Model Hardware Standardのリサーチプレビュー — AIエージェントが実験装置を動かす共通仕様
AIエージェントが実験装置や製造機器を安全に操作するための共通仕様Model Hardware Standardが、研究機関と製造業向けにリサーチプレビューとして公開されました。導入事例と限界をまとめます。
量子コンピューター企業QuEraでは、レーザーの周波数が外れたとき、熟練の技術者が5〜10分かけて復帰させていました。専任チームが数か月かけて書いた自動化スクリプトでも、成功率は58%、1回あたり150秒。そこにClaudeを一晩つないだ結果、朝には約6秒・96%まで到達したスクリプトが出来上がりました。仕上がったものを単独で評価すると、700回中695回、99.3%を最長でも14秒で復帰させています。
これを可能にしたのが、Anthropicが2026年8月27日にリサーチプレビューを開始したModel Hardware Standard(MHS)です。AIエージェントが物理デバイスを安全に操作するための共通仕様で、まずは科学研究機関と先端製造業の第一陣に開放されました。オープンソース化は、このプレビューの後に予定されています。
要点
- 対象:科学研究ラボと先端製造業の第一陣。参加はウェイトリスト経由の申し込み制です
- できること:顕微鏡、液体分注機(リキッドハンドラー)、ロボットアームなどを1体のエージェントが並行して操作します
- 効く数字:装置の統合にかかる時間が、数週間から数か月という単位から数時間〜数分に縮みます
- 適用範囲:プログラマブルなインターフェースを持つ装置なら動きます。モデル非依存で、MCPなど標準的なプロトコルを通じて、どのエージェントハーネス(エージェントの実行基盤)からでも到達できます
- 次の段階:安全性評価とベストプラクティスをパートナーと作ってから、オープンソースとして公開する計画です
装置ごとに専用の橋渡しコードを書く作業を、標準の側に引き取らせる試みです。統合コストが装置の台数に比例して増えなくなる、というのが変化の中身です。
Model Hardware Standardとは何か
Model Hardware Standard(MHS)とは、AIエージェントが物理デバイスを安全に操作するための共通仕様です。中核にあるのは標準化されたドライバー、つまりコンピューターのOSとハードウェアの間を翻訳するソフトウェアです。
このドライバーは「read」(例:温度を取得する)「write」(例:温度を設定する)といった単純なプリミティブの集合を使います。どの装置でも解釈して実行できる粒度に揃えたわけです。加えて各装置を標準形式で発見可能にするため、装置とエージェントはネットワーク越しに互いを見つけられます。間に専用の翻訳プログラムを挟む必要がありません。
面白いのはドライバーが持つタグの仕組みです。ロボットアームの重量のように、安全に扱うために必要でありながらコードだけからは読み取れない情報が、これまでは紙のマニュアルや個人のPC、あるいは担当者の頭の中に置かれてきました。MHSのタグには、こうした情報を自然言語のまま書き込めます。利用者が自分で書いてもよいし、ハードウェア構成について聞き取りを行うエージェントと会話しながら埋めることもできます。タグの内容からドライバーが参照ファイルを自動生成し、そこには何を測れるのか、何を調整できるのか、どの安全上限が強制されるのかが並びます。エージェントが装置を動かすのに必要な情報は、このファイルに集約されます。
長時間走るタスクや、エージェントのオンライン推論では追いつかない速度が要るときは、複数装置のドライバーコマンドをコードファイルの中で連結できます。装置側が自律的に処理を進め、エージェントは各ステップで推論しなくてよくなります。テスト中に観測された挙動が象徴的です。Claudeはレーザーを調整し、カメラ越しに結果を見て、ビームがどう動いたかを評価し、また調整する。科学者のような探索の仕方をしたうえで、学んだ内容をコードファイルにまとめ、推論なしでレーザーを整列させる決定論的なスクリプトを書いています。AIが自らの能力を再帰的に高めていく未来像はAIの再帰的自己改善とは何かで3つのシナリオとして描かれています。
導入先では何が起きたか
先行導入はバイオテック、ロボティクス、量子コンピューティングなど複数分野にまたがります。共通して現れたのは、統合時間の短縮、実験の反復速度、そして稼働中の装置に対するリアルタイムの異常検知でした。
| 導入先 | 対象になった作業 | MHS導入後の結果 |
|---|---|---|
| QuEra Computing | 対象になった作業中性原子量子コンピューターのレーザー再ロック | MHS導入後の結果復帰成功率58%→99.3%、所要150秒→0.9〜14秒 |
| Carnegie Mellon University | 対象になった作業段階希釈による用量反応曲線の測定 | MHS導入後の結果従来比およそ3倍速。装置準備から曲線完成まで8時間 |
| Genentech | 対象になった作業BCAタンパク質定量アッセイの自動化 | MHS導入後の結果水は約140µL/s、粘性のあるBSA(ウシ血清アルブミン)は10µL/sへ自律最適化 |
| HHMI Janelia | 対象になった作業2光子顕微鏡リグの統合 | MHS導入後の結果起動が7プログラムの手順から1クリックへ。新規カメラ追加が数日から数分へ |
| University of Washington(UW) | 対象になった作業6台の装置の接続とqPCR(定量PCR)監視 | MHS導入後の結果ドライバー作成込みで1週間未満 |
| Tetsuwan Scientific | 対象になった作業qPCRワークフローとコンパイラー改善 | MHS導入後の結果分注精度の予測がメーカー仕様比で約12%改善 |
QuEra:一晩でスクリプトを書き換えたエージェントループ
中性原子方式の量子コンピューターでは、レーザーが原子と相互作用するために、色(周波数)を1兆分の1程度の精度で保つ必要があります。地球から月までの距離を髪の毛1本の幅で測るのに相当する精度です。温度や振動、気圧の変化でこの「ロック」が外れると、数時間積み上げた計算が台無しになります。
MHS導入前にも自動化はありました。レーザー担当エンジニア、ソフトウェアエンジニア、アルゴリズム担当、テスターの4人が数か月かけて書いたスクリプトです。人間の手順を一歩ずつ写した作りで、冒頭の58%・150秒はこのスクリプトの数字です。
QuEraはこの問題をMHS経由でClaudeに渡しました。最初に与えたのは、レーザーを再ロックするPythonスクリプトを書くという目標と、初回の試行で再ロックして30秒間保持できれば成功という定義です。そのうえで、ビームの遮断、計器の電源断によるサージの模擬、周波数のずらしといった擾乱を人為的に起こして復帰させました。この立ち上げは、初回は1〜2日、今は数時間で済むそうです。
ループは4つの役割に分かれ、それぞれ別インスタンスのClaudeが担当しました。
一晩で数百回まわった4役のループ
- 1
仮説を出す
復帰を速く確実にする変更案を考えます。
- 2
スクリプトに書く
その変更を復帰スクリプトに反映します。
- 3
実機で走らせる
更新版を実機のレーザーに対して走らせ、全ステップを記録します。
- 4
記録を読む
ログブックを読んで次に何を変えるか決め、1に戻ります。
無人のまま一晩で数百回繰り返され、朝には約6秒・96%まで到達していました。仕上がったスクリプトを同じ擾乱セットで単独評価したのが、冒頭の700回中695回、99.3%です。周波数が大きく飛んだ難しいケースで10〜14秒、単純なケースで0.9〜5.4秒でした。
QuEraの復帰スクリプトの作りの違い
導入前の線形の手順
ロックを保持する機能を解除し、チューニング制御を順に回し、都度周波数を確認します。外れていればやり直し、合っていればロックを戻します。誰かが実験室のドアを開けて気圧が動くだけで、成功済みのステップが崩れて最初から再開です。
Claudeが書いた決定木
各計器を読み、見えた値からif-thenの条件を積み上げて、擾乱の種類に応じて調整します。周波数がほとんど動いていなければ、触る制御は1つか2つだけです。人間は全部確認しないと確信が持てないので、この近道を使えません。
ロック品質の調整でも、同じ発想が効いています。サーボループ内の12個のPID(比例・積分・微分)パラメーターは相互に依存し、残留ノイズを正確に測るにはオシロスコープの波形を取ってフーリエ変換する必要があります。人間は現実的にそこまでやれないので、サーボが報告するRMS誤差を近似として使います。
Claudeは1回調整するたびに波形を取得し、一晩で数百回スペクトルを計算しました。
PIDチューニングの一晩の結果
試した実験
363回
無人稼働は16時間
残留誤差(RMS)
15.7mV→1.55mV
約10倍静かになった
19時間の連続稼働でのロック喪失
0回
専門家の調整値は1時間あたり約1.6回
位相ノイズアナライザーで独立検証したところ、両者は帯域全体で一致していました。例外は1つだけです。220kHz付近の共振で、手動チューニングのノイズがおよそ1,000倍大きく残っていました。RMS誤差を近似に使う調整が、まさにこの種の見落としを生みうる例です。
Carnegie Mellon:相性の悪い3台のPCを1つの見え方に揃える
CMUの構成は、統合の難しさが際立っています。1台目のPCがロボットアームを動かしますが、制御はAPIではなく、投入用ディレクトリにジョブファイルを置くスケジューリングソフト経由です。2台目は古いWindowsのActiveX/COMスクリプト経由で液体分注機を動かし、USB接続の監視カメラも担当します。3台目のプレートリーダーに至っては、プログラム用のインターフェースがまったくなく、画面上のGUIしかありません。
MHSはこの3台を、状態(プレートが3番の位置にある、試料が25℃である、といった条件)と手続き(吸引や振盪などの操作)の1つのマニフェストに変換します。下で動いている制御様式が何であれ、モデルから見える形は同じになります。GUIしかないプレートリーダーは、MHSが人と同じように画面を操作します。
実験の流れは導入前と同じで、動かす主体だけが変わりました。分注機が希釈系列を作り、カメラがプレートの有無と向きを確かめてから移送が許可され、アームがリーダーへ運びます。測定後はモデルが曲線を見て、濃度範囲を変えて再実行するか採用するかを決めます。薬剤候補の代わりには比色色素を使っており、安全に試せるうえ、実際の用量反応と同じ判断が要ります。
装置ごとのクセもドライバー側で吸収されています。アームのスケジューラーは投入ファイル1つにつき2つのファイルを生成するため、MHSが突き合わせて1つの結果にまとめます。分注機はCOMスクリプトしか公開しておらず、使えるメソッドはベンダー資料かOpus 4.8のエージェントによる探索で見つけました。
ドライバーをゼロから書き、Claude Opus 4.8のエージェントがプロトコル全体を自律実行するオーケストレーション層まで含めて、所要はおよそ8時間でした。ベンダーに依頼して動く自動化環境を受け取る場合、通常は数週間かかります。安全側の検証も行われていて、プレート欠落、プレートの回転、リーダーの使用中、カメラの切断、装置への到達不能、非常停止の作動という6条件を人為的に発生させたところ、装置が動く前に6件とも遮断されました。
この8時間という数字には制約が伴います。分注は1サイクルにおよそ4〜5分かかり、分注量の許容誤差は5%で、これを超えると得られた曲線そのものが使えなくなります。
実験そのものも自律的でした。1回目は最高濃度200µg/mLで走らせ、高濃度側が飽和して、当てはまりの指標R²が0.9を下回りました。エージェントはプレートを破棄し、上限を100µg/mLに圧縮して新しいプレートで再実行すると自分で判断しています。2回目はR²が0.98を超え、人の入力は一度もありませんでした。装置1台ずつに書き起こしたドライバーは標準化のうえ公開される予定で、同じ機種を使う他の研究室は統合作業をやり直さずに済みます。MHSは各装置の純正ソフトの上に載る層で、追加の自動化ソフトは要りません。次の段階では色素を実際の薬剤候補に替え、高リスクな判断で人の承認をいつ求めるかの手順も詰めるとのことです。
Genentech:できたことと、できなかったこと
GenentechはBCAタンパク質定量アッセイ、つまり試料中の総タンパク質濃度を測る標準手順を対象にしました。液体分注機、ロボットアーム、マイクロプレートリーダーの3台をClaudeが統括します。
最初の実行では、水のような水溶液と粘性のあるタンパク質溶液に同じ流速を選んでしまい、粘性側に気泡が生じて分注精度が崩れました。そこで専門家が定めた流速の範囲を探索させ、色素を使った試験分注と吸光度測定を繰り返させます。専門家が同じプレート上で行った「正解」の分注が与えられ、Claudeは自分の結果との差を最小化するよう求められました。到達したのは水で約140µL/s、BSAで10µL/sでした。正解の分注とのずれの大きさを表すRMSEは、それぞれ0.016と0.181です。自動化の専門家が妥当と確認した値です。実行中にはチップの取得失敗や液面検出のエラーも起きましたが、自力で復帰しています。
限界も同じ実験ではっきり出ました。気泡が原因の実行時エラーに直面したとき、Claudeは同じウェルでパラメーターを変えて再試行しようとします。それは液体をさらに撹拌し、気泡を増やすだけでした。気泡は見た目以上に厄介で、40µLを吸う手順でも気泡があれば実際の移送量は減ります。液面センサーは泡を液体と取り違えてエラーを出し、最終の光学測定も歪みます。エラーコードが物理的な気泡に由来すること、きれいなウェルに移して混合回数を減らす必要があることを人が教えて、はじめて正しい対処に向かいました。一度伝えれば、その文脈は実行の最後まで保たれています。この知見は再利用可能なスキルとしてまとめられ、液体の性質に応じた既定値を選べるようになりました。
Janelia・UW・Tetsuwan:装置を足す作業と、装置をまたぐエラー回復
HHMI Janelia Research Campusでは、Ahrens研究室のVirginie Ruettenが、7つのベンダープログラムを決まった順番で起動しなければ始まらなかった顕微鏡リグをMHSで統合しました。装置ごとの点対点の接続が、共有メモリー上の1つの辞書に置き換わっています。ビーム位置を撮るカメラを新たに足したときの作業は数分で終わり、出力をミラー制御にそのまま返せるようになりました。実験の開始は7手順から1クリックです。Ruettenはエージェント用の簡単なハーネスも書きました。リグ全体の状態が標準辞書にあるので、エージェントは7つのベンダーAPIを個別に叩かず、1つの窓口で変数を読み書きできます。MHSが装置レベルの安全上限を強制するため、レーザー出力の上げすぎで蛍光分子が退色する事故も心配せずに済む、というのがRuettenの説明です。固定設定では見落とす振動する細胞集団を見つけられ、再実験と使う動物の数が減りました。同キャンパスのArco Bastが、リグ全体の状態を共有メモリーの標準辞書に置くという着想を持っていたことが、MHSそのものの出発点でもあります。Bastの顕微鏡は最初にMHSで動いたリグで、Claudeがビームの整列と光学系の調整を行い、センサーで自分の結果を検証します。半日かかっていた手動のセットアップは1ステップになりました。Magdalena SchneiderとHari Shroffのチームは、発生中のC. elegans胚を撮る光シート顕微鏡で、撮像条件のトレードオフをClaudeがリアルタイムに決める制御に使っています。
University of WashingtonのBaker/Pinglay研究室では、博士課程のZihao Songが6台の装置を1週間未満で接続しました。ドライバーの記述時間を含めての数字です。つないだ装置は状態を1つのダッシュボードに集約し、ノートPCから、あるいは携帯電話からエージェントに尋ねる形でも、研究室に入らずに全体を確認できるようになりました。背景には検証コストがあります。タンパク質の設計は最小0.01ドル程度まで下がった一方、実験台での検証は1候補あたり約100ドルと1週間の作業がかかり、一度に1,000候補を試します。PCR工程は一度に1枚のプレートしか扱えず、90分ごとの入れ替えが必要でした。構築したのは2つです。1つはqPCRの増幅曲線をエージェントが監視し、頃合いを見て停止するかどうかを研究者に確認したうえで反応を止め、4℃保持に進める仕組み。もう1つがLeRobotベースのオープンソースロボットアームによるプレート受け渡しです。分注完了の信号を受けてから約10秒後にアームが動き、繰り返しの試験で両者が衝突したことは一度もありませんでした。
Tetsuwan Scientificは自社のラボ自動化プラットフォームResearchOSにMHSを組み込みました。使い先は、カリフォルニア州San Pedro Creekの汚染源をqPCRで調べる市民科学プロジェクトです。特徴的なのは装置横断のエラー回復です。qPCRのmaster mixは粘性が高く、分注すると泡が立ちやすい試薬です。そこでClaudeがMHS経由でカメラを操作して移送ごとに撮影し、画像認識アルゴリズムで気泡や泡を検出します。ロボットアームが持つチューブの中にカメラが気泡を検出したとき、アーム単体では対処できません。ResearchOSがMHS接続された装置をネットワーク上で探し、Claudeが「遠心機に移して低速で短時間回す」という手を提案してSlackで人に伝え、そのまま遠心機へコマンドを出しています。
この層があることで、プロトコルはハードウェアに依存しない書き方のままで済みます。遠心の強さと時間だけを書いておけば、ResearchOSがMHS経由で対応する遠心機を探し、そのドライバーの作法を読み、その機種が受け取れるパラメーターへ換算します。ローターの回転数しか受け付けない機種なら、力をローター半径で割る、といった変換です。プロトコルを書いた人は、どの遠心機が使われたかも、どう換算されたかも知らずに済みます。
コンパイラー改善の実験も走らせています。9,143回の分注、300種類の転送タイプ、4種類の液体にわたる1,508条件を測定しました。複数回分注の精度予測は、メーカーの技術仕様よりおよそ12%正確になっています(45回中31回で上回り、符号検定でp≈0.001)。反復数の多いデータでは約17%です。
San Pedro Creekの予備データでは、ヒト由来のBacteroides用マーカー(HF183、BacH)だけが明確に増幅し、他の宿主に特異的なマーカーは検出されませんでした。主な汚染源は人間だとする地元の市民団体San Pedro Creek Watershed Coalitionの見解と整合する、初期の結果です。
立場によって効き方は大きく分かれます
MHSは今のところ、装置を持っている現場の話です。
| 立場 | 効き方 | 理由 |
|---|---|---|
| 装置を手作業で回している研究室 | 効き方明確な恩恵あり | 理由Janeliaでは装置1台の追加が数日から数分に、CMUでは3台のPCにまたがる装置群の統合が数週間から8時間になりました |
| 装置ベンダー・ラボ自動化ベンダー | 効き方条件次第 | 理由対応の動きは始まっていますが、自社製品への実装判断が前提になります |
| すでに高価な統合済み自動化ラボを持つ組織 | 効き方条件次第 | 理由スケジューラー方式との併存設計が要ります。柔軟性と引き換えの投資が済んでいる場合、差分は小さくなります |
| プログラマブルな接点を持たない装置の利用者 | 効き方現時点ではほぼ影響なし | 理由発表本文では対象外です。GUIだけの装置をCMUが画面操作で駆動した例はあり、メーカー側のドライバー実装も進んでいます |
| 物理装置を扱わない開発者 | 効き方ほぼ影響なし | 理由ただしMCP経由で到達できる設計のため、エージェント設計の語彙としては接点があります |
ハードウェアベンダー側の動きも具体名で出ています。Amazon Web Servicesは物理デバイス接続ライブラリStrands Robotsを通じて対応する予定で、プレビュー期間中は参加者に事前公開版を提供します。Automataはラボ自動化プラットフォームLINQに、Tecanは分注プラットフォームFluentに、それぞれMHS対応を追加中です。MBF Bioscienceは世界の神経科学ラボで使われるレーザー走査型顕微鏡ソフトScanImage向けのドライバーを構築しています。
検証段階にとどまる顔ぶれもあります。QIAGENは核酸精製プラットフォームQIAsymphony Connectで概念実証を進めています。Doosan Roboticsはロボットアームでの検証、Universal Robotsは自社プラットフォームへの対応を計画中で、Danaherとは適用範囲の検討が進んでいます。
すでに採用へ動いている企業もあります。Hugging FaceはロボティクスライブラリLeRobotへのMHS対応を追加中です。Raspberry PiもCamera MHS Driverでの試験を終え、複数製品へのMHS統合に入った初期採用組です。
背景:装置がつながらない問題はどこから来たか
ラボの装置が互いに話さないのは、今に始まった話ではありません。1960年代から、分注、封止、振盪、ラボウェア(実験用器具)の搬送といった作業をこなす自動機械は存在してきました。それでも生物学実験の大半は今も手作業です。
理由は経済です。実験の構成は毎回変わります。試料数、プレート形式、条件数、希釈系列の深さ、培養時間、測定点の数。1つの構成を自動化ワークフローに翻訳する作業には自動化エンジニアという専門職が要り、数週間から数か月かかります。だから自動化は、同じ手順を数十万化合物に適用するハイスループットスクリーニングのような、巨大な繰り返しがある場面でしか元が取れませんでした。
装置間の配線も同じ壁にぶつかります。ベンダーごとにソフトウェア、データ形式、ドライバーが異なり、記述言語すら揃いません。Janeliaの顕微鏡リグでは検出器がMATLAB、カメラがPython、電気生理がC#で動いていました。一方のプログラムが持つステージ位置を、もう一方は知りません。橋渡しのコードを書くか、信号を物理的に中継するDAQボードという装置をもう1台足すか。University of Washingtonの見積もりでは、装置をつなぐ作業に数か月から数年、費用は数千ドルから数百万ドルの幅があり、多くのラボには手が届きません。
MHSの起点は、この痛みの当事者でした。Janeliaのポスドク研究者Arco Bastが、共通インターフェースを持たない複数ベンダーのレーザー・電動フォーカサー・特殊カメラを組み合わせたリグで脳イメージング実験を回していました。装置同士がメモリー速度で通信できる共有メモリー辞書を作ったのが起点です。AnthropicのBeneficial DeploymentsチームのAlek Kemenyと組んで、そのインターフェースにAIモデルを統合したのが現在のMHSです。
MHSはMCPを物理世界側へ延ばした標準か
MCPの物理版、という言い方はあまり正確ではありません。MHSにとってMCPは制御経路の3つのうち1つで、他にCLIとコードファイルがあります。MCPが担うのはエージェントとソフトウェア・データの間の接続で、MHSが解こうとしているのは装置の状態管理と安全上限の強制という別の問題です。
標準の育て方には共通点があります。モデル非依存で設計し、初期からパートナーの実装を並走させる形です。ただしMHSは、先にリサーチプレビューでパートナーと安全性評価を作り、そのうえでオープンソース化する順序を取っています。物理装置を動かす標準では、仕様の使い方を誤ったときの損害がソフトウェアと違うことが、この差に効いていそうです。MCPと同じく、自社モデルの優位より接続層の共通化を先に置く設計です。
Anthropicの科学領域への投資という文脈でも位置が見えます。2026年6月30日には研究者向けワークベンチClaude Scienceがベータ提供を開始しました。60を超えるスキルとコネクターで、文献解析から解析コード実行までを1つの環境に収めています。エージェントが生物学の道具を使いこなせるかはウイルス配列取得を99.7%まで揃えた研究でも検証されています。ソフトウェア側とデータ側を固めたうえで、残っていたのが装置側でした。物理的な身体性という点では、四足歩行ロボットとヒューマノイドを対象にしたロボティクス評価Embodyが近い系譜にあります。
University of Washingtonの事例に繰り返し現れるのがClaude Codeである点も、この標準の性格を示しています。qPCR監視も、プレート受け渡しの調整も、Claude Codeが装置を動かしています。Anthropicも、多くの開発者がすでにClaude Codeで個々の物理装置を扱っていると書いています。研究者向けの専用アプリではなく、開発者が日常的に使っているエージェントがそのまま実験装置につながる形です。
現時点で埋まっていない部分
技術的な限界も、事例は隠していません。大規模言語モデルが物理世界を学ぶ経路はテキストと画像で、空間的・物理的な推論には限界が残ります。だからGenentechの気泡のように、ソフトウェアのバグではなく物理的な失敗だと人が指摘しなければ抜け出せない場面が生じます。専門家の監督は依然として要ります。
対象装置の線引きは、発表本文とCMUの報告で書き方が違います。発表本文は、プログラミング用インターフェースを持たないハードウェアには未対応で、メーカーと組んでドライバーを組み込んでいくと述べています。CMUの報告は、API・SDK・GUIのいずれかがあれば統合できると書き、APIを持たないプレートリーダーをGUI操作で動かしました。QuEraの実験では別の摩擦も出ました。物理的なハードウェアに問題が起きたとき、Claudeは装置をプログラム越しにしか理解していないため、切り分けができません。少しでも危険と判断した操作の前で人の承認を待って止まり、実験が一晩中止まったこともあります。慎重すぎるエージェントのほうが、慎重さの足りないエージェントよりましだ、というのがQuEra側の評価です。加えて、何をしてほしいのかをClaudeに正しく伝えるための文脈を大量に用意する必要がありました。
University of Washingtonの事例は概念実証の段階で、複雑なプロトコルを確実に動かすには相当な最適化が要ります。長い監視の窓でエージェントを走らせ続ける計算コストも、節約できる研究者の時間と天秤にかける必要があると指摘されています。無人で一晩回すという運用は、その計算が合う場面から入ることになりそうです。
まとめ
自分の現場に当てはめるなら、見るのは接続したい装置の台数と、それぞれがAPI・SDK・GUIのどれを持つかです。台数が増えるほど、統合コストが積み上がらない設計の効きが大きくなります。
もう1つの手がかりはQuEraの形です。エージェントに一晩探索させ、人が検査できる決定論的なスクリプトを受け取るやり方は、実機の量子プロセッサーへの展開こそこれからですが、エージェントなしで本番運用できる形のスクリプトが得られました。常時判断させ続けるPIDチューニングのような運用では、UWが挙げた計算コストやQuEraで起きた承認待ちの停止も織り込む必要がありそうです。