Anthropics Model Hardware Standard (MHS) soll Agenten mit Künstlicher Intelligenz (KI) eine gemeinsame Schnittstelle zu Mikroskopen, Roboterarmen und anderen physischen Geräten geben. Die Forschungsvorschau betrifft zunächst ausgewählte Labore und Hersteller, zeigt aber, wie KI aus digitalen Arbeitsabläufen in reale Anlagen gelangen könnte. Für dich ist das relevant, weil solche Systeme langfristig Forschung, Wartung und körperliche Arbeit verändern können.
Der Standard hinter der Gerätesteuerung
Ein KI-Agent ist ein Softwaresystem, das ein Ziel in einzelne Schritte zerlegt und passende Aktionen ausführt. Bei physischen Geräten scheitert das bisher oft an unterschiedlichen Programmierschnittstellen, Datenformaten und Steuerprogrammen. Ein Mikroskop versteht andere Befehle als ein Roboterarm, und selbst ähnliche Geräte verschiedener Hersteller lassen sich nicht automatisch gemeinsam betreiben.
MHS soll dieses Durcheinander mit standardisierten Treibern ordnen. Ein Treiber ist Software, die Befehle zwischen einem System und einem Gerät übersetzt. Laut der Ankündigung der MHS-Forschungsvorschau können KI-Agenten damit Geräte finden, deren Funktionen erkennen und sie über eine gemeinsame Spezifikation bedienen.
Der Standard soll unabhängig vom verwendeten KI-Modell funktionieren. Sicherheitsgrenzen werden nach Angaben von Anthropic im Treiber festgelegt und nicht bloss als Anweisung in einen Prompt geschrieben. Ein Prompt ist die Eingabe, mit der du einem KI-Modell eine Aufgabe erteilst. Diese Trennung ist sinnvoll, weil eine technische Sperre weniger leicht durch eine missverständliche oder fehlerhafte Formulierung aufgehoben wird.
MHS entstand in Zusammenarbeit mit dem HHMI Janelia Research Campus und ist laut dem Bericht über Anthropics Laborpläne vorerst nur für ausgewählte Forschungslabore und Hersteller verfügbar. Eine spätere Veröffentlichung als Open Source, also mit öffentlich zugänglichem Quellcode, ist geplant. Die Quellen nennen weder einen Termin noch eine allgemeine Verfügbarkeit.
Der Nutzen in Laboren und Betrieben
Anthropic gibt an, dass sich die Verbindung mehrerer Instrumente mit MHS statt in Wochen oder Monaten in Stunden oder Minuten einrichten lasse. An der Carnegie Mellon University führte der Weg von der rohen Geräteanbindung bis zu einer fertigen Dosis-Wirkungs-Kurve demnach acht Stunden. Bei QuEra soll sich die Erfolgsquote für das erneute Einrasten eines Lasers über 700 Versuche von 58 auf 99,3 Prozent verbessert haben. Diese Resultate stammen vom Anbieter und sind in den gelieferten Quellen nicht unabhängig geprüft.
Das erste konkrete Beispiel ist ein Labor, in dem mehrere Geräte eine Versuchsreihe durchführen. Ein Agent könnte Messwerte erfassen, den nächsten Versuch vorbereiten und die Einstellungen innerhalb vorgegebener Grenzen anpassen. Anschliessend kann er ein Skript erzeugen, das den erprobten Ablauf ohne laufendes Sprachmodell wiederholt. Ein Sprachmodell ist ein KI-System, das Sprache verarbeitet und erzeugt.
Google DeepMind verfolgt mit seinem erweiterten Co-Scientist einen ähnlichen Laboransatz. Das auf Gemini-Modellen basierende Mehragentensystem soll Hypothesen entwickeln, Versuche planen, Code schreiben, Geräte steuern und Ergebnisse auswerten. In der Materialforschung entwarf es Rezepte für einen halbautomatischen Hochtemperaturofen; nach 25 Versuchsrunden mit menschlicher Verfeinerung entstanden Strukturen, die laut den Forschenden dem Zielmaterial ähnelten. Die atomare Struktur war allerdings noch nicht definitiv bestätigt.
Auch ausserhalb des Labors wird der Nutzen greifbar. Caterpillars KI-Assistent hilft Technikerinnen und Technikern direkt neben einer Maschine per Sprachbefehl, Reparaturverfahren aufzurufen, Fehler einzugrenzen und benötigte Teile zu bestimmen. Das Unternehmen stützt den Assistenten auf eigene Maschinendaten und nennt rund 1,6 Millionen vernetzte Anlagen sowie mehr als 16 Petabyte strukturierte Daten. Der Bericht betont zugleich, dass die Entwicklung der Technik nur ein Teil der Aufgabe ist; die Einbindung in den täglichen Betrieb bleibt schwierig.
Der Weg vom Modell zur Maschine
Eine gemeinsame Geräteschnittstelle löst nicht automatisch das Problem des physikalischen Verständnisses. Ein Modell kann einen formal gültigen Befehl erzeugen und trotzdem falsch einschätzen, was eine Bewegung, Temperaturänderung oder Stromunterbrechung in der realen Umgebung bewirkt. Anthropics Tests zeigen laut der Berichterstattung weiterhin Schwächen beim Verständnis physikalischer Zusammenhänge. Deshalb bleibt menschliche Aufsicht auch dann erforderlich, wenn einzelne Abläufe selbstständig optimiert werden.
Forschungsteams versuchen, dieses Verständnis zuerst in Simulationen zu trainieren. Microduck von Pollen Robotics und Hugging Face ist ein 25 Zentimeter grosser, zweibeiniger Roboter, dessen Bewegungen in MuJoCo, einer Umgebung zur Simulation von Physik, trainiert und anschliessend auf das reale Gerät übertragen werden. Das Open-Source-Modell kostet laut Anbieter 399 US-Dollar, besitzt 15 Motoren, eine Kamera, LiDAR zur Entfernungsmessung und zwei Bewegungssensoren. Vorbestellungen sind geöffnet; eine Verfügbarkeit oder ein Preis für die Schweiz wird nicht genannt.
Einen verwandten Ansatz verfolgt Code-as-World. Das System gewinnt aus echten Videos bearbeitbaren MuJoCo-Szenencode und nutzt die überprüften simulierten Welten zum Training physikalischen Schlussfolgerns. Damit könnte ein Modell Bewegungen zunächst in einer ausführbaren Simulation untersuchen, bevor ein realer Roboter sie übernimmt. Der kurze Quellenbericht enthält jedoch keine Resultate, mit denen sich die Zuverlässigkeit dieses Verfahrens beurteilen liesse.
In Rechenzentren zeigt sich, wie unspektakulär und zugleich folgenreich physische Automatisierung sein kann. Meta testet laut einem Bericht über Roboter in Rechenzentren Systeme, die Netzwerkkabel austauschen, Server vom Strom trennen oder Einschaltknöpfe drücken. Ein Beschäftigter schätzte, ein erfolgreicher Roboter könne bis zu 80 Prozent bestimmter Arbeitsaufgaben übernehmen. Meta kommentierte die beschriebenen Tests nicht und erklärte stattdessen, für den Bau und Betrieb seiner Rechenzentren mehr qualifizierte Arbeitskräfte zu benötigen.
Pro und Kontra physischer KI-Agenten
Pro:
- Schnellere Integration – standardisierte Treiber könnten den Aufwand zur Verbindung unterschiedlicher Geräte laut Anthropic deutlich verkürzen.
- Wiederholbare Abläufe – ein Agent kann einen optimierten Prozess als Skript festhalten, sodass nicht jeder Durchlauf erneut vom Sprachmodell gesteuert werden muss.
- Arbeit in riskanten Umgebungen – Caterpillar setzt seit Jahren auf automatisierte und ferngesteuerte Maschinen im Bergbau, wo gefährliche Bedingungen und Personalmangel Automatisierung besonders nützlich machen.
- Zugänglichere Experimente – offene Systeme wie Microduck bringen den Ablauf vom Simulationstraining bis zum realen Roboter zu einem ausgewiesenen Preis auf einen Schreibtisch.
Kontra:
- Begrenztes Physikverständnis – korrekte Befehle garantieren nicht, dass ein KI-Agent die Folgen in der realen Welt richtig einschätzt.
- Ungeprüfte Leistungsangaben – mehrere eindrückliche Zahlen stammen von Anbietern oder beteiligten Forschungsteams und sind in den Quellen nicht unabhängig bestätigt.
- Folgen für Beschäftigte – die Meta-Tests zeigen einen Widerspruch zwischen möglicher Entlastung und der Sorge, dass Roboter grosse Teile einzelner Tätigkeiten übernehmen.
- Aufwendiger Betrieb – Caterpillars Erfahrungen machen deutlich, dass Daten, Maschinen und Arbeitsprozesse zusammenpassen müssen; der Kauf eines KI-Systems genügt nicht.
Die nächsten Schritte für dich
Für Einsteigerinnen und Einsteiger
Dein sinnvollster erster Schritt ist, zwischen einer Vorführung und einem verfügbaren Produkt zu unterscheiden. MHS ist eine Forschungsvorschau für ausgewählte Organisationen, während Microduck zu einem genannten Preis vorbestellt werden kann und Caterpillars Assistent bereits von Kundschaft, Bedienpersonal und Technikteams genutzt wird. Prüfe bei Meldungen deshalb, ob ein System nur geplant, getestet oder tatsächlich im Alltag eingesetzt wird.
Ein gutes Alltagsbild ist die Wartung einer Maschine: Heute kann ein Assistent einer Fachperson passende Reparaturanweisungen und Teile nennen. Die weitergehende Stufe wäre ein Agent, der zusätzlich Messgeräte ausliest oder einen Roboterarm innerhalb festgelegter Grenzen bewegt. Zwischen diesen Stufen liegen Sicherheitsprüfungen, Geräteintegration und die Verantwortung eines Menschen.
Für Fortgeschrittene
Wenn du solche Systeme beruflich beurteilst, lohnt sich ein Blick auf die Grenzen im Treiber, die Protokollierung realer Aktionen und die Möglichkeit, einen Ablauf jederzeit zu stoppen. Ebenso relevant ist, ob Resultate gegen tatsächliche Ausführungsprotokolle geprüft werden. Google DeepMinds Co-Scientist nutzt dafür Prüfmodule, die Zahlen in erzeugten Texten mit den Protokollen des ausgeführten Codes abgleichen sollen, um erfundene Ergebnisse zu reduzieren.
Für die Schweiz enthalten die Quellen keine Angaben zur allgemeinen Verfügbarkeit, zu unterstützten Sprachen oder zu besonderen Datenschutzregelungen. Auch Microducks Preis ist nur in US-Dollar angegeben. Schweizer Labore, Bildungsinstitutionen und Betriebe können die Ansätze daher fachlich einordnen, aber aus den vorliegenden Meldungen weder lokale Bezugsbedingungen noch eine datenschutzrechtliche Eignung ableiten.
KI-Agenten verlassen den Bildschirm nicht in einem einzigen grossen Sprung, sondern über standardisierte Treiber, klar begrenzte Aufgaben, Simulationen und menschlich kontrollierte Versuche. Die Beispiele aus Laboren, Rechenzentren, Bergbau und Wartung zeigen einen praktischen Nutzen, aber noch keine verlässliche allgemeine Autonomie. Das offene Risiko bleibt, dass ein plausibel handelndes System die physische Wirkung seiner Befehle falsch einschätzt oder Beschäftigte stärker verdrängt, als Anbieter öffentlich erwarten lassen.
Quellen
- Anthropic Opens a Research Preview of the Model Hardware Standard (MHS) – Unbekannt, 2026-08-30
- Anthropic will KI-Agenten aus der digitalen Welt in Labore und Fabriken bringen – Unbekannt, 2026-08-29
- Hugging Face Unveils Microduck: A $399 Open-Source 25 cm Biped – Unbekannt, 2026-08-29
- Inside Meta’s push to put robots to work in data centers – Unbekannt, 2026-08-30
- Caterpillar is bringing to AI deployment what it learned from automating mining – Unbekannt, 2026-08-30
- Google Deepminds Co-Scientist wird vom Hypothesengenerator zum Forschungspartner – Unbekannt, 2026-08-28
- Meet Code-as-World: An Agentic Loop That Rewrites Real Videos Into Executable MuJoCo Physics Programs – Unbekannt, 2026-08-30
