MCP 다음은 실험실 바닥입니다: Anthropic MHS가 표준화하려는 것
Anthropic이 8월 27일 MHS(Model Hardware Standard)의 제한된 연구 프리뷰를 열었습니다. AI 에이전트가 현미경, 액체취급기, 로봇팔, 카메라 같은 물리 장비를 한 규격으로 발견하고 읽고 쓰고 안전하게 제어하게 하려는 사양입니다.
이것을 곧바로 "AI가 실험실을 대체한다"는 이야기로 읽으면 과합니다. MHS는 아직 연구 프리뷰이고, 접근도 신청 기반입니다. Anthropic은 오픈소스화 이전에 참여 파트너와 안전성 평가와 운영 관행을 만들겠다고 밝혔습니다. 프로그래밍 인터페이스가 없는 장비에는 아직 적용되지 않으며, 모델의 물리·공간 추론에도 사람의 감독이 필요하다고 명시합니다.
그래도 이 발표는 가볍지 않습니다. 지금까지 물리 장비 자동화의 병목은 모델이 장비를 얼마나 잘 이해하느냐보다, 장비들이 서로 다른 언어를 쓰는 상황을 누가 매번 다시 통합하느냐에 있었습니다. MHS가 겨냥하는 것은 그 통합 비용입니다.
병목은 로봇팔이 아니라 장비 사이의 번역기입니다
실험실과 제조 현장에는 장비가 많습니다. 액체를 옮기는 장비, 샘플을 움직이는 로봇팔, 결과를 읽는 플레이트 리더, 현미경, 온도 제어기, 카메라가 한 작업에 얽힙니다. 각 장비는 다른 제조사의 소프트웨어, API, 데이터 형식, 안전 규칙을 갖습니다.
그래서 기존 자동화는 대개 장비 조합마다 별도의 통합 프로젝트가 됩니다. 장비를 하나 더 넣을 때마다 새 연결을 만들고, 장애가 나면 어느 프로그램과 어느 드라이버의 문제인지 다시 추적합니다. Anthropic은 이런 통합이 통상 수 주에서 수개월이 걸린다고 설명합니다. 이 수치는 회사의 문제 정의이지 독립적인 산업 평균은 아니지만, 현장의 구조를 잘 짚습니다.
MHS의 접근은 단순합니다. 장비마다 표준 드라이버를 두고, 드라이버가 장비의 상태를 읽고 설정을 쓰는 공통 동작을 제공합니다. 동시에 장비가 무엇을 측정하는지, 무엇을 조절할 수 있는지, 어떤 범위를 넘으면 안 되는지를 에이전트가 읽을 수 있는 형식으로 설명합니다.
중요한 것은 AI가 모든 장비를 즉석에서 조작한다는 데 있지 않습니다. 안전하고 반복적인 작업은 코드 파일로 묶어 장비가 결정론적으로 실행하게 하고, 에이전트는 장비 간 순서 조정, 상태 관찰, 예외 처리 같은 상위 레벨을 맡는 구조입니다. Anthropic은 MHS의 제어 경로로 MCP, 명령줄, 코드 API를 함께 제시합니다.
물리 세계에서 안전은 모델의 성격이 아니라 시스템의 권한입니다
소프트웨어 도구를 호출할 때의 오류는 종종 되돌릴 수 있습니다. 반면 물리 장비에서 잘못된 이동은 샘플을 망가뜨리거나 장비와 사람을 위험하게 할 수 있습니다. 이 차이가 MHS의 가장 중요한 주장입니다.
Anthropic의 영상 데모에서는 로봇팔의 이동 허용 범위를 사전에 정하고, Claude가 그 범위 밖 동작을 요청하자 MHS가 거부합니다. 현미경에서는 고배율 대물렌즈가 샘플에 충돌할 위험을 고려해야 합니다. Genentech의 단백질 분석 사례에서는 웰의 기포가 흡입량을 왜곡할 수 있어, 실행 뒤 읽은 데이터를 다음 파라미터 조정으로 되돌리는 폐쇄 루프를 실험했습니다.
여기서 투자와 제품 관점의 포인트는 분명합니다. 물리 AI의 방어력은 자연어 인터페이스 하나에 쌓이지 않습니다. 아래 네 층을 함께 가져야 합니다.
- 장비 드라이버와 설치 기반: 실제 현장 장비를 안정적으로 읽고 쓰는 연결성입니다.
- 의미와 제약의 모델: 허용 범위, 교정 상태, 샘플·소모품 조건, 금지 동작이 구조화되어 있어야 합니다.
- 검증 가능한 실행 흔적: 누가 어떤 명령을 내렸고, 장비가 어떤 상태에서 무엇을 했는지 감사할 수 있어야 합니다.
- 실험 피드백 루프: 결과를 읽고 다음 조건을 바꾸는 과정이 재현 가능하게 축적되어야 합니다.
MHS는 첫째와 둘째 층을 표준화하려는 초기 시도입니다. 그러나 제약을 "설명"하는 것과, 규제 환경에서 그 제약이 누락 없이 적용됐음을 입증하는 것은 다른 일입니다. GxP 환경, 전자 기록, 감사 추적, 밸리데이션이 붙으면 데모의 속도는 그대로 제품의 속도가 되지 않습니다.
발표보다 중요한 것은 누가 드라이버를 채택하는가입니다
Anthropic은 Genentech, Carnegie Mellon, HHMI Janelia, QuEra, Tetsuwan의 초기 사례를 제시했고, AWS, Automata, Danaher, Doosan Robotics, MBF Bioscience, QIAGEN, Tecan, Universal Robots 등의 참여·시험 계획도 공개했습니다. 이 목록은 상업 매출이나 전면 배포의 증거가 아닙니다. 연구 프리뷰의 파트너 목록입니다.
그럼에도 방향성은 볼 수 있습니다. 표준은 사양이 좋아서 이기는 것이 아니라, 장비 제조사와 현장 소프트웨어가 드라이버를 유지할 유인을 가질 때 이깁니다. 장비 제조사에는 설치와 통합 부담을 낮추고 신규 워크플로우의 진입 장벽을 낮출 수 있다는 유인이 있습니다. 랩 자동화 소프트웨어에는 여러 장비를 묶는 제품을 빨리 만들 수 있다는 이점이 있습니다. 사용자에게는 장비 교체 비용과 실험 설계 시간을 줄일 가능성이 생깁니다.
반대로 기존 통합업체에는 위험입니다. 매번 만드는 연결 코드가 수익의 핵심이라면, 공통 드라이버 계층은 그 일부를 상품화할 수 있습니다. 다만 설치, 규제 검증, 현장 서비스, 워크플로우 지식까지 사라지는 것은 아닙니다. 표준이 넓어질수록 경쟁은 "연결할 수 있는가"에서 "어떤 실험을 가장 재현성 있게, 가장 적은 실패로 끝내는가"로 이동할 가능성이 큽니다.
지금은 표준 전쟁의 시작이지 승자가 나온 시점은 아닙니다
MHS를 MCP의 하드웨어 버전이라고 부르는 것은 직관적으로는 맞지만, 그대로 등치하면 안 됩니다. 소프트웨어 도구 호출은 접근 권한과 데이터 처리 문제가 중심이지만, 하드웨어 제어는 물리적 위험, 책임 소재, 교정과 유지보수, 실시간성, 제조사 보증까지 얽힙니다. 더 느리고 더 비싼 채택 곡선을 예상하는 편이 합리적입니다.
따라서 이 흐름을 볼 때는 발표 횟수보다 다음 확인 지표를 보겠습니다.
- 연구 프리뷰 뒤 공개되는 사양과 라이선스가 특정 모델·사업자에 종속되지 않는가
- 참여 제조사가 단순 데모가 아닌 유지보수 가능한 공식 드라이버를 내놓는가
- 서로 다른 장비·실험실·운영자 사이에서 설치 시간과 오류율이 실제로 낮아지는가
- 안전 제한, 권한 분리, 감사 추적이 규제 워크플로우에서 검증되는가
- MHS 위에서 독립 소프트웨어 회사가 반복 매출을 만드는가
이 중 앞의 두 항목이 약하면 MHS는 Anthropic의 강한 데모로 남을 수 있습니다. 반대로 제조사 드라이버, 현장 검증, 독립적인 애플리케이션 생태계가 함께 늘면, 이 표준은 단순한 인터페이스를 넘어 AI for Science의 배포 비용을 낮추는 기반 계층이 될 수 있습니다.
국내에서 볼 곳은 장비 자체보다 반복 실험의 운영체제입니다
국내에서 이 흐름을 단순히 로봇팔이나 바이오 장비 테마로 좁힐 필요는 없습니다. 랩 자동화, 바이오 CRO 운영, 반도체·소재 계측, 배터리 실험, 산업 검사처럼 여러 장비와 데이터가 한 번의 반복 실험에 묶이는 곳이 더 직접적인 관찰 대상입니다.
좋은 회사는 "AI가 장비를 제어한다"고 말하는 회사가 아닙니다. 실제 현장에서 실패 비용이 큰 작업을 골라, 장비 상태·안전 제약·실행 기록·결과 해석을 하나의 루프로 묶는 회사입니다. MHS 같은 공통 규격이 열릴 때 통합 노하우가 약해지는지, 아니면 기존 설치 기반과 검증 데이터가 더 많은 고객을 끌어오는지부터 물어야 합니다.
기술 희소성은 입장권입니다. 다음 재평가 사건은 표준 발표가 아니라, 특정 고객 현장에서 설치 시간이 줄고 반복 실험의 처리량·오류율·감사 가능성이 개선됐다는 검증 가능한 운영 지표가 될 것입니다.
자료 기준일은 2026년 8월 30일입니다. MHS의 기능, 연구 프리뷰 상태, 공개 예정 방향, 초기 파트너·사례는 Anthropic의 공식 발표와 MHS 공식 사이트 기준입니다. 설치 기간 단축, 실험 속도 향상, QuEra의 레이저 잠금 회복률 등 개별 성과 수치는 모두 발표 주체가 공개한 초기 사례이며 독립 검증된 산업 평균으로 해석하지 않았습니다. 본 글은 특정 기업이나 종목에 대한 투자 판단을 다루지 않습니다.
주요 출처: Anthropic, Previewing the Model Hardware Standard · Model Hardware Standard 공식 사이트 · Anthropic 영상: AI models can now help run physical science experiments