Anthropic推出 Model Hardware Standard 研究预览：AI代理开始协同操作实验室与制造设备
Anthropic 于 8 月 27 日推出 Model Hardware Standard (MHS) 研究预览，旨在为实验室与先进制造设备提供统一驱动与控制接口，使 AI 代理能够协同操作显微镜、液体处理器、机械臂等硬件。该规范仍处于研究预览阶段，Anthropic 将与合作伙伴进行安全评估与部署实践，暂未完全开源或作为普遍生产标准。
Anthropic 于 8 月 27 日推出 Model Hardware Standard (MHS) 研究预览，旨在为实验室与先进制造设备提供统一驱动与控制接口，使 AI 代理能够协同操作显微镜、液体处理器、机械臂等硬件。该规范仍处于研究预览阶段，Anthropic 将与合作伙伴进行安全评估与部署实践，暂未完全开源或作为普遍生产标准。
Anthropic于8月27日宣布，面向首批科学研究实验室和先进制造商开放 Model Hardware Standard（MHS）研究预览。这套共享规范试图通过统一的驱动程序和控制接口，让人工智能代理同时操作显微镜、液体处理器、机械臂等可编程设备，并把实验室和制造现场原本彼此割裂的硬件接入同一个工作环境。
MHS目前仍不是已经全面开放的生产标准。Anthropic表示，公司将在研究预览期间与合作伙伴建立更多安全评估和部署实践，之后再考虑开源。早期项目中出现的性能数字，包括量子计算公司 QuEra 报告的99.3%激光锁定恢复成功率，也属于合作方项目结果，不能直接理解为适用于所有设备和生产环境的普遍保证。
MHS试图解决实验室里的“接口问题”
不同厂商生产的实验设备往往拥有各自的编程接口。研究人员如果希望让液体处理器、读板机、摄像头和机械臂协同工作，通常需要编写定制化的连接代码，并分别处理设备之间的数据格式、控制逻辑和安全限制。Anthropic称，一座实验室或制造设施完成这些硬件集成，通常需要数周甚至数月。
MHS引入的核心是标准化驱动程序。它位于计算机操作系统与硬件设备之间，以“读取”和“写入”等基础操作描述设备行为，例如读取温度或设置温度。驱动还会以统一格式记录设备能够测量什么、哪些参数可以调整，以及必须遵守哪些安全边界，使设备能够被发现，并通过网络与代理通信。
这套设计也试图把设备说明书中不容易写进代码的信息纳入控制层。用户可以用自然语言记录机械臂的重量、运动限制或其他物理特征，也可以让代理通过对话了解设备配置。系统随后生成参考文件，帮助代理理解一台此前没有接触过的设备。
在控制方式上，MHS支持 Model Context Protocol（MCP）、命令行界面和代码文件。代理可以先通过观察和试验理解设备，再把已经验证的步骤写成确定性脚本。对于长时间运行或需要高速执行的工作，这意味着设备不必在每个动作上都等待模型重新推理。
Anthropic描述的一个例子是，Claude先调整激光，再通过摄像头观察光束变化，反复比较动作和结果，最后将学到的步骤封装成可以单次运行的代码。换言之，模型参与了控制逻辑的探索和编写，但最终执行的某些流程可以转化为更容易检查的程序。
从蛋白检测到量子计算
Anthropic公布的早期合作方涵盖生物技术、显微镜、机器人和量子计算等领域。
在 Genentech，研究人员将MHS用于BCA蛋白检测的概念验证。这项流程需要液体处理器、机械臂和读板机协调工作。华盛顿大学 Baker 和 Pinglay 实验室则利用MHS远程监控仪器，监督qPCR流程，并让机械臂与液体处理器完成无碰撞的样品板交接。
卡内基梅隆大学的研究人员使用MHS协调液体处理器、读板机、机械臂和监控摄像头，进行连续稀释剂量反应实验。Anthropic称，这些实验的运行速度约为此前的三倍，设备分布在三台使用不同接口的计算机上。
在 HHMI Janelia 研究园区，一套显微镜设备过去需要依赖七种不同厂商程序，研究人员正在利用MHS把它们统一到一个可远程监控和协调的环境中。Tetsuwan Scientific则把MHS与其自动化生物实验平台 ResearchOS 结合，用于qPCR流程和加州 San Pedro Creek 污染研究。
最受关注的数字来自 QuEra。该公司使用MHS让AI代理控制中性原子量子计算机中部分激光系统。QuEra在自己的项目说明中说，控制器在七类扰动、共700次测试中成功恢复目标激光锁定695次，成功率为99.3%。最困难的情形大约需要10至14秒，而人工专家通常需要5至10分钟。
不过，QuEra的说明也揭示了这个结果的边界：MHS是AI代理进行实验、编写和验证控制器的环境，最终在设备上运行的自动重锁程序是确定性的、可检查的代码，并不是一个在运行时持续自由决策的模型。QuEra还表示，测试在预先设定的安全范围内进行，硬件接口负责执行设备边界、联锁和紧急停止。
Anthropic的官方公告没有把这项结果描述为独立的行业评测。公司同时承认，Claude主要通过文本和图像学习物理世界，在空间判断和物理推理方面仍有限制，需要专家监督。在Genentech的测试中，研究人员就必须帮助Claude判断，蛋白样本起泡造成的是物理故障，而不是可以通过修改软件解决的错误。
硬件生态能否形成共同标准
Anthropic称，亚马逊云服务将通过 Strands Robots 支持MHS，Automata计划把MHS接入其 LINQ 实验室自动化平台。Danaher、Doosan Robotics、MBF Bioscience、QIAGEN、Tecan和Universal Robots也在测试或开发相关支持。软件方面，Hugging Face计划把MHS支持加入 LeRobot 机器人库，树莓派则在测试 Camera MHS Driver。
这些合作表明，MHS的目标并不只是为Anthropic自己的模型增加一种硬件工具。如果设备厂商愿意提供足够的设备描述、控制接口和安全限制，任何能够使用标准协议的代理理论上都可以接入。也正因如此，MHS能否形成生态，最终取决于硬件厂商、实验室和模型开发者是否愿意在接口、权限和责任分配上采用共同规则。
这类“从模型到设备”的连接，也与AI进入物理世界的另一条技术路线形成对照。AIFlux此前报道的面向物理世界的AI模型重点是从空间和时间数据中预测物理演化；MHS则主要处理另一层问题：如何让代理以统一方式发现设备、调用设备，并把多个设备组织成一项工作流。
物理设备带来的安全边界
当代理只生成文字时，错误往往可以通过重新提问或删除输出来处理；当代理能够调整激光、移动机械臂、处理生物样本或改变生产设备参数时，错误可能直接造成设备损坏、样本损失或实验中断。因此，MHS的关键不只是降低集成成本，也在于把设备限制、人工审批、运行日志、异常停止和故障恢复纳入同一个控制架构。
这与近期AI代理安全工作的重点形成了联系。AIFlux此前关于OpenAI开发AI系统自动关停能力的报道显示，行业正在把监控重点从模型最后输出扩展到工具调用和行动轨迹。对MHS而言，类似的控制必须进一步落到物理设备：代理可以做什么、哪些动作需要确认、发生异常时谁能中止，以及设备能否在不依赖模型判断的情况下执行硬件级停止。
Anthropic目前并未公开MHS的完整规范、统一安全评测结果或开源时间表。公司表示，将在研究预览期间与合作伙伴建立面向物理世界的安全路线图，并在未来开源时公布相关发现和部署指导。
因此，MHS现阶段更准确的定位，是一项面向科学和先进制造的早期互操作性试验。它可能把AI代理从单一设备的自动化脚本带向跨设备的实验编排，也可能成为连接模型、驱动程序和机器人工作流的基础设施。但在规范开放、权限边界和长期运行结果得到更多独立验证之前，统一接口本身还不能等同于安全的自主操作能力。
来源
不错过任何一条 AI 大事
订阅 AIFlux 早报，每天 3 分钟看懂产业动态。
