Um zwei Uhr morgens kann ein Quantencomputer an etwas erstaunlich Profanem scheitern: Ein Laser verliert seine exakt eingestellte Frequenz. Dann ruht die Anlage, bis ein Spezialist das empfindliche System wieder stabilisiert hat. Beim US-Unternehmen QuEra bedeutete das bislang mitunter, dass jemand ins Labor fahren und die widerspenstige Optik von Hand justieren musste.
Nun hat ein KI-Agent einen Teil dieser Arbeit übernommen. Claude, das Sprachmodell des Unternehmens Anthropic, entwickelte auf einem Prüfstand eine Steuerung, die den Laser nach Störungen automatisch auf die richtige Frequenz zurückführt. Dafür probierte das System verschiedene Einstellungen aus, beobachtete die Ergebnisse und verfeinerte seine Lösung in Hunderten Testläufen. Den Spielraum gaben die Ingenieure vor, die auch die Resultate kontrollierten. Am Ende stand also kein frei improvisierendes Sprachmodell, sondern ein konventionelles, überprüfbares Programm. Laut QuEra dauert die erneute Stabilisierung nun Sekunden statt Minuten. Recherchequelle: QuEra
Vom Quantenlabor zum digitalen Maschinenführer
Was im QuEra-Labor beginnt, weist weit über Quantencomputer hinaus. Am 27. August 2026 stellte Anthropic den Model Hardware Standard, kurz MHS, im Rahmen einer begrenzten Forschungsvorschau vor. Die Spezifikation soll KI-Agenten mit programmierbaren Geräten verbinden: mit Mikroskopen, Kameras und Zentrifugen ebenso wie mit Pipettierautomaten, Roboterarmen und Maschinen in Fabrikhallen. Software, die bislang vor allem Texte schrieb, Webseiten bediente oder Daten auswertete, könnte so zu einer Art digitalem Maschinenführer werden. Recherchequelle: Anthropic
Eine gemeinsame Sprache für Geräte
Der technische Kern wirkt zunächst unscheinbar, könnte aber eine hartnäckige Hürde beseitigen. Geräte in Laboren und Produktionsanlagen sprechen oft ihre eigenen technischen Dialekte. Jeder Hersteller liefert eine andere Programmierschnittstelle. Informationen zu wichtigen Eigenschaften finden sich mal in Handbüchern, mal existieren sie nur als Erfahrungswissen einzelner Mitarbeiter. Sollen mehrere Apparate zusammenarbeiten, müssen Fachleute individuelle Schnittstellen und Anbindungen programmieren. Das kann Wochen oder Monate dauern – und mit jeder zusätzlichen Maschine wird das Geflecht komplexer.
MHS soll Ordnung in diese mühselige Übersetzungsarbeit bringen. Ein einheitlicher Treiber beschreibt, was ein Gerät kann, welche Werte es misst und welche Einstellungen verändert werden dürfen. Dafür nutzt das System einfache Grundbefehle wie „read“ und „write“: Temperatur auslesen, Drehzahl setzen, Kamera auslösen. Hinzu kommen Angaben, die für einen Menschen selbstverständlich, für ein Sprachmodell jedoch keineswegs offensichtlich sind – etwa das Gewicht eines Roboterarms, seine zulässigen Bewegungswinkel oder feste Sicherheitsgrenzen. Über ein Netzwerk sollen Agenten geeignete Geräte finden können, ohne dass für jede Kombination eine eigene Vermittlungssoftware geschrieben werden muss. Recherchequelle: Ars Technica
Technisch knüpft Anthropic an sein Model Context Protocol an. MCP verbindet KI-Anwendungen mit digitalen Werkzeugen und Datenquellen; MHS überträgt dieses Prinzip auf Dinge, die sich bewegen, erhitzen, drehen oder Flüssigkeiten transportieren. Gesteuert werden kann über MCP, eine Kommandozeile oder Programmcode. Länger dauernde und zeitkritische Abläufe muss ein Sprachmodell deshalb nicht Schritt für Schritt begleiten. Stattdessen kann der Agent passenden Code erzeugen, den die Maschine anschließend deterministisch abarbeitet.
Planung und Ausführung bleiben damit klar voneinander getrennt. Schließlich sollte ein Laborroboter nicht bei jeder Bewegung neu darüber sinnieren, wohin sein Greifarm als Nächstes gehört. Die Stärke des KI-Agenten liegt vielmehr darin, einen Ablauf zu entwerfen, Geräte auszuwählen, Messwerte zu deuten und bei unerwarteten Ergebnissen eine andere Vorgehensweise vorzuschlagen. Für die präzise Ausführung bleiben überprüfbare Software und die Maschinensteuerung zuständig.
Wenn der KI-Agent das Labor koordiniert
Wie das praktisch funktioniert, erprobte Genentech bei einem Verfahren zur Bestimmung der Proteinkonzentration. Claude koordinierte einen Pipettierautomaten, einen Roboterarm und ein Messgerät. Eine Kamera behielt die Flüssigkeitstransfers im Blick und suchte nach Blasen oder Schaum. Traten solche Störungen auf, konnte der Agent eine Zentrifuge in den Ablauf einbeziehen und die Probe entsprechend behandeln. Anthropic berichtet außerdem von Versuchen mit Mikroskopen, Laborplattformen und Robotern. Unternehmen wie QIAGEN, Tecan, Universal Robots und Doosan Robotics erproben demnach eigene Anbindungen.
Besonders deutlich wird der mögliche Nutzen, wenn in den Laboren nachts die Lichter ausgehen. Wissenschaftliche Instrumente könnten weiterarbeiten, Versuchsreihen selbstständig überwachen und auf bekannte Probleme reagieren, während Forscher sich auf Hypothesen und Auswertung konzentrieren. Auch in Fabriken ließen sich Maschinen verschiedener Hersteller leichter zu neuen Abläufen kombinieren. Eine Versuchsanweisung müsste dann nicht mehr eine bestimmte Zentrifuge nennen, sondern lediglich die benötigte Kraft und Dauer. Das System würde ein geeignetes Gerät suchen und die Werte in dessen jeweilige Steuerparameter übersetzen.
Der lange Weg zum Industriestandard
Von einem etablierten Industriestandard ist MHS allerdings noch weit entfernt. Bislang steht die Spezifikation nur ausgewählten Forschungseinrichtungen und Industriepartnern offen. Anthropic will sie später als Open Source veröffentlichen, nutzt die Vorschau zunächst jedoch, um Sicherheitsprüfungen und Einsatzregeln zu entwickeln. Zugang gibt es nur nach einer Bewerbung; allgemein anerkannt ist MHS damit noch nicht. Recherchequelle: Model Hardware Standard
Auch das Versprechen, Abhängigkeiten von einzelnen Anbietern zu verhindern, muss sich erst in der Praxis bewähren. Nach Angaben von Anthropic ist die Schnittstelle modellunabhängig. Sie könnte daher nicht nur Claude, sondern auch andere kommerzielle oder offene Modelle mit Maschinen verbinden. Ob Hersteller und konkurrierende KI-Unternehmen MHS tatsächlich übernehmen, hängt jedoch von technischen Details, verlässlichen Werkzeugen und einem offenen Entwicklungsprozess ab. Ein Name allein macht noch keinen Standard. Dazu wird die Schnittstelle erst, wenn genügend Beteiligte sie verwenden.
Wo Softwarefehler physische Folgen haben
Entscheidend ist deshalb der Umgang mit Fehlern. Ein missverstandener Satz in einem Chatfenster ist lästig; ein missverstandener Befehl an einen schweren Roboterarm kann gefährlich werden. Anthropic räumt ein, dass Claude räumliche und physikalische Zusammenhänge nicht immer sicher erfasst. Beim Genentech-Versuch musste das System beispielsweise erst lernen, dass Schaum in einer Probe kein Softwarefehler war, sondern ein physisches Problem, das einen Eingriff an der Probe erforderte. Auf die Kontrolle durch Fachleute lässt sich daher nicht verzichten.
MHS versucht, solche Risiken durch deklarierte Grenzwerte, Verriegelungen und Not-Aus-Funktionen einzudämmen. Doch jede zusätzliche Verbindung schafft zugleich neue Angriffsflächen. Manipulierte Gerätebeschreibungen, fehlerhafte Sensorwerte oder eingeschleuste Anweisungen könnten in der physischen Welt Folgen haben, die sich nicht mit einem Neustart beseitigen lassen. WIRED verweist deshalb auf einen grundsätzlichen Zielkonflikt: Dieselbe Handlungsfähigkeit, die Forschung und Produktion beschleunigen kann, vergrößert auch das Schadenspotenzial fehlgeleiteter Agenten. Recherchequelle: WIRED
KI überschreitet die Grenze zur materiellen Welt
Trotz dieser Risiken verschiebt Anthropics Vorstoß die Grenze zwischen digitaler und physischer Automatisierung. Im Wettlauf um künstliche Intelligenz geht es nicht länger nur darum, welches Modell schöner formuliert, besser programmiert oder größere Datenmengen verarbeitet. Mit MHS reicht der Aktionsradius der Systeme über digitale Werkzeuge hinaus bis zu realen Geräten.
Vorerst geschieht das nur unter fachlicher Aufsicht. Im Quantenlabor jedoch wird die Frequenz des Lasers bereits automatisch stabilisiert. Ein Laser, präzise auf Frequenz gehalten – und womöglich ein frühes Zeichen dafür, dass KI in der materiellen Welt wirksam wird.
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
Die KI Woche – Model Hardware Standard: Anthropic bringt offenen Standard zur physischen Gerätesteuerung
Der Fachbeitrag erklärt MHS-Treiber, einheitliche Gerätebeschreibungen sowie die grundlegenden „read“- und „write“-Befehle anhand konkreter Laboranwendungen.
https://kiwoche.com/1213/anthropic-model-hardware-standard-mhs-labor-automation/
silicon.de – Quantencomputer: Zentrale Lasersteuerung mit KI
Der Artikel zeigt, wie Claude unter kontrollierten Testbedingungen ein deterministisches Programm entwickelte, das QuEras Laser nach Störungen binnen Sekunden stabilisiert.
https://www.silicon.de/41723655/quantencomputer-zentrale-lasersteuerung-mit-ki
NTT DATA – Physical AI: Fünf Sicherheitsrisiken und wie Unternehmen sich schützen können
Die Übersicht vertieft physische und digitale Risiken durch manipulierte Sensoren, KI-Modelle und vernetzte Schnittstellen sowie das Zusammenspiel von Safety und Security.
https://de.nttdata.com/newsroom/2026/physical-ai-fuenf-sicherheitsrisiken-und-wie-unternehmen-sich-schuetzen-koennen
