エラーが出た。設定を変えて、もう一度やってみる。
アプリの不具合を直すときなら、よくある一手だ。ところが実験室でこれをやったAIは、状況を悪くしてしまった。相手にしていたのは、画面の中のファイルではなく、泡立った液体だったからだ。
Anthropicが2026年8月27日に紹介したModel Hardware Standard、略してMHS。AIエージェントを実験装置につなぐ仕組みの話なのだが、私がいちばん面白いと思ったのは、この小さな失敗だった。AIに手がつくと、何ができるようになり、どこでつまずくのか。泡の行方を追うと、それが見えてくる。
水も、粘り気のある液も、同じ速さで扱ってしまった
製薬企業Genentechの試験では、タンパク質の濃度を測るため、液体を吸って移す装置、容器を運ぶアーム、光の吸収を読む測定器をClaudeが連携させた。
最初につまずいたのは、液体ごとの違いだ。水のような液と、粘り気があって泡立ちやすいタンパク質の試料を、同じ流量で扱ってしまった。泡ができると、移す液量や測定に影響し、センサーもエラーを返す。
Claudeは同じ容器の中で設定を変えて再試行した。それが、さらに液体をかき混ぜ、泡を増やした。人が「原因は物理的な泡だ」と説明し、きれいな容器へ移って混合回数を減らすよう導くと、その後はその条件を保てたという。学んだ扱い方は、再利用できる手順にも残された。Anthropic掲載のGenentechによる実施報告
台所で、泡立った飲み物をさらにかき混ぜたらどうなるか。実験用の液体と同じではないけれど、「もう一回」が元へ戻す操作ではないことは、想像できると思う。
ソフトウェアでも、再試行してよいとは限らない。決済やメール送信を二重に実行したら困る。だから重複を防ぐ仕組みを設ける。物理の世界では、それに加えて、温度が上がった、試料が減った、泡が増えたという変化が残る。失敗した手順をやり直す前に、いま目の前の状態がどう変わったかを見なければならない。
「機械をつなぐ」と「実験を進める」の間
では、MHSは何をするのだろう。
実験室には違うメーカーの装置が並ぶ。それぞれ操作方法も、データの返し方も違う。人なら画面や説明書を読んで行き来できるが、プログラムでまとめて動かすには、間をつなぐソフトが要る。
MHSは、装置を見つけ、状態を読み、操作する入口を揃える研究プレビューだ。装置の特徴や制限もエージェントへ伝え、MCPやAPIなどを通じて扱う。2026年9月時点では参加を募る段階で、完成した万能規格が普及済みという話ではない。MHS研究プレビュー
仕組みのイメージなら、こう考えると分かりやすい。AIが「試料を移して測って」と考えても、アームは、液体を扱う装置が動いている最中に突っ込んではいけない。装置側の完了信号を待ち、置く場所が空いたら運ぶ。こうした順序や停止条件を、毎回AIの文章判断だけに任せるのではなく、機器と制御ソフトで守る。
その上で、結果を読んで次の条件を考えるところへAIを入れる。決まった順序を繰り返す自動化と、結果に応じて次を選ぶ働きが、組み合わさるわけだ。
すでにある実験自動化とは、何が違うのか
実験装置をつなぐ努力は以前からある。例えばSiLA 2は、装置の機能を共通の形で記述し、ソフトウェアから扱うための標準だ。つなぐ規格がなかったから、突然MHSがすべてを発明したのではない。SiLAの公式解説
違いを考えるなら、同じ実験を一万回繰り返す場面と、今日の結果を見て明日の条件を変える場面を分けるとよい。前者なら、安定した専用プログラムが強い。後者では、変更のたびに装置間の制御を組み直す手間が重くなる。
AIが役立つ余地は、その変更を考え、コードへ落とし、結果を読んで次へつなぐところにある。研究者が「なぜこうなったのだろう」と思ったときに、もう一本試すまでの距離が短くなる。装置をただ自動で動かすことより、こちらのほうが研究には効くのではないかと思う。
失敗を教えることも、研究になっている
実験室のロボットを調べるLabRobFailという研究は、操作がうまくいった映像だけでなく、失敗を見つけ、どこで起きたかを捉えるためのデータを用意している。2026年7月公開の査読前研究で、制御の間違い、物理的な異常、作業の意味の食い違いなどを扱う。LabRobFail原論文
これを読んでも、Genentechで使われたClaudeに何の学習データが不足していたかまでは分からない。ただ、「成功手順を覚えるだけでは足りない」という研究上の課題は、泡の一件とよくつながる。
例えば、容器を置く場所がずれているなら位置を直す。中身が変質したなら、位置を直しても回復しない。何が失敗したかによって、次の一手はまったく違う。装置に触れるAIには、この見分け方も必要になる。
試せなかった一回が、試せるようになる
私には、この話はAIの不得意を笑う材料というより、協働が具体的になってきた証拠に見える。
人間は、研究の狙いと、現場で起きたことの意味を伝える。AIは、たくさんの候補を整理し、操作を組み、結果を並べる。間違いを指摘した後に、その教訓を次の試行へ残していける。そうなれば、同じ失敗のたびに人が最初から説明し直す負担も減らせる。
もちろん試料や装置を守る仕組みは要る。でも、その目的はAIを実験室へ入れないことではない。安心して任せられる範囲を広げ、研究者の「これも試してみたい」を実行へ近づけるためだ。
泡を増やしてしまったAIに、人が泡の意味を教えた。その先に、まだ試せていなかった実験が一本増える。機械に手が届くというのは、そういう可能性の広がりなのだと思う。
MHSの実施例は開発元と協力先の報告に基づき、本誌による実機検証ではありません。具体的な薬剤操作や機器の安全判断は、各施設の専門家・手順に従う必要があります。
