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2026年发布Model Hardware Standard（MHS）研究预览，提供与硬件无关的统一驱动和协议，使AI代理能协调操作显微镜、液体处理器、机械臂等可编程设备。该规范尚处研究预览阶段，Anthropic将完善安全评估与部署实践后再考虑开源并推动产业生态融合。

Anthropic于2026年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。这套与具体硬件厂商无关的共享规范，试图让AI代理通过统一的软件驱动和协议，同时操作显微镜、液体处理器、机械臂等可编程设备。

Anthropic表示，MHS的目标不是让某一种模型绑定某一类机器，而是把原本彼此不兼容的设备接入同一个控制层。公司称，实验室或制造设施通常需要数周、甚至数月才能完成硬件集成；在部分早期项目中，MHS将这项工作缩短到数小时或数分钟。

但这项技术目前仍只是研究预览，并非已经正式开源的行业标准。Anthropic表示，它将在进一步完善安全评估和部署实践后，再把MHS开源。

从“翻译器”到统一控制接口

在传统实验室中，不同厂商的设备通常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，往往需要编写定制化的“胶水代码”，并分别处理设备之间的数据和控制逻辑。

MHS引入了一套标准化驱动程序，在计算机操作系统与硬件设备之间进行翻译。驱动以“读取”和“写入”等基础操作为核心，例如读取温度，或设定温度；同时，它会以统一格式描述设备的能力、可调参数和安全限制。

Anthropic称，MHS还允许用户用自然语言为设备添加标签，记录代码本身不一定能够表达的信息，例如机械臂的重量和运动限制。系统随后可生成设备参考文件，让AI代理了解设备能够测量什么、哪些参数可以调整，以及哪些安全边界必须遵守。

代理可以通过Model Context Protocol（MCP）、命令行界面和代码文件，也就是API，控制这些设备。对于需要长时间运行或高频执行的任务，代理还可以把已经探索出的步骤写成确定性脚本，使设备不必在每一个动作上等待模型重新推理。

Anthropic在官方公告中描述了一个激光校准案例：Claude先调整激光，再通过摄像头观察光束变化，反复探索动作与结果之间的关系，最后将学到的步骤封装为可以单次运行的代码。

早期项目集中在生物实验、显微镜与量子计算

Anthropic披露的早期合作方包括Genentech、华盛顿大学、卡内基梅隆大学、HHMI Janelia研究园区和QuEra等机构，应用范围横跨生物技术、机器人和量子计算。

在Genentech，研究人员把MHS用于BCA蛋白检测概念验证，使液体处理器、机械臂和读板机能够协同完成实验流程。华盛顿大学Baker和Pinglay实验室则使用MHS远程监控仪器、监督qPCR流程，并协调机械臂与液体处理器进行无碰撞的样品板交接。

卡内基梅隆大学的研究人员利用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，这类实验的速度约为此前的三倍。

在HHMI Janelia，研究人员将一套过去需要依赖七种不同厂商程序的显微镜设备统一起来。QuEra则让AI代理控制中性原子量子计算机中的部分激光系统。Anthropic称，代理开发的控制器在没有人工干预的情况下，恢复激光锁定的成功率达到99.3%。

这些数字属于早期项目结果，且由Anthropic披露，不能直接视为在不同设备、实验室或生产环境中的普遍性能保证。具体实验条件、样本规模和长期运行表现，还需要更多独立验证。

硬件厂商正在尝试加入支持

MHS的参与者不只包括研究机构。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。

在软件生态方面，Hugging Face计划将MHS支持加入LeRobot机器人库，树莓派则在测试Camera MHS Driver。若这些尝试持续推进，MHS未来可能不只是一套由单一AI公司维护的接口，而会成为连接模型、设备驱动和实验工作流的共同标准。

不过，标准能否形成生态，仍取决于硬件厂商是否愿意公开足够的设备信息，以及不同机构能否在安全边界、权限分配和责任认定上达成一致。统一接口可以降低集成成本，但并不会自动解决设备故障、错误操作或实验过程中的物理风险。

AI进入物理世界后，安全问题更加具体

Anthropic承认，Claude仍然主要通过文本和图像学习物理世界，因此在空间判断和物理推理方面存在局限，需要专家监督。公司举例说，在处理蛋白样本时，Genentech研究人员必须引导Claude认识到，样本起泡造成的问题是物理故障，而不是软件错误，解决方法也必须是相应的物理处理。

这意味着，MHS的安全边界不能只依赖模型是否遵守指令，还需要覆盖设备本身的限制、人工审批、运行日志、异常停止和故障恢复。此前AI代理在真实软件环境中暴露出的权限和隔离问题，也为物理设备接入提供了警示。AIFlux此前对Hugging Face一次AI代理入侵事件的技术时间线显示，当代理能够持续调用工具、使用凭证并在不同环境之间移动时，传统的单次请求审查可能并不足够。

类似的担忧也出现在机器人领域。Google DeepMind近期发布的Gemini Robotics 2同样把重点放在多机器人协作、物理环境理解和分层安全上。两条路线的差别在于，Gemini Robotics 2主要面向机器人本体的感知与动作，而MHS更像是试图为各种实验室和制造设备建立共同的连接与控制层。

Anthropic表示，它将在研究预览阶段与合作伙伴共同建立更多安全评估和部署最佳实践，并制定面向物理世界的安全路线图。公司计划在未来开源MHS时，一并发布研究预览阶段的发现和安全部署指导。

这使MHS的意义暂时不只在于它能否把实验做得更快，也在于它能否回答一个更基本的问题：当AI代理从屏幕上的软件工具走向真实的机器、样本和生产流程时，行业是否能够在扩大自动化范围的同时，保留足够清晰、可审计和可回滚的控制边界。

来源：Anthropic官方公告；交叉参考报道：TechCrunch。