Anthropicは2026年8月、AIエージェントが顕微鏡、液体処理装置、ロボットアームなどの機器を操作するための共通仕様「Model Hardware Standard（MHS）」を研究プレビューとして発表しました。機器ごとに異なる制御方法を標準化し、AIモデルが安全限界を理解しながら操作できるようにする試みです。
文章やソフトウェアだけを扱うAIと異なり、物理機器の誤操作は試料、設備、作業者へ直接影響します。そのため、MHSを「自然言語で何でも機械を動かせる規格」と理解するのは危険です。本稿ではAnthropicの公式発表を基に、MHSの仕組み、MCPとの関係、想定用途、安全設計、企業が実証前に確認すべき点を解説します。情報は2026年9月5日時点であり、MHSは完成した業界標準ではなく研究プレビューです。
Model Hardware Standardとは
MHSは、プログラム可能な物理装置をAIエージェントから扱うための共通インターフェース案です。機器メーカーや研究室が装置ごとに異なる独自コードを作り直す負担を減らし、モデルやエージェントの種類に依存しない接続を目指しています。
対象例には、顕微鏡、液体ハンドラー、ロボットアームが挙げられています。研究室で試料を撮影し、状態を確認し、次の処理を選ぶような一連の作業をAIが支援する構想です。製造現場でも、検査装置や試験設備へ応用できる可能性がありますが、発表時点の主眼は研究・高度製造における実証です。
AnthropicはMHSをモデル非依存と説明しています。Claudeだけに閉じた仕様ではなく、異なるモデルやソフトウェアから同じ機器ドライバーを利用できる設計を目指します。Hugging FaceのLeRobotやRaspberry Piも早期採用者・支援者として紹介されています。ただし、各製品の正式対応範囲と時期は個別に確認が必要です。
MHSの基本構成
読み取りと書き込みの基本操作
各機器は、状態を読む操作と、設定・動作を変更する操作を、標準化されたドライバーとして公開します。例えば、温度や位置を読む、ステージを移動する、画像を取得する、一定量の液体を移すといった最小単位です。AIがメーカー固有の低水準命令を直接組み立てるのではなく、定義された操作から選ぶことで、制御範囲を明確にします。
この考え方は、業務APIの最小権限と似ています。「装置を自由に使う」という一つの強い権限を与えるのではなく、読み取り、移動、開始、停止を分け、必要な操作だけを許可します。危険度の高い操作には別の承認を要求できます。
自然言語タグによる意味と制約
ドライバーには、装置の能力や安全限界を説明する自然言語タグを付与する考え方が示されています。モデルは、操作名だけでなく、「どの対象へ使うか」「どの範囲が許可されるか」「どの条件では実行してはいけないか」を読み取り、計画へ反映します。
ただし、自然言語の説明は物理的な安全装置を置き換えません。モデルが説明を誤解したり、入力の矛盾を見落としたりする可能性があります。速度、温度、圧力、移動範囲などの上限は、機器のファームウェア、PLC、インターロックといったモデル外の層でも強制する必要があります。
MCP、CLI、APIとの接続
MHSはModel Context Protocol（MCP）、コマンドライン、APIなどから統合できる構想です。MCPを使えば、AIアプリケーションが利用可能な機器と操作を発見し、定められた形式で呼び出しやすくなります。CLIは試験や運用自動化、APIは既存システムとの連携に向きます。
MCPに対応すること自体は、安全を保証しません。接続先の認証、トークンの対象、利用者の権限、ネットワーク到達範囲を適切に設定しなければ、標準化された操作が攻撃者にも使いやすい入口になります。機器側ドライバーとMCPサーバーの双方で認可を確認します。
なぜ機器制御の標準化が必要なのか
研究装置はメーカー、世代、通信方式が異なり、同じ目的でも制御コマンドが揃っていません。新しい自動化を作るたびに、マニュアルを読み、専用ドライバーを書き、例外を処理する必要があります。この統合作業が、AIを使った実験自動化の速度を下げます。
Anthropicは、MHSを使った概念実証で、従来は数週間から数か月かかった統合を数時間から数分へ短縮できた例を報告しています。これは特定の概念実証における同社の説明であり、すべての機器や規制環境で同じ短縮が得られる保証ではありません。古い装置、閉じた通信仕様、検証文書が必要な業界では、統合に長い時間がかかる可能性があります。
それでも、接続方式を再利用できる価値は大きいと考えられます。一度安全に定義した「画像取得」や「ステージ移動」を複数のエージェントや実験ワークフローから呼べれば、個別コードの重複を減らせます。操作記録も共通形式にしやすく、再現性や監査の向上につながります。
想定される利用例
生命科学では、顕微鏡画像を取得し、画像の特徴に応じて次の撮影位置や倍率を提案する使い方が考えられます。液体処理装置と組み合わせれば、承認済みの実験計画に沿って反復作業を実行し、異常時に停止して人へ報告できます。
材料研究では、測定結果を読み取り、次の温度や組成候補を提示する閉ループ実験が候補です。製造では、検査画像とセンサー値を基に追加検査を行う用途が考えられます。いずれも、AIが最終目的と危険限界を自由に変えられる構成ではなく、人が定義した範囲内で候補選択や反復を支援させます。
教育や低価格な試作では、Raspberry Piなどを介してセンサーや簡単なアクチュエーターを扱う応用も想定できます。しかし、試作用の構成をそのまま産業設備へ移すべきではありません。冗長化、耐故障性、緊急停止、規格適合の要求が大きく異なります。
安全設計の中心は多層防御
機器側の強制上限
最も重要なのは、AIの判断に関係なく機器が危険域へ入れない設計です。移動範囲、最大速度、温度、圧力、吐出量などを装置側で制限します。扉が開いていると動かないインターロックや、独立した非常停止を維持します。モデルへの説明は補助であり、最後の防壁ではありません。
操作ごとの認可
利用者とエージェントに、必要な装置と操作だけを許可します。状態確認は自動で認めても、校正値の変更、試薬投入、ロボットの高速移動は人の承認を必要とする設計が考えられます。一時的な実験権限には有効期限を設定し、作業終了後に失効させます。
実行前のシミュレーション
可能な場合は、デジタルツインやテスト装置で手順を先に実行します。衝突、範囲外移動、必要資材の不足、工程順序の矛盾を検出してから実機へ進めます。シミュレーションが成功しても実機の摩耗や配置ずれは残るため、最初の実行は低速・少量で行います。
監査と再現
誰が、どのモデルと設定で、どの指示を与え、どの操作を実行し、装置が何を返したかを時系列で記録します。AIの文章だけでなく、最終的に機器へ送った具体的な値を保存します。問題が起きた際に同じ条件を再現できることは、研究の再現性と事故調査の双方に重要です。
プロンプトインジェクションへの備え
AIエージェントが外部文書、装置のラベル、画像内文字、共有データを読む場合、そこに含まれる文章が不正な命令として解釈される可能性があります。例えば、実験手順書の一部に「安全上限を無視する」と書かれていても、AIが上位命令として実行してはいけません。
対策として、信頼できる運用指示と、観察対象のデータを分離します。外部データから新しい機器権限を取得できないようにし、許可されていない操作はドライバー側で拒否します。高リスクな値の変更には、別経路の人による確認を要求します。
機器の状態表示も無条件に信用できません。侵害されたセンサーや誤校正によって、安全に見える値が返る可能性があります。重要項目は独立センサーや物理スイッチで確認し、異なる信号が矛盾したら停止します。
研究プレビューとしての限界
MHSは発表時点で研究プレビューです。仕様の細部、互換性、認証方法、バージョン管理、適合試験、責任分界が今後変わる可能性があります。Anthropicは高リスク判断に対する人の承認方法を含め、設計をさらに検討するとしています。完成した国際安全規格や法的認証と同じ扱いはできません。
また、概念実証で機器が動いたことと、長期の本番運転で信頼できることは異なります。通信切断、再起動、途中再開、重複命令、時計ずれ、ソフトウェア更新、部品交換といった現場の例外を試す必要があります。失敗時に安全側へ倒れるかが重要です。
医療機器、危険物、人体へ関わる用途では、業界固有の規制、品質管理、バリデーションが優先されます。MHS対応という表示だけで規制要件を満たすわけではありません。
企業が実証前に確認する項目
まず、対象装置の危険度と、AIへ許可する操作を一覧化します。読み取り、設定、開始、停止、校正、保守を分け、各操作の最大値と承認者を決めます。装置メーカーの保証やサポートが外部制御で変わらないかも確認します。
次に、MHSドライバーの作成者、コード署名、更新配布、脆弱性対応を確認します。ドライバーが改ざんされると、上位のAIが正しくても危険な命令へ変換される可能性があります。依存ライブラリとバージョンを固定し、検証済み構成を記録します。
検証では、正常な手順だけでなく、範囲外の値、連続クリック、通信切断、重複要求、センサー矛盾、悪意ある文書を試します。安全上限がモデルではなく装置側で機能するか、人が停止できるか、復旧時に意図せず前の命令が再実行されないかを確認します。
最後に、責任分界を文書化します。実験責任者、装置管理者、AI基盤管理者、ドライバー提供者、モデル提供者の役割を分け、事故時の連絡と保存すべき証拠を決めます。標準化は接続を容易にしますが、責任を自動的に一本化するものではありません。
まとめ
Model Hardware Standardは、AIエージェントと物理機器の間に共通の操作層を作り、研究・製造の自動化を速めようとする仕様です。読み書きの基本操作、自然言語の能力記述、MCP・CLI・API連携によって、装置ごとの統合作業を再利用しやすくします。
一方、現時点では研究プレビューであり、安全規格や完成製品ではありません。物理機器では、モデルの判断より下層にある強制上限、最小権限、人の承認、非常停止、監査が不可欠です。Accomplirでは、AIエージェントと既存システム・機器の接続について、MCP設計、権限管理、脅威分析、段階的な実証を支援しています。
よくある質問
MHSはClaude専用ですか
Anthropicはモデル非依存の仕様を目指しています。MCP、CLI、APIを通じて異なるモデルから利用できる構想ですが、各実装の互換性は個別検証が必要です。
MHSに対応すれば機器を安全に自動運転できますか
対応だけで安全にはなりません。装置側の上限、インターロック、非常停止、操作ごとの認可、人の承認を別途設計する必要があります。
すでに正式な業界標準ですか
いいえ。2026年8月時点では研究プレビューです。仕様、適合方法、対応機器は今後変わる可能性があります。
MCPとの違いは何ですか
MCPはAIアプリケーションと外部ツールを接続する一般的なプロトコルです。MHSは物理機器の能力、操作、制約を共通化する層で、MCPを接続方法の一つとして利用できます。