Anthropic MHS 표준 공개: AI 에이전트가 실험실 기기를 직접 다루는 시대
몇 주 걸리던 기기 통합을 몇 시간으로 — 모델 하드웨어 표준(MHS)이 바꾸는 연구실과 공장의 작동 방식
2026년 8월, Anthropic이 모델 하드웨어 표준(MHS, Model Hardware Standard)의 리서치 프리뷰를 공개했습니다. 이 표준은 AI 에이전트가 물리적 실험실 장비와 공장 기기를 발견하고 작동시킬 수 있게 하는 공유 드라이버 명세입니다. 발표 직후 Genentech, QuEra, Carnegie Mellon, 워싱턴대, Janelia 같은 연구 기관들이 실측 결과를 공개하며 표준의 실효성을 입증했습니다.
MHS란 무엇인가요?
MHS는 쉽게 말해 "AI가 기기를 만질 때 쓰는 만국 공용 플러그"입니다. 지금까지 실험실에는 벤더가 다른 기기들이 섞여 있고, 기기마다 프로그래밍 인터페이스가 제각각이었습니다. 그래서 모든 기기를 서로 연결하려면 엔지니어가 한 쌍씩 맞춤형 변환기를 손으로 작성해야 했죠.
Anthropic 팀은 이런 문제를 가리켜 "배관(plumbing) 문제"라고 부릅니다. 그리고 MHS는 그 배관을 표준화해, 전문 변환기를 매번 새로 만들지 않아도 되는 길을 만듭니다. 발표에 따르면 기존 셋업은 몇 주에서 몇 달이 걸리지만, MHS를 통하면 몇 시간 또는 몇 분으로 줄어듭니다.
왜 필요한가 — 통합 비용(The Integration Tax)
실험실이나 스마트 팩토리 한 켠을 떠올려 보세요. 액체 핸들러는 A사, 플레이트 리더는 B사, 로봇 팔은 C사 제품입니다. 각 장비는 자기만의 통신 방식과 데이터 포맷을 들고 있습니다. 전문 기술자들은 이 모든 기기를 서로 짝지을 때마다 어댑터 코드를 짜야 합니다.
연결이 끝나도 끝이 아닙니다. 장치가 AI 에이전트에게 지금 어떤 상태인지 알려주거나, AI가 안전하게 작동시키는 표준 방식이 없습니다. 그래서 매번 새로운 통합 프로젝트는 몇 주에서 몇 달짜리 비용을 요구하죠. MHS는 이 비용을 표준 명세 하나로 끌어내리는 것이 목표입니다.
작동 원리: 표준 드라이버의 세 가지 프리미티브
MHS는 운영체제(OS)와 장치 사이의 번역가 역할을 하는 디바이스 드라이버 계층을 표준화합니다. 표준이 노출하는 프리미티브는 작지만 강력합니다.
- read — 온도·흡광도 같은 현재 값을 읽기
- write — 온도 설정, 모터 명령 같은 동작 지시
- discovery — 네트워크상에서 변환기 없이 기기·에이전트끼리 서로 찾기
여기에 더해 드라이버 태그(driver tags)라는 아이디어가 있습니다. 코드로 표현하기 어려운 지식 — 예를 들어 "로봇 팔이 들 수 있는 최대 무게" 같은 것 — 을 자연어로 적어 두거나, 에이전트에게 셋업 과정에 대해 인터뷰하도록 시킬 수 있습니다. 드라이버는 이 태그들을 참조 파일로 컴파일해 "이 장치는 무엇을 측정하고, 무엇을 조정할 수 있고, 어떤 안전 한계가 적용되는지"를 한 곳에 모읍니다.
제어는 세 가지 메커니즘으로 일어납니다: MCP(Model Context Protocol), 표준 CLI(명령줄 인터페이스), 그리고 코드 파일. MHS는 모델에 구애받지 않으므로, 어떤 AI 에이전트든 표준 프로토콜을 통해 같은 기기에 접근할 수 있습니다.
파트너들이 측정한 실측 결과
Anthropic은 MHS 프리뷰를 여러 기관에 동시에 적용해 보게 했고, 각 기관은 공개된 수치를 발표했습니다. 분야별로 어떤 일이 가능해졌는지 살펴봅니다.
① Genentech — 단백질 분석 자동화
액체 핸들러 + 로봇 팔 + 플레이트 리더 자동화
Claude가 염색된 액체의 시험 이송을 실행하고 흡광도를 읽은 뒤, RMSE(평균제곱근오차)로 자신의 작업 결과를 스스로 점수 매겼습니다. 물에서는 약 140 µL/s(RMSE 0.016), 점성 있는 BSA(소혈청알부민) 시료에서는 10 µL/s(RMSE 0.181)로 수렴했는데, 이 매개변수는 자동화 전문가들이 "현장에서 합리적"이라고 판단한 수준입니다.
② QuEra Computing — 레이저 재잠금 자동화
결정론적 스크립트가 99.3% 성공률을 만들어 내다
4인 팀이 몇 달 동안 만든 기존 레이저 재잠금(laser-relock) 스크립트는 시도당 약 150초에 58% 성공률이었습니다. 같은 문제를 MHS로 풀자, 4개 역할의 에이전트 루프가 야간에 무인으로 돌면서 700번 시도 중 695번 — 99.3%의 성공률로 잠금을 복구하는 결정론적 Python 스크립트를 생성했습니다.
가장 어려운 경우에도 10~14초면 끝났는데, 같은 작업에 인간은 5~10분이 필요했습니다. Claude는 서보의 잔류 오차도 15.7 mV → 1.55 mV로 줄였고, 19시간 연속 실행에서 전문가 튜닝은 시간당 1.6회 잠금을 잃었지만 Claude 튜닝은 잠금을 잃지 않았습니다.
③ Carnegie Mellon University — 호환되지 않는 컴퓨터 3대 동시 제어
용량-반응 실험을 주에서 시간 단위로
CMU는 호환되지 않는 인터페이스를 가진 3대의 컴퓨터에서 액체 핸들러·플레이트 리더·로봇 팔·카메라를 조율했습니다. 그중 하나는 프로그래밍 인터페이스조차 없었습니다. 드라이버 작성부터 완결된 용량-반응(dose-response) 곡선까지 — 에이전트가 R² < 0.9 피팅을 스스로 거부한 뒤 자율적으로 재실행한 것을 포함해 — 약 8시간이 걸렸습니다. 벤더 셋업이 보통 몇 주인 것과 비교하면 약 24배 빠른 셈입니다. 6개의 유도 오류 조건은 모두 장치가 움직이기 전에 차단되었습니다.
④ 워싱턴대 · Tetsuwan · Janelia — 추가 사례
- 워싱턴대 Baker·Pinglay 랩의 박사과정 학생은 1주일 이내에 6개 기기를 연결했습니다(드라이버 작성 포함).
- Tetsuwan Scientific은 자사의 ResearchOS 플랫폼과 MHS를 페어링해 qPCR(정량적 PCR) 오염 프로파일링을 자동화했습니다.
- Janelia에서는 한 마이크로스코피 장비가 고정된 순서로 실행하던 7개 프로그램을 단일 대시보드 클릭으로 묶었습니다.
벤더별 수작업 통합 → 몇 주 ~ 몇 달
MHS 표준 통합 → 약 8시간 (CMU 사례)
안전성과 한계
MHS는 단순한 자동화 규격이 아닙니다. 안전을 어떻게 설계에 끼워 넣었는지가 핵심입니다.
"안전 한계는 프롬프트가 아니라 드라이버에 존재한다." — Anthropic 발표 요지
드라이버 태그가 안전 한계를 명시적으로 선언하기 때문에, 사용자가 프롬프트를 어떻게 바꾸든 에이전트는 그 한계를 넘을 수 없습니다. CMU 사례의 6개 유도 오류 조건이 모두 사전 차단된 것도 같은 원리입니다.
다만 Anthropic도 게이트(검토 절차)는 여전히 적용된다고 못 박았고, "Claude의 물리적 추론에는 실제 격차가 남아 있다"고 솔직하게 인정했습니다. 따라서 단기적으로는 연구 속도를 끌어올리되, 결정적 순간에는 인간 감독이 함께하는 구조가 합리적인 목표입니다.
누가, 언제부터 쓸 수 있나요?
현시점(2026년 8월) MHS는 리서치 프리뷰 단계로, 정식 명세와 SDK가 가까운 시일 내에 공개될 예정입니다. 실제 적용은 다음 두 부류에서 먼저 일어날 가능성이 큽니다.
| 도메인 | 기대 효과 |
|---|---|
| 생명과학 R&D | 단백질 정량·용량-반응 실험의 자율화 |
| 양자·광학 실험실 | 레이저 재잠금 같은 정밀 유지보전 자동화 |
| 스마트 팩토리 | 서로 다른 벤더 라인의 통합 비용 절감 |
| 크라우드소싱형 과학 | 드라이버 태그 기반 빠른 실험 셋업 |
핵심 요약 (Key Takeaways)
- MHS는 AI 에이전트가 프로그래밍 인터페이스를 가진 모든 장치를 발견·제어할 수 있게 만드는 공유 드라이버 명세입니다.
- 통합이 몇 주에서 몇 시간으로 단축됩니다 — CMU는 8시간 만에 용량-반응 곡선을 완성.
- QuEra의 레이저 재잠금은 ~150초·58%에서, 700번 시도 중 99.3% 성공률의 결정론적 스크립트로 개선.
- 모델에 구애받지 않으며 MCP 호환 — 안전 한계는 프롬프트가 아니라 드라이버에 존재.
- 여전히 게이트와 인간 감독이 필요 — Claude의 물리적 추론은 발전 중이지만 한계가 분명합니다.