Anthropic 发布 MHS，让 AI 智能体直接操控真实的实验室与工厂设备

Anthropic 周四开放了模型硬件标准（Model Hardware Standard，MHS）的研究预览。这套规范为 AI 智能体提供了一个统一接口，用来操作实验室和制造业中的物理设备 —— 包括显微镜、液体处理工作站、机械臂和量子激光系统 —— 而不必为每台设备单独编写集成软件。这次发布标志着 Anthropic 首次明确进入物理 AI 领域，把当年推动其 2024 年模型上下文协议（MCP）被广泛采用的那套架构逻辑，从软件领域延伸到了硬件世界。包括基因泰克和量子计算公司 QuEra 在内的五家合作机构，已经在受控实验中用上了这套标准，并报告了具体的效率提升 —— 同时也更清楚地勾勒出：当物理现实给出意料之外的结果时，今天的 AI 模型还差在哪里。

延伸阅读：Claude Code 的 SendFeedback 工具，让 AI 自己起草会话失败报告

为什么硬件集成一直是瓶颈

搭建一个多设备的自动化实验室，历来是一项以月而非以天计的工程项目。每台仪器 —— 这家厂商的液体处理工作站、那家厂商的机械臂、第三家厂商的酶标仪 —— 都自带专有的编程接口、自己的数据格式，往往还有自己的编程语言。要让这些设备互相通信，更不用说把数据递给一个能据此行动的 AI 模型，历来都需要专门的自动化工程师为每一对仪器组合写定制的转换脚本。华盛顿大学 Baker 实验室的一位博士生在 Anthropic 的文档中这样描述当前的处境：「典型的工厂产线可能把同一套流程跑一万遍，而我的实验室一年跑几十套流程，其中一半还是新的。」把六台仪器接到同一个编排层上，过去要耗掉数周，每台设备都伴随着找厂商技术支持和写胶水代码。

MHS 是在驱动层而非协议层解决集成问题的。每台设备暴露一个 MHS 驱动 —— 一层把设备原生接口翻译成标准「读」「写」原语词汇的软件。像「读取温度」或「设置温度」这样的命令，被表达成任何 AI 智能体都能生成的形式，而无需了解设备底层 API 是怎么组织的。更关键的是，驱动还会用自然语言标签编码机器的特性 —— 机械臂的重量、最大速度、碰撞边界 —— 让 AI 智能体能够读取并据此推理，从而在不查纸质手册的情况下操作它从未接触过的设备。

一旦设备以这种方式被描述出来，并在局域网内可被发现，AI 智能体就能查询有哪些仪器可用、读取它们的当前状态、下达命令、接收遥测数据 —— 全部通过同一个接口，与厂商无关。一个共享的内存状态字典 —— 这套架构由霍华德·休斯医学研究所 Janelia 研究园区的博士后科学家 Arco Bast 为他的脑成像装置开发 —— 把所有设备状态同时存放在一块每个已连接程序都能读取的内存区域里，彼此之间无需点对点集成。据Anthropic 的发布文章，其结果是：给一套显微成像装置新增一台相机，可以从耗时数天的工程项目缩短到几分钟。

对于那些运行时间较长、让智能体持续推理会太慢或太贵的任务，MHS 允许智能体把一串硬件命令打包成一个代码文件 —— 一个由设备自主执行的确定性脚本，模型无需在每一步都参与推理。QuEra 的激光系统最终就是这样进入生产部署的：Claude 通过通宵的迭代测试开发出一套恢复控制器，然后把学到的东西浓缩成一份可供检查的 Python 脚本，在生产环境中运行，回路里不再有任何模型。

合作方的结果究竟说明了什么

技术分量最重的早期成果来自 QuEra Computing，这家公司制造中性原子量子计算机。中性原子量子机器用激光来俘获和操控单个原子；激光必须把频率稳定在约万亿分之一的精度上 —— 相当于把地月距离测量到一根头发丝的宽度以内 —— 量子操作才能正常工作。温度变化、振动、气压波动等环境扰动，会经常把激光推离目标频率，造成「失锁」并中断计算。QuEra 的四名工程师花了几个月写了一套定制的 Python 脚本来自动恢复，但据Anthropic 的文档，那套脚本的成功率只有约 58%，每次尝试还需要约 150 秒 —— 因为它自动化的是人类工程师会走的那条同样的线性流程，也就继承了同样的脆弱性：流程中途一旦受扰，整个过程就得重来。

而 Claude 在通过 MHS 拿到激光系统的访问权限、并被赋予「写一个 100% 有效的 Python 恢复脚本」这个目标之后，跑的是另一种过程。它没有遵循固定流程，而是通宵运行了数百种人为诱发的扰动场景 —— 挡住光束、切断仪器电源、把频率偏移不同幅度 —— 并把观察到的结果转化成一棵决策树：先读取仪器状态，然后只执行读数模式所指示的、真正需要的那几项控制。简单的扰动只需碰一两个控制项；而人类操作员必须把所有控制项都过一遍，因为要确定某一项是否正确，唯一的办法就是去检查它。Claude 靠着比任何操作员都快地跑扰动，找到了那些捷径。在一次包含 700 次随机扰动的盲测中，最终脚本正确恢复锁定 695 次 —— 成功率 99.3% —— 简单情形在 6 秒内解决，最难的情形也只要 10 到 14 秒，而人工恢复需要 5 到 10 分钟。QuEra 随后用类似的通宵循环，调校了维持锁定质量的伺服回路中 12 个相互依赖的 PID 参数，把残余噪声从 15.7 mV 降到 1.55 mV —— 大约安静了 10 倍 —— 同时激光在一次持续 19 小时的测试中保持锁定，一次未失。

在基因泰克，研究人员用 MHS 自动化了二喹啉甲酸（BCA）蛋白质定量法 —— 这是一项通过协调液体处理工作站、机械臂和酶标仪来测定总蛋白浓度的标准流程。难点在流体动力学：水溶液和牛血清白蛋白这类黏稠的蛋白样品，在液体处理工作站所用的移液压力下表现并不相同，必须先确定各自的最佳流速，结果才可靠。Claude 自主完成了用染色液体做的试移液，从酶标仪读取吸光度来评估准确度，把结果与专家手工完成的基准移液作对比，如此迭代，最终收敛到水约 140 µL/s、BSA 约 10 µL/s 的流速 —— 基因泰克的自动化专家确认这两个参数是正确的。这个优化过程通常需要自动化专家为每一组参数手写定制逻辑，而这次是自主跑完的。Claude 还在无人干预的情况下，从吸头拾取失败和液面检测错误中恢复了过来。

在卡内基梅隆大学，研究人员用 MHS 跑倍比稀释的剂量-反应实验 —— 确定候选药物剂量的关键一步 —— 速度比以往快了约三倍，由一个 AI 智能体编排分布在三台计算机上、运行三套彼此根本不兼容的控制软件环境的四台仪器。其中一台酶标仪压根没有 API；MHS 就像人一样去驱动它的图形界面。当智能体发现第一次稀释运行出现了饱和伪影（R² 低于 0.9）时，它自行弃用了那块板，调整了浓度范围，换新板重跑实验，在没有任何人类输入的情况下拿到了一个可靠可用的结果（R² 高于 0.98）。这套完整的四仪器系统集成耗时：八小时 —— 而厂商提供的自动化方案通常需要数周。

霍华德·休斯医学研究所 Janelia 的研究员 Virginie Ruetten，用双光子显微镜研究睡眠如何影响斑马鱼生理。她把一套此前需要七个独立厂商程序（按固定顺序启动，彼此互不知情）的实验装置，统一进了单一的 MHS 界面。启动一次实验，从七步手动启动流程变成了在 MHS 面板上点一下。Anthropic 还报告称，此前一项 HHMI 的成像实验，借助 MHS 协调的硬件，把周期从数周压缩到了一天 —— 不过详细的案例研究着重于界面集成，而非这一具体的时间对比。

标准化这步棋：MHS 之于物理硬件，正如 MCP 之于软件

把 MHS 与 MCP —— Anthropic 2024 年 11 月开源的软件领域协议 —— 并排来看，其战略逻辑就清晰了。MCP 解决的是软件世界的 N×M 集成问题：在它之前，把一个 AI 模型接到 n 种不同的数据源或软件工具上，需要 n 个各自定制的连接器；MCP 提供了一个通用接口，把它降到了 1×M。大约 18 个月内，MCP 就成了 AI 开发生态里事实上的标准，主流数据库、开发者工具和企业软件厂商纷纷提供 MCP 支持。

MHS 把同一套架构论证套用到了物理硬件上。Anthropic 有益部署负责人 Elizabeth Kelly 在发布时对 CNBC 表示，公司构建 MHS「是为了让科学界看到 AI 的潜力，但这里对企业和产业也有巨大的好处」。这套标准明确是模型无关的 —— 它把 MCP 本身用作三条控制通路之一，另外两条是命令行接口和代码文件，也就是说没有哪个智能体必须使用 Claude 才能从 MHS 受益。这种模型无关性与 MCP 的设计如出一辙，几乎可以肯定是有意为之：一个必须用 Claude 的标准，只会招来与之竞争的平行标准；而一个中立的开放标准，招来的是采用。

Anthropic 已经把硬件制造商招募进了研究预览，并宣布计划在预览期产出足够的安全评估之后开源 MHS。包括帝肯（Tecan）、凯杰（QIAGEN）、丹纳赫（Danaher）、优傲机器人（Universal Robots）、斗山机器人（Doosan Robotics）以及 AWS（通过其 Strands Robots 库）在内的公司，正在积极为自家产品构建 MHS 驱动支持。当一家硬件制造商构建 MHS 驱动时，它采纳的就是 Anthropic 的规范 —— 与当年让 MCP 成为软件-AI 规范接口的，是同一套动力学。对 Anthropic 而言，价值主要不在授权费或产品本身，而在架构层面的影响力：如果 MHS 成为 AI 智能体触达物理设备的标准接口，那么物理 AI 互操作性的最底层，就是由 Anthropic 定义的。

延伸阅读：Claude 收入突破 650 亿美元，Anthropic 瞄准史上最大规模 IPO

物理直觉的缺口，仍然卡住了 Claude

这次研究预览之所以被设计成一场安全优先的协作，部分原因正是基因泰克和 QuEra 的结果暴露出了一个基准分数捕捉不到的结构性局限。当基因泰克的实验在混匀过程中让蛋白溶液起了泡，Claude 的默认反应是在同一个孔里换参数重试。而重试只会进一步搅动液体，泡沫更严重了。Claude 没有对这次失败建立物理模型：黏稠流体被过于剧烈地混匀时会起泡，正确的补救是换到一个干净的孔并减少混匀循环次数，而这不是软件错误，是一个流体动力学问题。基因泰克的研究人员不得不把这层解读喂给它；喂进去之后，Claude 在这次运行的剩余部分都用上了它，Anthropic 随后也把这条经验固化成了可复用的液体处理技能，供未来部署使用。

QuEra 团队遇到的是同一缺口的另一种表现。案例研究写道，Claude「在执行任何它认为哪怕只是稍有风险的动作之前，常常会停下来等待人类确认」—— 从安全角度看这是正确的行为，但也意味着通宵的实验运行可能会为了等一个人类操作员本不认为有必要的回应而暂停数小时。用它自己的话说，这个智能体对整套装置的理解是「程序性的，而非物理性的」：它知道仪器接受哪些命令，却不知道在超出自身经验的条件下它们会如何表现。

逻辑推理与物理直觉之间的这道缺口，是把当前 AI 智能体与完全自主的实验室运行分隔开的首要技术边界。Claude 能读取参数、从观察到的模式中构建决策树、写出确定性脚本 —— 这些能力已经在上述结果中带来了可度量的价值。它在没有人类指导时做不到的，是从第一性原理推断出一次意外失败的物理成因：液体为什么会起泡、压力变化如何在光学系统中传播、某种特定的传感器噪声模式意味着仪器的机械状态如何。Anthropic 在发布文章中直接承认了这一点：「作为一个大语言模型，Claude 是通过文本和图像来认识物理世界的，这意味着它的空间与物理推理存在局限，仍然需要专家监督。」

老旧硬件、成本，以及监管真空

有三重约束限定着 MHS 近期能触及的范围，而实验室宣传照片往往不会展示这些。

第一是硬件兼容性。MHS 只能用于具备可编程接口（API、SDK 或可操作的图形界面）的设备。科研仪器存量中有很大一部分 —— 尤其在学术环境里 —— 是没有任何可编程 API 的老旧设备。Anthropic 正在与制造商合作，为未来几代产品加上 MHS 驱动，但这帮不到已经在用的存量仪器。对于换不起在用设备的实验室来说，MHS 的集成优势并不适用。

第二是算力成本。把 AI 智能体当作持续在岗的实验室监督者来运行 —— 查询仪器、接收状态更新、对结果进行推理、下达调整后的命令 —— 需要持续的 API 调用，也就产生持续的费用。华盛顿大学的案例研究明确提示了这一点：「在长时间监控窗口内持续运行一个智能体，其算力成本也需要与省下的研究人员时间放在一起权衡。」对自动化预算充裕的大型制药实验室而言，这笔账可能立刻就划算。而对那些效率提升潜力最具变革性的、经费不足的学术实验室来说，这个成本结构在规模化时可能高到承受不起。

第三是完全没有针对 AI 直接操控物理设备的监管框架。MHS 的配置文件会指定安全上限 —— 机械臂最大速度、温度上限、操作包络 —— 并由驱动强制执行。但如果这些文件写错了，或者 AI 智能体下达的命令单独看都在限内、合起来却造成了不安全的状态，责任由谁承担这个问题完全悬而未决。目前没有任何法规专门涉及 AI 到硬件的控制标准。Anthropic 正在制定一份它称之为「物理安全路线图」的东西，将在 MHS 开源之前发布，但预览期本身，运行在一套仍在制定中的指引之下。

开源时间表改变了什么

Anthropic 的 MCP 从第一天起就以开源形式发布，18 个月内被广泛采用。而 MHS 是以封闭的研究预览形式启动的，开源发布被推迟到 Anthropic 及其合作方为 AI 直接操控的物理设备建立起安全评估与最佳实践之后。这种顺序反映的是风险性质上的实质差异：一个行为失常的软件工具，损坏的是数据或产出错误输出；一个行为失常的物理硬件控制器，可能损坏设备、毁掉无法复得的实验样本，或者伤到人。

标准一旦开源，任何硬件制造商都能实现 MHS 驱动，任何 AI 模型或智能体框架都能使用它。因此，这次研究预览真正的交付物，与其说是技术本身，不如说是将随开源一同发布的安全文档与评估方法学 —— 那一整套测试、限制和治理结构，让制药生产这类受监管行业里的机构，能够在清楚其失败模式的前提下，放心地把 MHS 部署到生产环境中。

过去两年，智能体 AI 一直在证明模型能够以越来越高的可靠性做规划、写代码、使用软件工具。MHS 想要回答的问题是：这些同样的能力，能否干净利落地迁移到物理层 —— 而最初的结果提示的答案是「部分能，而且有用，但离不开一个懂物理的人」。这道缺口究竟是在模型能力上、在具备物理感知的训练数据积累上，还是在专门构建的世界模型的发展上收窄得更快，将决定自主实验室从一个引人注目的研究预览，走到实际部署的运营现实，需要多久。