OpenAI und Anthropic ringen um die Deutungshoheit für „KI-Hardware“

21 Monate nach der Veröffentlichung von MCP hat Anthropic seinen zweiten Standard vorgelegt: MHS, der Modell-Hardware-Standard. Dies ist das erste Mal, dass Anthropic seine Haltung und Vorstellungen zur Integration von KI in Hardware über einen Standard zum Ausdruck bringt.

Einfach ausgedrückt ist MHS ein Protokoll, das MCP ähnelt. Während MCP die Schnittstelle zwischen Modellen und Anwendungen darstellt, verbindet MHS Modelle mit Hardware. Mit MHS können Agenten parallel verschiedene Laborgeräte, Fertigungsinstrumente und Hardwarekomponenten bedienen. Es ist nach oben mit Modellen und nach unten mit Hardware verbunden, jedes Agenten-Framework kann über das Standardprotokoll eingebunden werden, und es ist nicht an bestimmte Modelle gebunden.

Anthropic hat zudem zwei Vergleichsbilder vor und nach der Einbindung erstellt, an denen man die Unterschiede auf einen Blick erkennen kann.

Der obige Ablauf zeigt den Prozess vor der Einbindung von MHS, der untere den Prozess mit MHS | Quelle: Offizielle Website von Anthropic

Der Kern von MHS ist ein standardisierter Treiber, also eine Software, die zwischen dem Betriebssystem des Computers und den Hardwaregeräten vermittelt. Dieser Treiber kann mit einer Reihe sehr einfacher Befehle, z. B. „Lesen“ zum Abrufen der Temperatur oder „Schreiben“ zum Einstellen der Temperatur, jedes Hardwaregerät dazu bringen, die Anforderungen des Agenten zu verstehen und entsprechende Programme auszuführen.

Nach der Installation dieses Treibers kann jedes Gerät im Verbindungsnetzwerk der Agenten aktiv „sich selbst vorstellen“ und in einem einheitlichen Format angeben, um welches Gerät es sich handelt und welche Befehle es ausführen kann. Andere Geräte können diese Hardware im Netzwerk durchsuchen und direkt mit ihr kommunizieren, so wie ein Computer einen Drucker im lokalen Netzwerk sucht.

Das letzte Mal, dass ein solcher Standard vorgestellt wurde, war im November 2024 mit der Veröffentlichung von MCP. Damals schenkte ihm niemand große Aufmerksamkeit, aber ein Jahr später ist er für alle unverzichtbar geworden. MCP hat in einem Jahr die Schnittstellen zwischen KI und der Softwarewelt vereinheitlicht. Dieses Mal zielt Anthropic auf einen Verbindungsstandard zwischen Modellen und Hardware ab.

Anthropic kann es kaum erwarten, dass Modelle auf Hardware laufen. Und die Hardwarebranche auch nicht.

01 Die „Software-Hardware-Schnittstelle“ der KI

Nachdem wir verstanden haben, was MHS ist, schauen wir uns an, wie MHS das Problem der Verbindung zwischen Modellen und Hardware tatsächlich „vereinheitlicht“. Im Detail bietet MHS jedem Gerät im Wesentlichen drei Dinge: eine permanente Bedienungsanleitung, eine Verbindungsübergangsstelle und Selbstreparaturfähigkeit.

Zuerst zur Bedienungsanleitung: Der MHS-Treiber enthält eine Reihe von Tags, mit denen Benutzer die Bedienungsanleitung des Geräts direkt in natürlicher Sprache eingeben können. Diese Anleitung kann man selbst schreiben, oder man spricht mit dem Agenten, der nach Ihrer Hardwarekonfiguration fragt und die Anleitung von der KI erstellen lässt. Auf Grundlage dieser Informationen generiert der Treiber automatisch eine Referenzdatei, die klar auflistet, was dieses Gerät messen kann, was angepasst werden kann und welche Sicherheitsmaßnahmen zwingend durchgesetzt werden.

Sobald der Agent diese Datei erhält, verfügt er über alle Informationen, die für die Bedienung des Geräts erforderlich sind, und kann es korrekt bedienen. Die Bedienungsregeln, die früher von älteren zu jüngeren Kollegen weitergegeben wurden, und die Erfahrungen erfahrener Ingenieure werden heute von den Agenten übernommen.

Es handelt sich nicht um eine einzelne Übergangsstelle, sie kann Eins-zu-Viele und sogar Viele-zu-Viele-Verbindungen herstellen. Neben den Geräten, die bereits in der Betaphase getestet wurden, eignet sich diese Schnittstelle auch für Hardware, die sich noch in der Entwicklung befindet. Der MHS-Treiber kann dem Agenten helfen, ein Gerät zu verstehen, das er noch nie gesehen hat, und ihm Geräteeigenschaften liefern, die man nicht nur aus dem Code ablesen kann.

Bisher war es immer ein aufwändiger Prozess, mehrere Geräte in einem Labor oder einer Fabrikhalle miteinander kommunizieren zu lassen. Denn jedes Gerät hat seine eigene Programmierschnittstelle, es gibt keine standardisierte Methode. Nachdem die Geräte verbunden sind, gibt es auch keine Möglichkeit, Daten mit KI-Agenten zu teilen, geschweige denn den Agenten sicher bedienen zu lassen. Deshalb brauchen Labore oder Fabriken Wochen oder sogar Monate, um Plattformen aufzubauen und Hardware zu integrieren. MHS verkürzt diesen Prozess auf wenige Stunden oder sogar Minuten.

Sobald die Geräte verbunden sind und die Agenten jedes Gerät erkannt haben, ist der letzte Schritt die Steuerung.

MHS bietet drei Mechanismen an: MCP, Befehlszeilenschnittstelle und Codedateien (API). Die drei arbeiten zusammen, und mit nur einer Codezeile lassen sich mehrere Geräte koordinieren. Nachdem der Agent die Steuerung übernommen hat, kann er die Betriebsdaten jedes Geräts empfangen, überwachen und lenken, zum Beispiel die Arbeitsschritte verschiedener Instrumente sortieren, die Ergebnisse überwachen und Parameter an Echtzeitänderungen anpassen. Bei lang andauernden Aufgaben oder wenn die Betriebsgeschwindigkeit höher ist als die Online-Inferenzgeschwindigkeit des Agenten, kann er die Treiberbefehle mehrerer Geräte in Codedateien schreiben, sodass die Geräte sie selbst ausführen und dem Benutzer Bericht erstatten.

Interessanterweise ist diese Schnittstelle nicht unveränderlich und kann nur ausgeführt werden. Nach der Einbindung in MHS erhält das Steuerungssystem der Hardware Selbstreparaturfähigkeit. Der Agent kann den Betriebszustand der Hardware überwachen und Parameter in Echtzeit anpassen. In einigen Fällen kann er sich ohne menschliches Eingreifen von Hardwarefehlern erholen. Forscher und Ingenieure müssen nicht mehr rund um die Uhr überwachen: Wenn die Mitarbeiter Feierabend machen, laufen nicht nur die Programme weiter, sondern man kann auch Roboterarme steuern oder Temperaturen anpassen.

Wie steuert die KI diese Geräte eigentlich?

Laut offizieller Beschreibung haben wir während des Tests von MHS festgestellt, dass die Art und Weise, wie Claude experimentelle Hardware bedient, eigentlich unvorhersehbar ist. Zum Beispiel passt Claude einen Laser an, beobachtet das Ergebnis zuerst über eine Kamera, bewertet, wie die Anpassung den Laserstrahl bewegt, und wiederholt dann diesen Vorgang, um die Reihenfolge der Ereignisse zu verstehen. Anschließend packt Claude die erlernten Informationen in eine Codedatei und schreibt ein deterministisches Skript. Bei nachfolgenden wiederholten Vorgängen ist keine weitere Inferenz erforderlich, um den Laser zu kalibrieren, sodass der gesamte Vorgang als einzelner Befehl ausgeführt werden kann. In Kombination mit den Bedingungen des nächsten Experiments wird die Betriebsreihenfolge jedoch angepasst. Die offizielle Seite beschreibt dies als „denken wie ein Wissenschaftler“.

Aber dies optimiert tatsächlich viele experimentelle Abläufe. Nehmen wir ein Beispiel: Früher wurde der QuEra-Quantencomputer von Lasern angetrieben, die Frequenz des Lasers muss auf eine Genauigkeit von einem Billionstel eingestellt werden. Wenn Temperaturänderungen, Vibrationen oder sogar jemand die Tür öffnet, verliert er den „Lock“. Deshalb konnten nur erfahrene Labormitarbeiter den Lock-Zustand des Geräts in 5 bis 10 Minuten wiederherstellen. Sie haben KI-Automatisierung ausprobiert, ein vierköpfiges Team hat monatelang Skripte geschrieben, aber die Erfolgsrate lag nur bei 58%.

Jetzt bilden vier Claude-Agenten über MHS einen Workflow: Sie stellen Hypothesen auf, ändern Skripte, führen sie auf dem echten Gerät aus, lesen Protokolle und ändern sie wieder, und können in einer Nacht Hunderte von Iterationen durchführen. Am nächsten Morgen wurde die Zeit zur Wiederherstellung des Geräte-Locks von 150 Sekunden auf 6 Sekunden verkürzt; in nachfolgenden 700 Blindtests wurde eine Erfolgsrate von 695 Mal erreicht, also 99,3%. Und die von Claude eingestellten Parameter liefen 19 Stunden lang ohne Verlust des Locks, während die von Experten manuell eingestellten Parameter durchschnittlich 1,6 Mal pro Stunde den Lock verloren. Am Ende liefert Claude ein normales, vollständig prüfbares Python-Skript, das in der Produktivumgebung ohne ständige Anwesenheit von KI ausgeführt werden kann.

Das offene Ökosystem von MCP hat es zur Standardwahl im Agentenzeitalter gemacht. Mit der Veröffentlichung von MHS scheint Anthropic den Erfolgspfad von MCP nachahmen zu wollen. Wenn sich die gesamte Hardwarewelt an MHS anpasst, können die Modelle der Claude-Serie am schnellsten in diese Geräte integriert werden, und das Verständnis für die Ausführung von Agenten wird sich schneller ansammeln. Sobald das Modell in die Hardware gelangt, verbraucht jedes angeschlossene Hardwaregerät bei seinem Betrieb Modellinferenz, was die Nachfrage nach Modellverbrauch steigern wird.

02 Zwei Wege: OpenAI und Anthropic

Die aktuelle Version von MHS ist eine Betaform von Anthropic, Entwickler müssen sich bewerben, um in die Betaliste aufgenommen zu werden. Offiziell teilen sie die frühe Version mit Partnern aus den Bereichen Wissenschaft, Robotik, Elektronik und Fertigung, um vor der Open-Source-Veröffentlichung des Standards gemeinsam Sicherheitsbewertungen aufzubauen und die besten Methoden für die KI-gesteuerte Bedienung physischer Geräte zu entwickeln.

Aus dem Rahmen von MHS und der Haltung von Anthropic zur Hardware lassen sich deutlich erkennen, dass die beiden führenden Modellunternehmen Anthropic und OpenAI zwei fast gegensätzliche Wege bei der Hardware verfolgen.

OpenAI verfolgt derzeit hauptsächlich den Weg von Einfach zu Komplex: Es baut zuerst direkt bedienbare KI-Hardware mit einfacher Interaktion und einfachen Funktionen, und startet mit KI-Hardware im Bereich der Verbraucherendgeräte. Deshalb ist sein erstes Hardwareprodukt ein intelligenter Heimlautsprecher.

Anthropic geht offensichtlich von Komplex zu Einfach: Es greift direkt die Steuerung präziser wissenschaftlicher Geräte an, lässt die KI die Laser von Quantencomputern und die Flüssigkeitsplattformen von Pharmaunternehmen steuern. All dies erfordert ein tieferes Verständnis des Modells für die physische Welt und eine viel höhere Betriebspräzision. Dies hängt aber möglicherweise auch mit der festen und standardisierten Betriebsabläufen in Labors zusammen.

Die beiden Unternehmen wählen auch unterschiedliche Hauptrichtungen dafür, was die KI in der Hardware leisten soll. Laut aktuellen Branchenleaks steckt OpenAI das Modell in die Hardware und konzentriert sich auf Endgerätemodelle. Anthropic wählt dagegen den Weg, Agenten an die Hardware anzubinden.

Darüber hinaus baut OpenAI selbst Hardware und nutzt seine eigenen Modelle. Die derzeitige Hardwareentwicklung von OpenAI tendiert zu einem geschlossenen Ökosystem, was sehr an den Weg von „Apple“ erinnert. Aus diesem Ökosystemprotokoll von Anthropic geht hervor, dass der Fokus des Ökosystems vorerst auf der oberen Softwareebene oder Protokollebene liegt.

Allerdings gab es in der Branche schon vorher Gerüchte, dass Anthropic bereits die Hardwareentwicklung erforscht. Ein Bericht von CNBC erwähnt, dass das Unternehmen ein Chipherstellungsteam aufbaut, um maßgeschneiderte Chips für seine eigenen Modelle zu entwickeln, und es hat Caitlin Kalinowski eingestellt, eine Führungskraft, die zuvor bei OpenAI, Meta und Apple im Hardwarebereich gearbeitet hat.

OpenAI setzt auf Endgeräte und möchte das nächste iPhone schaffen. Wenn es gewinnt, wird es das nächste „Apple“. Anthropic setzt auf Standards und möchte die Verbindungsweise zwischen KI und Hardware verändern, um die vorhandenen programmierbaren „Hardware“-Geräte besser steuern zu können.

Im April dieses Jahres haben wir auf einer ausländischen Messe mit Mitarbeitern von Anthropic gesprochen. Damals haben wir gefragt, warum Anthropic nicht selbst Hardware baut. Die Antwort war, dass Anthropic intern viele Projekte verfolgt und das vorantreibt, was die Benutzer am meisten benötigen.

Rückblickend ist die Veröffentlichung von MHS möglicherweise genau das Signal: In der internen Prioritätenliste von Anthropic ist die Integration von KI in Hardware nun auf die Tagesordnung gesetzt worden.

03 Das Zeitfenster für KI-Hardware wird kürzer

Wenn 2025 der Boom von KI-Hardware durch den Verkauf von über einer Million Einheiten von Plaud vollständig entfacht wurde, tauchten plötzlich KI-Anhänger, KI-Ringe, KI-Brillen, KI-Spielzeuge und Produkte aller Formen explosionsartig auf. Im Jahr 2026 ist die KI-Hardware deutlich in eine Phase der Blasenbereinigung eingetreten: Investoren handeln vorsichtiger, und es gibt keine großen Verkaufsschlager mehr auf dem Markt.

Aber in diesem Jahr der Blasenbereinigung ist die Hitze unter der Oberfläche nicht verschwunden. Chiphersteller lösen das Problem der Endgeräteleistung, Handyhersteller lösen die technischen Probleme, Modelle auf Endgeräten auszuführen, und die Infrastrukturprobleme bei der Integration von Modellen in Hardware werden Schritt für Schritt gelöst.

Jetzt sind OpenAI und Anthropic nacheinander auf den Markt getreten: Einer baut Geräte, der andere legt Standards fest. Wenn Infrastruktur und führende Anbieter gleichzeitig bereit sind, werden wir in den nächsten zwei Jahren möglicherweise eine neue kleine Welle von KI-Hardware erleben.

Wir können möglicherweise im Voraus abschätzen, wie die nächste Generation von Produkten aussehen wird.

Die intelligenten Fähigkeiten werden verbessert: Es gibt nicht mehr nur einfache Dialoginteraktionen, große Modelle können auf bessere Weise in Hardwaregeräte integriert werden und größere Wirkung entfalten;

Mehr Hardware-Kopplungen: Sobald das Protokoll vereinheitlicht ist, ist Hardware möglicherweise nicht mehr einzeln vorhanden, sondern mehrere Geräte können zusammenarbeiten. Sowohl umgebaute „KI-Hardware“ als auch neue Produktkategorien erhalten durch die Kopplung erweiterte Einsatzmöglichkeiten;

Das Interaktionserlebnis wird erheblich verbessert: Wenn die Intelligenz des Modells auf der Hardware zunimmt, ist das Feedback der Interaktion nicht mehr auf nur eine Form beschränkt, sondern zeigt sich in vielfältigeren Ausdrucksformen.

Gleichzeitig muss die neue Generation von KI-Hardware nach dem