AI가 이제 실험실의 손을 얻었다 — Anthropic의 Model Hardware Standard(MHS)
영상을 보고 솔직히 조금 충격을 받았다. Claude가 글을 읽고 코드를 작성하는 모습은 이제 익숙하다. 그런데 이번에는 AI가 현미경, 액체 분주기, 로봇팔, 양자컴퓨터의 레이저 같은 실제 장비를 연결하고, 실험하고, 결과를 읽고, 다음 행동까지 바꾸고 있었다.
Anthropic이 2026년 8월 27일 공개한 Model Hardware Standard(MHS)는 새로운 로봇 모델이 아니다. 여러 제조사와 연구실의 장비를 AI 에이전트가 공통된 방식으로 찾고, 상태를 읽고, 정해진 범위 안에서 조작하게 만드는 하드웨어 연결 표준에 가깝다.
MHS는 AI에게 단순한 장비 제어 버튼만 주는 것이 아니라, 장비의 기능·현재 상태·사용법·안전 한계를 함께 알려주는 공통 설명서를 만들려는 시도다.
Anthropic 공식 영상
Anthropic 공식 영상: Model Hardware Standard — AI operating physical equipment
처음 읽는 사람을 위한 3분 요약
- MHS는 AI가 실험실·공장의 여러 장비를 공통된 방식으로 제어하도록 만드는 표준이다.
- 장비마다 다른 SDK, 프로그램, 파일 형식, GUI를 하나의 일관된 인터페이스로 감싼다.
- AI는 장비 상태를 읽고, 작업 순서를 정하고, 결과에 따라 조건을 바꾸고, 일부 오류에서 복구할 수 있다.
- 배운 절차를 결정론적인 코드로 저장하면, 이후에는 AI가 매 순간 판단하지 않아도 같은 작업을 반복할 수 있다.
- 다만 아직 제한된 연구 프리뷰이며, 실제 물리 현상에 대한 AI의 이해와 안전성에는 분명한 한계가 있다.
왜 이런 표준이 필요한가
연구실이나 공장의 장비는 생각보다 서로 대화하지 못한다. 로봇팔은 전용 SDK를 쓰고, 카메라는 별도의 프로그램을 쓰며, 오래된 실험 장비는 Windows COM이나 특정 폴더에 파일을 넣는 방식으로만 움직이기도 한다. 심지어 화면의 버튼을 사람이 누르는 것 외에는 제어 방법이 없는 장비도 있다.
그래서 장비 세 대를 함께 움직이는 간단한 자동화도 쉽지 않다. 자동화 엔지니어가 각 장비의 설명서를 읽고, 서로 다른 명령을 연결하고, 상태 확인과 오류 처리를 새로 만들어야 한다. Anthropic은 이런 통합 작업이 보통 수주에서 수개월까지 걸릴 수 있다고 설명한다.
기존 방식
- 장비마다 다른 명령과 프로그램
- 장비별 연결 코드를 따로 제작
- 사람이 모든 순서와 예외를 작성
- 오류를 사람이 늦게 발견
MHS가 만들려는 방식
- 공통된 상태와 작업 표현
- 표준 드라이버를 통해 연결
- AI가 상태를 읽고 순서를 조율
- 실시간 감시와 제한된 자동 복구
MHS는 어떻게 작동하는가
구조를 아주 단순하게 줄이면 다음과 같다.
MHS의 한 번의 실험 흐름
- 사람이 목표를 설명한다.
- AI 에이전트가 작업 순서를 계획한다.
- MHS가 장비의 기능·상태·안전 조건을 전달한다.
- 장비 드라이버가 실제 명령으로 번역한다.
- 로봇팔·현미경·분주기·레이저가 정해진 범위 안에서 동작한다.
- 센서와 장비 상태가 다시 AI에게 돌아가 다음 판단에 쓰인다.
1. 장비마다 MHS 드라이버를 만든다
MHS 드라이버는 서로 다른 장비의 복잡한 명령을 비교적 단순한 형태로 바꾼다. 예를 들어 온도를 읽거나, 목표 온도를 설정하거나, 로봇팔로 플레이트를 옮기는 동작을 공통된 방식으로 표현한다.
2. AI가 장비의 설명서를 함께 읽는다
중요한 것은 명령 이름만 제공하지 않는다는 점이다. 장비가 무엇을 측정할 수 있는지, 무엇을 바꿀 수 있는지, 현재 어떤 상태인지, 무게나 물리적 특성이 무엇인지, 어느 범위를 넘어가면 안 되는지까지 하나의 장비 설명 파일에 담는다.
그동안 종이 설명서나 숙련자의 머릿속에만 있던 정보도 자연어 태그로 기록할 수 있다. AI는 이 정보를 바탕으로 처음 보는 장비의 사용법을 이해한다.
3. AI는 MCP, 명령줄, 코드로 장비를 사용한다
MHS는 MCP(Model Context Protocol), 명령줄 인터페이스, 코드 API를 통해 접근할 수 있다. MCP가 AI를 소프트웨어와 데이터에 연결하는 공통 통로라면, MHS는 그 생각을 실제 물리 장비까지 확장한 형태로 볼 수 있다.
4. 반복 작업은 코드로 굳힌다
AI가 매 순간 온라인으로 생각하면서 장비를 움직일 필요는 없다. Claude가 여러 번 실험해 효과적인 방법을 찾으면, 그 과정을 검사 가능한 결정론적 스크립트로 작성할 수 있다. 이후에는 한 번의 명령으로 같은 절차를 빠르고 반복 가능하게 실행한다.
MHS의 핵심은 LLM이 로봇 모터나 레이저의 초고속 제어 루프를 직접 돌리는 것이 아니다. AI는 위에서 실험을 설계하고, 상태를 분석하고, 절차를 개선한다. 빠른 제어와 비상정지는 기존 제어기와 하드웨어 계층이 맡는다.
무엇이 그렇게 충격적이었나
지금까지 생성형 AI는 주로 이미 존재하는 데이터를 읽었다. 문서, 코드, 이미지, 논문을 바탕으로 답을 만들었다. MHS가 보여준 다음 단계는 다르다.
즉 AI가 인터넷에 있는 지식만 소비하는 것이 아니라, 현실 세계에서 새로운 데이터를 직접 만들어 다음 판단에 사용할 수 있는 순환 구조가 생긴다. 이 과정이 밤새 반복되면, 사람이 일일이 시험하기 어려운 수백·수천 개의 조건도 탐색할 수 있다.
개인적으로 가장 큰 충격은 로봇팔 하나를 움직였다는 사실이 아니었다. 이미 로봇 제어 API는 오래전부터 존재했다. 진짜 변화는 AI가 여러 장비를 하나의 실험 시스템으로 이해하고, 결과를 본 뒤 다음 실험을 스스로 수정했다는 점이다.
실제로 무엇을 했는가
Genentech — 단백질 실험 조건을 직접 최적화
Genentech는 액체 분주기, 로봇팔, 마이크로플레이트 리더를 연결해 단백질 농도를 측정하는 BCA assay를 자동화했다. Claude는 물과 점성이 높은 단백질 용액이 같은 속도로 분주되면 안 된다는 점을 실험으로 찾아냈다.
물에는 약 140 µL/s, 점성이 높은 BSA 용액에는 약 10 µL/s가 적절하다고 판단했다. 사람이 각 조건을 하나씩 프로그램하는 대신, AI가 시험하고 결과를 비교하며 조건을 좁혀간 것이다.
하지만 한계도 분명했다. 거품 때문에 오류가 발생했을 때 Claude는 처음에 같은 용기에서 조건만 바꾸며 재시도했고, 오히려 거품을 더 만들었다. 사람 전문가가 “소프트웨어 문제가 아니라 실제 액체의 물리 문제”라고 알려준 뒤에야 깨끗한 위치로 옮기는 해결책을 유지했다.
이 사례는 MHS의 가능성과 현재 AI의 약점을 동시에 보여준다. AI는 빠르게 조건을 탐색하지만, 현실의 재료·접촉·유체 현상을 항상 제대로 이해하는 것은 아니다.
Carnegie Mellon University — 서로 다른 장비를 약 8시간 만에 연결
Carnegie Mellon University 연구팀은 액체 분주기, 플레이트 리더, 로봇팔, 감시 카메라를 세 대의 컴퓨터에 나눠 연결했다. 문제는 장비마다 제어 방식이 완전히 달랐다는 것이다. 하나는 폴더에 작업 파일을 넣어야 했고, 하나는 오래된 Windows COM을 썼으며, 플레이트 리더는 정상적인 API조차 없었다.
연구팀은 MHS 드라이버와 전체 조율 계층을 약 8시간 만에 만들었다고 보고했다. 기존 공급업체 방식으로는 수주가 걸릴 수 있는 작업이었다. 실험 수행 속도도 이전보다 약 세 배 빨라졌다.
연구팀은 플레이트 누락, 방향 오류, 장비 사용 중, 카메라 연결 해제, 접근 불가능한 장비, 비상정지 활성화라는 여섯 조건을 일부러 만들었다. 시스템은 장비가 움직이기 전에 여섯 가지를 모두 차단했다.
첫 번째 농도-반응 실험의 결과가 좋지 않자 AI는 최고 농도를 200 µg/mL에서 100 µg/mL로 낮추고 새 플레이트로 다시 실험했다. 두 번째 결과는 훨씬 나은 적합도를 보였다. 사람이 결과를 보고 다음 조건을 정하는 과정까지 에이전트가 연결한 것이다.
QuEra — 양자컴퓨터 레이저 복구 성공률 99.3%
가장 인상적인 사례는 양자컴퓨터 기업 QuEra의 레이저 시스템이다. 양자컴퓨터의 레이저는 온도, 진동, 압력 변화 때문에 매우 정밀한 목표 주파수에서 벗어날 수 있다. 기존 자동 복구 스크립트는 성공률이 약 58%였고, 한 번 복구하는 데 약 150초가 걸렸다. 사람 전문가가 직접 복구하면 보통 5~10분이 필요했다.
Claude는 MHS를 통해 실제 테스트 장비를 읽고 조절하면서 복구 방식을 반복적으로 개선했다. 가설을 만들고, 코드를 수정하고, 실제 레이저에서 시험하고, 로그를 읽는 과정이 밤새 수백 번 반복됐다.
최종 검증에서는 700회 중 695회 복구에 성공해 99.3%의 성공률을 기록했다. 비교적 단순한 문제는 약 0.9~5.4초, 가장 어려운 문제는 약 10~14초 만에 복구했다.
더 중요한 사실은 최종 운용 단계에서 Claude가 매번 레이저를 직접 조작하지 않았다는 점이다. Claude가 개발하고 검증한 결과는 완전히 검사 가능한 결정론적 프로그램으로 남았고, 실제 장비에서는 AI가 빠진 상태로 실행됐다.
실제 운용에서 한 일: 검증된 코드가 정해진 범위 안에서 장비를 제어했다.
MCP와 무엇이 다른가
Anthropic은 2024년 MCP를 공개하며 AI가 파일, 데이터베이스, 개발 도구, 업무 시스템에 연결되는 방식을 표준화하려 했다. MHS는 그 방향을 물리 세계로 확장한다.
- MCP: AI와 소프트웨어·데이터·도구를 연결한다.
- MHS: AI와 실제 장비를 연결하고, 장비의 상태·기능·물리 정보·안전 한계를 전달한다.
USB에 비유하면 조금 이해하기 쉽다. USB는 서로 다른 장치를 컴퓨터에 연결하는 공통 규격이다. MHS는 여기에 “이 장비가 무엇을 할 수 있는지, 현재 어떤 상태인지, 어느 범위까지 허용되는지”를 AI가 이해할 수 있는 설명서까지 붙이려는 시도에 가깝다.
로봇 분야의 ROS 2나 산업 장비의 기존 통신 표준을 모두 없애려는 것으로 보이지는 않는다. 현재 공개된 설명만 보면 MHS는 그런 저수준 통신과 제어 기술 위에서, AI 에이전트가 장비를 발견하고 조합하기 쉽게 만드는 상위 계층에 가깝다.
왜 단순한 연구실 데모로 끝나지 않을 수 있나
초기 실험에는 HHMI Janelia, Genentech, University of Washington, Carnegie Mellon University, QuEra, Tetsuwan Scientific 등이 참여했다. 여기에 Doosan Robotics가 로봇팔 적용을 시험하고 있고, Universal Robots도 자사 로봇 플랫폼에 대한 지원 계획을 밝혔다. Hugging Face는 LeRobot에, Raspberry Pi는 여러 제품에 MHS 통합을 추진하고 있다.
이 참여 목록이 중요한 이유는 MHS가 특정 연구실의 맞춤형 코드로 끝나지 않고, 여러 장비 회사와 연구기관이 함께 쓰는 공통 규격을 목표로 하기 때문이다. 표준은 기술 자체보다 “얼마나 많은 장비와 사람이 함께 채택하느냐”가 더 중요하다.
하지만 아직 과장해서 보면 안 된다
MHS는 2026년 8월 기준으로 완성된 공개 표준이 아니라 제한된 연구 프리뷰다. Anthropic은 일부 파트너와 먼저 시험하고 안전 평가와 모범 사례를 만든 뒤 오픈소스로 공개할 계획이라고 밝혔다.
현재 공개 자료에서 확인되는 한계는 분명하다.
- 프로그래밍 가능한 인터페이스가 없는 장비에는 아직 바로 적용하기 어렵다.
- AI는 물리적·공간적 원인을 잘못 해석할 수 있어 전문가 감독이 필요하다.
- 장비 설명과 안전 한계를 잘못 입력하면 표준만으로 안전을 보장할 수 없다.
- 연구실의 성공 사례가 모든 공장과 모든 로봇 환경에서 그대로 재현된다는 보장은 없다.
- ‘안전하게 동작한다’는 표현을 곧바로 산업용 기능안전 인증과 같은 의미로 받아들이면 안 된다.
결국 중요한 원칙은 AI의 판단과 실제 안전 기능을 분리하는 것이다. 허용 범위, 인터록, 비상정지, 충돌 방지처럼 즉시 작동해야 하는 기능은 모델의 말이 아니라 별도의 검증된 제어 계층에서 강제되어야 한다.
내가 이 발표를 중요하게 본 이유
이 발표는 화려한 휴머노이드 영상처럼 보이지 않을 수 있다. MHS 자체도 새로운 거대 AI 모델이나 새로운 로봇 하드웨어가 아니다. 하지만 오히려 그래서 중요하다.
AI가 현실 세계에서 일하려면 뛰어난 두뇌만으로는 부족하다. 수많은 장비를 연결하고, 현재 상태를 정확히 읽고, 허용된 행동만 실행하고, 실패를 기록하고, 결과를 다시 판단에 넣는 기반 구조가 필요하다. MHS는 바로 그 지루하지만 결정적인 연결 계층을 표준으로 만들려 한다.
MCP가 AI 에이전트를 디지털 도구와 연결하는 하나의 전환점이었다면, MHS는 AI가 실험실과 공장으로 나가기 위한 비슷한 전환점이 될 가능성이 있다. 물론 아직은 가능성을 보여준 초기 단계다. 그래도 방향은 분명해 보인다.
AI가 지식을 설명하는 단계에서,
현실을 측정하고 바꾸고,
그 결과로 다시 배우는 단계로 이동하고 있다.
결론
Model Hardware Standard의 본질은 “Claude가 로봇팔을 움직였다”는 한 장면이 아니다. 핵심은 서로 다른 장비를 공통된 방식으로 연결하고, AI가 장비의 상태와 안전 조건을 이해하며, 여러 실험을 하나의 폐루프(closed loop)로 묶을 수 있게 만들려는 시도다.
아직은 연구 프리뷰이고 해결해야 할 안전·신뢰성 문제가 많다. 그럼에도 AI가 기존 데이터를 읽는 도구에서 벗어나, 실제 장비를 통해 새로운 데이터를 만들고 다음 실험을 설계하기 시작했다는 점은 상당히 큰 변화다.
영상을 보고 충격을 받은 이유도 바로 여기에 있다. AI가 컴퓨터 화면 안에서 더 똑똑해진 정도가 아니라, 현실 세계와 연결되는 공통 손과 감각을 만들기 시작했기 때문이다.
공식 자료와 더 보기
- Anthropic — Previewing the Model Hardware Standard ↗
- Model Hardware Standard 공식 사이트 ↗
- Anthropic 공식 MHS 소개 영상 ↗
- Anthropic 공식 장편 영상 — AI models can now help run physical science experiments ↗
- QuEra — AI를 이용한 양자컴퓨터 레이저 복구·튜닝 사례 ↗
- Anthropic — Model Context Protocol 소개 ↗
작성 기준: 2026년 8월 28일 · 이 글은 Anthropic과 참여 기관이 공개한 연구 프리뷰 자료를 쉽게 풀어쓴 해설이다.
라벨: AI Agent, Anthropic, Claude, Lab Automation, MCP, MHS, Physical AI, Robotics
