Claude اب لیب روبوٹس چلاتا ہے—MHS کی اصل حد کہاں ہے؟

Anthropic نے 27 اگست 2026 کو Model Hardware Standard، یا MHS، کا research preview پہلے گروپ کی سائنسی لیبارٹریوں اور advanced manufacturers کے لیے پیش کیا۔ Reuters کی رپورٹ کے مطابق یہ ابتدائی preview ہے: شراکت دار اسے safety evaluations کی تیاری میں آزمائیں گے، جبکہ open-source اجرا بعد کا منصوبہ ہے۔

اسی preview میں Genentech کا laboratory proof-of-concept شامل ہے، جہاں Claude نے BCA protein assay کے دوران liquid handler، robotic arm اور microplate reader کو ایک workflow میں مربوط کیا۔ Anthropic کی technical تفصیل واضح کرتی ہے کہ Claude protocol orchestrator اور آلات کے مرکزی communication hub کے طور پر کام کر رہا تھا؛ یہ براہِ راست ہر motor اور joint چلانے کا مظاہرہ نہیں تھا۔

MHS مشینوں کے درمیان مشترک تہہ کیسے بناتا ہے؟

MHS کا بنیادی جزو ایک standardized driver ہے، جو مختلف آلات کے الگ programming interfaces کو مشترک primitives میں پیش کرتا ہے۔ Agent کسی مخصوص vendor کی ہر command یاد رکھنے کے بجائے “read” اور “write” جیسے افعال استعمال کر سکتا ہے، مثلاً temperature پڑھنا یا مقرر کرنا۔ آلہ ایک machine-readable reference بھی مہیا کرتا ہے جس میں اس کی خصوصیات، قابلِ پیمائش اقدار، بدلی جا سکنے والی settings اور نافذ ہونے والی safety limits درج ہوتی ہیں۔

اس architecture میں قدرتی زبان براہِ راست motor voltage یا joint torque نہیں بنتی۔ اوپر Claude تجربے کا مقصد سمجھتا، مراحل ترتیب دیتا اور نتائج کی بنیاد پر اگلا فیصلہ کرتا ہے؛ درمیان میں MHS device discovery، state اور commands کا مشترک interface دیتا ہے؛ پھر code files یا deterministic scripts منظور شدہ sequence کو قابلِ تکرار operations میں بدلتی ہیں۔ سب سے نیچے device firmware، vendor controller یا pretrained policy رفتار، position، force اور timing جیسے فوری control loops سنبھالتے ہیں۔

Safety بھی ایک ہی تہہ کی ذمہ داری نہیں۔ MHS reference operating limits نافذ کرنے کے لیے معلومات فراہم کر سکتا ہے، مگر اس سے model کو ہر physical failure سمجھنے کی ضمانت نہیں ملتی۔ Robotic workspace کی حدود، emergency stop، controller-level checks، operator authorization اور لیبارٹری کے موجودہ حفاظتی طریقے الگ رہتے ہیں؛ مشترک interface ان کی جگہ نہیں لیتا۔

Genentech کے BCA assay میں Claude نے کیا کیا؟

BCA assay نمونے میں مجموعی protein concentration ناپنے کا طریقہ ہے۔ اس تجربے میں liquid handler نے مائع منتقل کیا، robotic arm نے labware حرکت دی اور microplate reader نے optical absorbance پڑھی؛ تمام runs standard 96-well microplates میں ہوئے۔ Claude نے protocol کے مراحل چلائے، آلات کی حالت حاصل کی اور ان کے درمیان commands کی ترتیب قائم رکھی۔

پہلی کوشش نے model کی physical reasoning کی حد فوراً دکھا دی۔ Claude نے پانی جیسے محلول اور چپچپے BSA protein sample کے لیے یکساں عمومی flow rate منتخب کیا، جس سے viscous sample میں bubbles بنے اور transfer غلط ہوا۔ بعد میں اسے مختلف flow rates آزمانے، dyed liquid منتقل کرنے، plate reader سے absorbance لینے اور اپنے نتائج کو expert reference transfer سے ملانے کا experimental design دیا گیا۔

اس closed loop میں Claude نے flow rate مقرر کیا، transfer کرایا، reading حاصل کی اور فرق دیکھ کر parameter بدلا۔ مگر bubbles سے پیدا ہونے والی runtime خرابی پر اس کا ابتدائی ردعمل اسی well میں مختلف parameters کے ساتھ operation دہرانا تھا، جس سے جھاگ مزید بڑھا۔ محققین نے اسے صاف well استعمال کرنے اور mixing cycles کم کرنے کی physical وجہ سمجھائی؛ اس کے بعد model نے وہ context باقی run میں برقرار رکھا اور سیکھے گئے طریقے reusable liquid-handling skills میں محفوظ کیے گئے۔

یہ فرق اہم ہے: feedback دیکھ کر parameter بدلنا orchestration اور adaptation ہے، جبکہ error کی مادی وجہ خود دریافت کرنا physical understanding کا مشکل حصہ ہے۔ Proof-of-concept نے پہلے حصے کی افادیت دکھائی، لیکن دوسرے حصے میں انسانی domain knowledge فیصلہ کن رہی۔

Coordination مکمل robotic autonomy کیوں نہیں؟

MHS کے ساتھ Claude کئی programmable devices کے states پڑھ سکتا، protocol کو مراحل میں تقسیم کر سکتا اور conditions بدلنے پر parameters adjust کر سکتا ہے۔ طویل یا تیز operations کے لیے driver commands کو code file میں باندھا جا سکتا ہے، تاکہ آلات ہر چھوٹے قدم پر language model کے نئے جواب کا انتظار کیے بغیر sequence مکمل کریں۔ یوں model supervisory اور planning layer میں رہتا ہے، جبکہ physical execution مخصوص controllers انجام دیتے ہیں۔

Joint-level control کہیں زیادہ سخت مسئلہ ہے کیونکہ robot کو gravity، inertia، contact forces اور balance کے مطابق فوری corrections درکار ہوتے ہیں۔ Anthropic کی 30 جولائی 2026 کی robotics evaluation میں direct low-level manipulation پر مکمل task success صفر سے 5.5 فیصد تک رہی، اور collapsed pose سے G1 humanoid کو کوئی آزمودہ model ایک بار بھی کھڑا نہ کر سکا؛ pretrained policies کے ذریعے high-level control نمایاں طور پر بہتر تھا۔

یہ evaluation MHS کے proof-of-concept کی تردید نہیں کرتی، کیونکہ دونوں مختلف control levels ناپتے ہیں۔ MHS کسی موجودہ programmable capability کو agent کے لیے دریافت، ترتیب اور استعمال کرنا آسان بناتا ہے؛ وہ language model کو خودکار طور پر motion controller نہیں بناتا۔ اسی لیے “Claude روبوٹ چلاتا ہے” تب درست ہے جب مراد commands، sequencing اور supervision ہو—نہ کہ ہر actuator پر قابلِ اعتماد براہِ راست اختیار۔

Research preview کی موجودہ حد

MHS ابھی مکمل، کھلا اور ہر laboratory کے لیے تیار standard نہیں۔ یہ programmable interface رکھنے والے hardware پر منحصر ہے، اور ہر نئے آلے کے لیے درست driver، capability description اور مقامی safety constraints درکار ہیں۔ غلط description، کمزور controller یا نامکمل interlock کو صرف AI orchestration محفوظ نہیں بنا سکتی۔

پاکستان کی بایوٹیک لیبارٹریوں، جامعات اور automation developers کے لیے خبر کی فوری اہمیت architecture میں ہے: مختلف vendors کے آلات کو ایک مشترک agent-facing layer سے جوڑنے کا عملی نمونہ سامنے آیا ہے۔ تاہم مقامی deployment کے لیے compatible hardware، drivers، validation، maintenance اور ادارہ جاتی safety procedures پھر بھی الگ engineering کام رہیں گے۔

اب تک ثابت شدہ نتیجہ محدود مگر واضح ہے: Claude ایک متعین laboratory workflow میں کئی آلات coordinate کر سکتا، readings پر parameters بدل سکتا اور بعض sequences کو deterministic code میں منتقل کر سکتا ہے۔ مکمل autonomous lab کا دعویٰ تبھی مضبوط ہوگا جب broader end-to-end workflows، independent deployments، reproducibility data، failure rates، مکمل safety evaluations اور open-source specification سامنے آئیں۔