شرکت واترز نرم‌افزار AI Link را با یکپارچه‌سازی آنتروپیک عرضه کرد
شرکت واترز (NYSE: WAT) نرم‌افزار Waters AI Link را عرضه کرده است؛ قابلیتی که پروتکل Model Context Protocol (MCP) شرکت آنتروپیک را به پلتفرم اطلاعاتی waters_connect این شرکت اضافه می‌کند. واترز همچنین طبق بیانیه‌ای از پیوستن خود به برنامه پژوهشی Model Hardware Standard (MHS) آنتروپیک خبر داده است.
Waters AI Link نرم‌افزار waters_connect را از طریق یک رابط زبان طبیعی به مدل‌های زبانی بزرگ و عامل‌های هوش مصنوعی، از جمله Claude آنتروپیک، متصل می‌کند. این یکپارچه‌سازی به عامل‌های هوش مصنوعی اجازه می‌دهد بدون نیاز به مهندسی نرم‌افزار سفارشی، روش‌های آزمایش را ایجاد کنند، فرایندهای دریافت داده را اجرا کنند و نتایج را پردازش کنند. واترز اعلام کرده است که دسترسی اولیه به این قابلیت هم‌اکنون فراهم شده و عرضه عمومی آن برای مشتریان نرم‌افزار waters_connect در ماه نوامبر برنامه‌ریزی شده است.
برنامه MHS که آنتروپیک با همکاری مؤسسات پژوهشی علمی توسعه داده است، با هدف امکان فعالیت عامل‌های هوش مصنوعی روی تجهیزات فیزیکی آزمایشگاهی مانند ابزارهای اندازه‌گیری، سامانه‌های جابه‌جایی مایعات و بازوهای رباتیک طراحی شده است. واترز اعلام کرده این استاندارد زمان یکپارچه‌سازی تجهیزات را از چند هفته به چند ساعت یا حتی چند دقیقه کاهش می‌دهد. مشارکت این شرکت در برنامه پژوهشی MHS بلافاصله آغاز شده است.
واترز اعلام کرده قابلیت AI Link برای انتقال جریان‌های کاری از محیط‌های تحقیقاتی به محیط‌های تحت نظارت طراحی شده است. این فرایند از طریق پلتفرم Empower Software انجام می‌شود و با حفظ مسیر ثبت و بررسی سوابق، امکان دنبال‌کردن حرکت مولکول‌ها تا مراحل کنترل کیفیت و عرضه نهایی را فراهم می‌کند.
«هوش مصنوعی می‌تواند فرضیه‌ها را سریع‌تر از توان آزمایش هر آزمایشگاهی تولید کند؛ بنابراین گلوگاه از محاسبات به میز آزمایش منتقل شده است.»
دیو لیتام، معاون بخش انفورماتیک شرکت واترز، گفت: «هر فرضیه‌ای که یک مدل هوش مصنوعی تولید می‌کند، به یک نمونه فیزیکی تبدیل می‌شود که باید جداسازی و اندازه‌گیری شود؛ موضوعی که حجم نمونه‌های عبوری از تجهیزات و ستون‌های ما را چند برابر می‌کند.»
واترز اعلام کرده این قابلیت‌ها برای جریان‌های کاری کروماتوگرافی مایع و طیف‌سنجی جرمی طراحی شده‌اند و چرخه‌های خودکار موسوم به «آزمایشگاه در حلقه» را امکان‌پذیر می‌کنند؛ چرخه‌هایی که در آن فرضیه‌های تولیدشده توسط هوش مصنوعی به‌صورت فیزیکی آزمایش می‌شوند و نتایج دوباره به مدل بازمی‌گردند تا آزمایش‌های بعدی بهبود پیدا کنند.