetros em tempo real e até recuperar de erros de hardware sem intervenção humana. A Anthropic descreve que o Claude interage com os instrumentos de forma exploratória, testando um ajuste, observando o resultado através de uma câmara e repetindo o processo, tal como faria um cientista.
De semanas a horas: o impacto do MHS na integração de equipamento
Semanas a meses
Horas a minutos
Valores aproximados com base nos relatos dos parceiros da pré-visualização (Genentech, CMU, University of Washington, entre outros).
O que os primeiros laboratórios conseguiram fazer
A Anthropic testou o MHS com um grupo inicial de laboratórios e fabricantes em áreas como a biotecnologia, a robótica e a computação quântica. Alguns dos resultados mais ilustrativos:
- Genentech usou o Claude para automatizar um ensaio de proteínas (BCA), ajustando de forma autónoma a velocidade de transferência de líquidos consoante a sua viscosidade, um processo que normalmente exige um especialista a escrever manualmente parâmetros para cada tipo de líquido.
- Carnegie Mellon University reduziu para cerca de oito horas a integração de quatro instrumentos com sistemas informáticos incompatíveis entre si, num processo que habitualmente demora várias semanas, e conseguiu correr experiências de dose-resposta cerca de três vezes mais depressa.
- QuEra Computing, uma empresa de computação quântica, usou um agente para reaprender, ao longo de uma noite, como recuperar automaticamente o “bloqueio” de frequência de um laser de precisão. A taxa de sucesso subiu de 58% para 99,3%, e o tempo de recuperação caiu de vários minutos para poucos segundos.
- HHMI Janelia Research Campus usou o MHS para unificar sete programas de fabricantes diferentes numa única interface, permitindo a investigadores estudar a atividade cerebral e cardíaca de peixe-zebra em tempo real, sem ter de lançar manualmente cada programa por ordem.
- Tetsuwan Scientific aplicou o MHS a um projeto de ciência cidadã, usando qPCR automatizado para ajudar a identificar as fontes de contaminação fecal de um curso de água na Califórnia.
Em todos estes casos, os investigadores sublinham que a IA ainda não substitui a intuição física de um cientista experiente. Em vários testes, o Claude teve de ser corrigido quando confundiu um problema físico, como a formação de bolhas num líquido, com um erro de software, o que mostra que a supervisão humana continua a ser essencial.
Demonstração do efeito de três dos doze parâmetros ajustados pelo Claude para estabilizar o laser da QuEra Computing. Vídeo original da Anthropic.
Porque é que isto interessa a quem ensina
À primeira vista, esta notícia parece distante da sala de aula: fala de lasers, braços robóticos e laboratórios de biotecnologia. Mas o MHS oferece vários pontos de entrada muito concretos para o trabalho pedagógico, mesmo fora das disciplinas de ciências.
Ideia central para a aula: este caso mostra, de forma muito visual, o que significa hoje “um agente de IA” na prática. Em vez de um conceito abstrato, os alunos veem uma IA a planear uma experiência, a testar hipóteses, a errar, a corrigir o erro e a otimizar um resultado, o que é uma excelente porta de entrada para discutir literacia de IA com qualquer turma.
Para os professores de Matemática, em particular, há uma ligação direta e pouco óbvia: os investigadores usam repetidamente conceitos que fazem parte do currículo, para explicar o que a IA está a fazer. A curva de amplificação do qPCR, mencionada no artigo original, tem exatamente a forma de uma curva logística, útil para ilustrar crescimento com saturação. A métrica usada para avaliar a precisão de um braço robótico, o erro quadrático médio (RMSE), é um exemplo real e motivador de estatística aplicada. E o processo de ajuste fino de parâmetros para minimizar o ruído de um laser é, no fundo, um problema de otimização, o mesmo tipo de raciocínio que se pede aos alunos quando procuram o mínimo de uma função.
Limitações e próximos passos
A própria Anthropic é clara quanto às limitações atuais: o Claude aprende sobre o mundo físico através de texto e imagens, pelo que o seu raciocínio espacial ainda exige supervisão especializada. O MHS também ainda não funciona com equipamento sem qualquer interface programável, e a empresa está a trabalhar com fabricantes para construir controladores adicionais.
Por agora, o acesso está limitado a um primeiro grupo de laboratórios de investigação e fabricantes, através de uma lista de espera. Fabricantes de equipamento como a Amazon Web Services, a Tecan, a QIAGEN, a Universal Robots ou a Hugging Face já estão a integrar suporte para o MHS nos seus produtos, o que sugere que esta norma pode tornar-se, nos próximos anos, um referencial comum na automação de laboratórios, à semelhança do que aconteceu com outras normas abertas na tecnologia.
