Anthropic发布Model Hardware Standard（MHS）研究预览，试图为AI Agent与现实设备之间建立一套类似MCP的通用接口。显微镜、移液工作站、机械臂、摄像头、激光器和传感器只需接入一次，便可通过统一状态、操作指令和安全限制被不同模型发现与控制，把过去需要数周甚至数月的定制集成压缩至数小时或数分钟。早期测试中，Claude通过MHS协同完成蛋白质检测实验、实时调整显微成像、处理液体气泡故障，并将QuEra量子计算机的激光恢复成功率从58%提升至99.3%。但Anthropic同时承认，语言模型缺乏真正的物理直觉，面对泡沫、碰撞、光路和生物样本等现实问题仍需要专家监督。MHS目前只向部分实验室和制造企业开放，待安全评测完善后才会开源。它的重要性不只是“Claude会操作机器”，而是AI Agent正在从读取软件、调用API，进一步走向能够观察、干预和反复试验的物理世界。
文章作者、来源：Anthropic
AI Agent进入物理世界，首先遇到的不是智能问题
Claude已经可以阅读论文、分析数据、生成研究假设和编写实验代码，但当研究走到“真正操作设备”这一步，AI通常会被挡在现实世界之外。
问题不完全在模型能力，而在实验室和工厂的设备极度碎片化。摄像头可能使用Python，检测器运行MATLAB，电生理设备使用C#，机械臂、显微镜和移液工作站又各有自己的驱动、数据格式与控制软件。许多设备根本不知道相邻仪器当前处于什么状态。
研究人员如果想让摄像头发现样本位置后通知机械臂，或者让显微镜根据实时图像自动改变扫描参数，往往需要为每两台设备单独编写连接程序。设备越多，需要维护的点对点集成便越复杂。
Anthropic表示，实验室或制造设施过去通常需要数周乃至数月才能完成一套硬件集成。MHS希望把这部分工作压缩到数小时或数分钟。
它解决的不是“模型如何变得更聪明”，而是先给所有设备建立一种可以被模型理解的共同语言。
（原文此处有MHS接入前后的架构示意图，展示多台设备从点对点定制连接转为通过统一接口通信。）
MHS如何让模型理解一台从未见过的机器
MHS的核心是一种标准化驱动程序。它在设备自身接口和AI Agent之间充当翻译层，把复杂机器转换成少量通用原语，例如读取温度、写入温度、查询状态或执行某项操作。
接入MHS的设备会生成一份标准化参考文件，说明它能够测量什么、哪些参数允许调整、设备可能处于哪些状态，以及必须执行哪些安全限制。
纯代码通常无法表达机器的全部现实属性。例如，模型如果只看到机械臂的控制API，未必知道机械臂本身的重量、移动范围、惯性或碰撞风险。过去，这些信息可能散落在纸质说明书、工程师电脑或操作人员的经验中。
MHS允许使用者用自然语言标签补充这些知识。用户既可以直接填写，也可以让Agent通过对话询问设备情况，再自动生成描述文件。
接入完成后，Agent可以通过MCP、命令行或代码API控制设备。它能够读取多个仪器的实时数据，安排操作顺序，根据实验结果调整参数；需要执行高速或长时间操作时，则把一系列驱动命令编译为代码，让设备自行运行，不必让模型在每一个微小动作前重新推理。
MHS与模型无关，并不限定必须使用Claude。任何模型或Agent框架原则上都可以通过MCP等标准协议访问接入设备。
Genentech的实验说明：软件错误和物理错误并不是一回事
Genentech使用MHS测试了BCA蛋白质检测流程。实验需要协调移液工作站、机械臂和酶标仪，通过样本颜色变化测量蛋白质浓度。
这类流程看似适合自动化，现实中却很容易受到液体物理性质影响。移液器遇到泡沫时，液位传感器可能报错；气泡也会干扰最终的光学读数。
Claude第一次遇到由气泡引发的运行错误时，本能反应是修改参数后在同一个孔位重试。结果反而继续搅动液体，制造了更多气泡。
研究人员必须告诉它：这不是可以通过重复运行解决的软件故障，而是现实液体中的物理问题。正确办法是换到干净孔位，同时降低混合循环次数，让操作更加温和。
获得解释后，Claude在后续实验中保留了这项上下文。团队又把经验整理成可以重复使用的液体处理技能，使Claude能够根据不同液体属性选择更合理的默认参数，减少移液错误。
这一案例揭示了MHS目前最清晰的边界。Agent可以根据传感器反馈进行推理，但它从文本和图像中学习的世界模型，并不等于实验人员通过长期操作形成的物理直觉。
从七套控制软件，变成一个共享状态空间
MHS最初源于HHMI Janelia的一套复杂脑成像设备。
研究人员Virginie Ruetten使用双光子显微镜观察活体斑马鱼全身细胞和器官在睡眠过程中的活动。整套实验设备包括激光器、反射镜、载物台、摄像头及多种传感器，原本需要七套来自不同厂商的软件协同运行。
设备之间缺少统一接口，甚至使用不同编程语言。一套程序知道载物台的位置，另一套程序却无法直接读取；研究人员不得不编写大量桥接代码，有时还要增加专用数据采集卡，让设备能够传递信号。
MHS把所有仪器的状态、变量、控制命令和传感器读数放入一个标准化共享状态空间。每台设备只需要描述和接入一次，其他程序或Agent便能直接发现和使用它。
在实施MHS前，增加一台新摄像头可能需要数天集成；接入MHS后，研究人员只用了几分钟，就将用于观察激光位置的新摄像头加入系统，并把画面数据反馈给控制反射镜的程序。
Claude还能通过摄像头观察光束，调整反射镜，再根据新的画面判断移动结果，形成“操作—观察—修正”的闭环。另一套显微镜系统中，过去需要研究人员花费半天完成的激光、传感器和光路检查，被压缩成一次自动化步骤。
量子计算案例：从固定脚本走向自主试验
QuEra Computing使用中性原子构建量子计算机，需要用激光极其精确地控制原子。激光频率的允许偏差大约只有一万亿分之一，相当于测量地球到月球的距离时，误差不能超过一根头发的宽度。
温度、振动或气压变化都可能使激光失去“锁定”。如果这种情况出现在长时间量子计算中，已经运行数小时的任务可能直接失败。传统恢复过程通常需要经验丰富的操作人员，同时观察多个仪器并按顺序调整参数，耗时约5至10分钟。
QuEra此前曾组织激光工程师、软件工程师、算法专家和测试人员，用数月编写一套固定恢复脚本。它按照人工流程逐项调整控制器，成功率约58%，每次尝试需要约150秒。
接入MHS后，Agent不再只是重复固定流程，而是持续制造不同扰动、观察激光反应，并寻找哪些控制参数真正需要调整。
经过一夜实验，恢复时间下降到约6秒，成功率达到96%；进一步优化后，Anthropic报告的最终恢复成功率达到99.3%。
Agent还发现，激光频率偏移较小时没有必要检查全部控制项，只需修改其中一两个参数。人类操作人员为了确保安全，通常仍会逐项确认；Agent则通过大量重复实验识别出了可以跳过的步骤。
不过，QuEra强调，Agent并没有完全取代专家。遇到纯物理硬件故障时，Claude往往不知道如何处理，因为它对设备的理解仍主要来自程序接口。对于稍有风险的操作，它也经常停下来等待人工许可，导致部分夜间实验暂停到第二天。
AI可以在多个设备之间寻找新的解决办法
Tetsuwan Scientific把MHS接入自动化生物实验平台ResearchOS，用于开展分析当地污染情况的qPCR实验。
qPCR需要使用一种黏稠、类似肥皂液的“master mix”试剂。这种液体在移液时容易产生泡沫，造成吸取量不准确并降低实验质量。
在一次实验中，摄像头识别出机械臂夹持试管中的气泡。机械臂自身无法处理这个问题，但ResearchOS能够搜索实验室中其他接入MHS的设备。Claude随后通过Slack向研究人员建议：让机械臂把试管送入离心机，以较低速度短暂旋转，将液体和气泡重新聚集到底部。
这类跨设备处理，是传统固定自动化流程很难覆盖的场景。程序设计者不必预先为每一种故障写出完整恢复路径；Agent可以观察错误，再根据当前可用设备组合解决办法。
该团队还让Claude优化将高级实验协议转换为硬件操作指令的编译器。实验覆盖9143次独立分液、300种不同转移组合、1508种测量条件及四类液体。
在未参与优化的测试中，Claude与MHS共同改进的模型，对多次分液精度的预测比设备厂商技术规格准确约12%，在45轮测试中的31轮胜出；在重复次数最多的数据上，改善幅度约为17%。这些结果来自项目合作方自己的实验，尚不能视为跨实验室独立复现的通用结论。
真正的限制，是模型还没有身体经验
Anthropic没有把MHS描述成已经成熟的无人实验室系统。
Claude能够读取状态、分析画面和使用设备，但它关于现实世界的知识主要来自文本与图像。摩擦、泡沫、重量、液体黏度、机械间隙和光路漂移等问题，往往只有在真实操作中才会暴露。
如果设备没有任何可编程接口，MHS目前也无法直接接入；Anthropic正在与制造商合作，为这类设备增加驱动。
物理安全同样比软件权限更复杂。数字Agent执行错误命令，通常可以回滚文件或恢复系统；控制机械臂、激光、化学试剂及生物样本时，错误动作可能造成设备损坏、样本报废甚至人员风险。
因此，研究预览阶段的重要任务并不是扩大设备数量，而是建立新的安全评测：哪些操作必须由人批准，设备应在什么条件下自动停止，模型能否识别传感器异常，以及如何保证硬件驱动层的限制不能被Agent绕开。
Anthropic表示正在制定“物理安全路线图”，并计划在正式开源MHS时，同时公布研究预览的发现及安全部署指南。
Anthropic想复制MCP，但物理世界更难标准化
MHS已经获得多家设备和平台公司的早期支持。AWS计划通过Strands Robots提供接入；Doosan Robotics、Universal Robots正在测试机械臂支持；Tecan、QIAGEN和Automata关注实验室自动化；Hugging Face计划将MHS加入LeRobot机器人库，Raspberry Pi也在部分产品和摄像头驱动中测试集成。
如果MHS形成生态，它可能像MCP统一模型与软件工具的连接方式一样，统一Agent与现实设备的连接方式。实验室不必再为每个模型、每台设备和每套软件重复建设接口，设备厂商也可以直接提供可被Agent发现的标准能力描述。
但MHS面对的难度明显更高。软件工具的输入输出通常可以精确定义，物理设备却会磨损、漂移、堵塞、产生噪声，并受到环境变化影响。两个型号相同的仪器，也可能因为校准状态和安装方式不同而表现不一致。
因此，MHS真正要标准化的不只是命令，而是机器状态、现实约束、安全边界和故障恢复知识。