Anthropic推出的Model Hardware Standard（MHS）并不是一台新机器人，也不是已经完成商业化的自动化产品。它更像是一层连接AI代理与现实设备的“通用适配层”：让代理能够发现设备、了解设备能做什么、读取状态和测量值，并协调多台机器共同完成任务。

MHS由Anthropic与HHMI Janelia Research Campus共同开发，目前以研究预览形式面向首批科学研究实验室和先进制造企业开放。其最初应用对象包括显微镜、液体处理器、机械臂、激光系统等可编程设备。1

MHS究竟解决什么问题？

实验室和工业现场的设备通常来自不同厂商，软件接口、控制方式和状态描述各不相同。要让多个仪器协同工作，往往需要工程师为每一种设备组合单独开发集成方案。

MHS的思路，是为设备提供统一的标准驱动程序。驱动程序以read和write等通用控制原语暴露设备功能，同时提供一份自然语言编写的参考说明，描述设备的：

• 可用功能；
• 可测量的量；
• 可调节的参数；
• 当前状态；
• 安全边界和限制。1

AI代理可以通过Model Context Protocol（MCP，模型上下文协议）、命令行工具或代码API访问这些设备。这样一来，一个代理理论上就能检查设备状态、安排跨仪器操作、监控实验结果，并在出现错误时调整流程。经过验证的流程还可以进一步转换为确定性脚本，用于重复执行或长时间运行。1

MHS的另一个重点是“模型无关”。它并非只为Claude设计，而是作为硬件接口存在。只要其他AI代理系统支持相应接口，原则上也可以使用同一套设备抽象层。1

为什么被比作USB-C？

Anthropic将MHS与USB-C相提并论，原因在于二者都试图减少“每种设备都要配一套专用连接方式”的麻烦。USB-C统一了许多电子设备的物理连接，而MHS则试图在软件层面统一AI代理与硬件之间的沟通方式。1

Anthropic及其合作方表示，部分早期集成项目已经从过去需要数周的工作缩短到数小时，个别情况下甚至只需几分钟。12不过，这些数字属于早期预览结果和标准的目标，并不意味着所有仪器或工厂都能达到同样的集成速度。

早期测试展现了什么？

Genentech：能操作设备，不等于真正理解实验

在Genentech，研究人员使用MHS测试BCA蛋白测定流程。这类实验需要协调液体处理器等实验室设备，AI代理能够驱动液体处理流程，并根据结果反复调整操作。1

但测试也暴露出一个关键短板：Claude一开始遇到气泡问题时，反而让错误变得更严重，因为它并不理解气泡产生的物理原因。研究人员必须先补充相关领域知识，系统才开始朝正确方向调整。1

这说明，统一接口可以让AI更容易“接触”和控制机器，却不会自动赋予AI可靠的物理、化学或生物学理解能力。

卡内基梅隆大学：驱动开发速度提升

卡内基梅隆大学报告称，研究人员大约用了8小时就创建出一个MHS驱动程序，并将实验运行速度提高到原来的约3倍。1

这一结果体现了共享设备控制抽象层的潜在价值：工程团队不必针对每台仪器从头开发一套完全定制的连接方案。

QuEra：700次测试成功恢复695次

量子计算公司QuEra在一套专用激光测试台上使用Claude和MHS，开发用于恢复量子计算机激光频率锁定的脚本。测试通过人为制造干扰，覆盖7种干扰类型；最终生成的控制器在700次试验中成功恢复目标状态695次，报告成功率为99.3%。1

这个结果颇具吸引力，但适用范围仍然有限。它来自受控测试台上的特定恢复任务，并不能证明AI代理已经可以不受限制地自主控制所有关键量子或工业设备。MHS负责让设备能够被AI访问，而最终表现还依赖对传统控制器进行测试和验证。1

哪些机构参与了研究预览？

Anthropic表示，有限研究预览的参与者覆盖科学研究、机器人、电子和先进制造等领域。已点名的参与机构包括Genentech、卡内基梅隆大学、QuEra、Hugging Face的LeRobot项目和Raspberry Pi等。1

Anthropic还希望借助预览阶段，与合作方共同建立针对实体设备操作的安全评估和实践规范。公司表示，完成相关工作后计划将MHS开源，并进一步明确哪些高风险操作必须提交给人类审批。12

MHS仍然解决不了什么？

MHS标准化的是“AI如何访问设备”，而不是保证AI一定能够正确理解现实世界。它不会自动确保代理能够：

• 理解相关的物理、化学或生物机制；
• 选择科学上合理的实验流程；
• 识别所有危险或异常状态；
• 在无人监督的情况下安全操作设备。

Genentech的气泡案例正好说明了“控制机器”和“理解机器内部发生了什么”之间的差距。AI可能能够读取测量值、修改参数，却仍然无法识别专家认为显而易见的因果关系。1

因此，实际部署仍需要设备级安全限制、分阶段测试、持续监控、操作日志、权限控制、审计机制和故障回退方案。对可能造成重大后果的操作，也应设置明确的人类授权环节。Anthropic将研究预览用于完善这些安全评估和审批规则，本身也说明MHS仍处于验证阶段，而不是一个已经定型的商业系统。12

更大的意义：AI代理从软件走向实体世界

MHS代表了Anthropic让AI代理走出纯软件环境的一次尝试。当AI只是在文档、数据库或网页中工作时，错误通常可以通过撤销或重新运行来处理；但一旦AI开始操作激光、机械臂或实验样品，错误就可能带来设备损坏、样品损失或生产风险。

如果MHS最终走向成熟，统一接口可能降低科学仪器和工业设备接入AI的门槛，帮助代理协调多设备工作流，并将成功验证的实验转化为可重复执行的自动化脚本。

但现阶段更准确的判断是：MHS已经显示出降低硬件集成成本和复杂度的潜力，QuEra的早期测试也提供了较具体的成果；它却没有取代工程能力、领域知识、验证流程和人类判断。MHS目前更适合作为实体AI领域的早期互操作性验证，而不是已经能够普遍部署的自主操作标准。12

Anthropic推出的Model Hardware Standard（MHS）并不是一台新机器人，也不是已经完成商业化的自动化产品。它更像是一层连接AI代理与现实设备的“通用适配层”：让代理能够发现设备、了解设备能做什么、读取状态和测量值，并协调多台机器共同完成任务。

MHS由Anthropic与HHMI Janelia Research Campus共同开发，目前以研究预览形式面向首批科学研究实验室和先进制造企业开放。其最初应用对象包括显微镜、液体处理器、机械臂、激光系统等可编程设备。1

MHS究竟解决什么问题？

实验室和工业现场的设备通常来自不同厂商，软件接口、控制方式和状态描述各不相同。要让多个仪器协同工作，往往需要工程师为每一种设备组合单独开发集成方案。

MHS的思路，是为设备提供统一的标准驱动程序。驱动程序以read和write等通用控制原语暴露设备功能，同时提供一份自然语言编写的参考说明，描述设备的：

• 可用功能；
• 可测量的量；
• 可调节的参数；
• 当前状态；
• 安全边界和限制。1

AI代理可以通过Model Context Protocol（MCP，模型上下文协议）、命令行工具或代码API访问这些设备。这样一来，一个代理理论上就能检查设备状态、安排跨仪器操作、监控实验结果，并在出现错误时调整流程。经过验证的流程还可以进一步转换为确定性脚本，用于重复执行或长时间运行。1

MHS的另一个重点是“模型无关”。它并非只为Claude设计，而是作为硬件接口存在。只要其他AI代理系统支持相应接口，原则上也可以使用同一套设备抽象层。1

为什么被比作USB-C？

Anthropic将MHS与USB-C相提并论，原因在于二者都试图减少“每种设备都要配一套专用连接方式”的麻烦。USB-C统一了许多电子设备的物理连接，而MHS则试图在软件层面统一AI代理与硬件之间的沟通方式。1

Anthropic及其合作方表示，部分早期集成项目已经从过去需要数周的工作缩短到数小时，个别情况下甚至只需几分钟。12不过，这些数字属于早期预览结果和标准的目标，并不意味着所有仪器或工厂都能达到同样的集成速度。

早期测试展现了什么？

Genentech：能操作设备，不等于真正理解实验

在Genentech，研究人员使用MHS测试BCA蛋白测定流程。这类实验需要协调液体处理器等实验室设备，AI代理能够驱动液体处理流程，并根据结果反复调整操作。1

但测试也暴露出一个关键短板：Claude一开始遇到气泡问题时，反而让错误变得更严重，因为它并不理解气泡产生的物理原因。研究人员必须先补充相关领域知识，系统才开始朝正确方向调整。1

这说明，统一接口可以让AI更容易“接触”和控制机器，却不会自动赋予AI可靠的物理、化学或生物学理解能力。

卡内基梅隆大学：驱动开发速度提升

卡内基梅隆大学报告称，研究人员大约用了8小时就创建出一个MHS驱动程序，并将实验运行速度提高到原来的约3倍。1

这一结果体现了共享设备控制抽象层的潜在价值：工程团队不必针对每台仪器从头开发一套完全定制的连接方案。

QuEra：700次测试成功恢复695次

量子计算公司QuEra在一套专用激光测试台上使用Claude和MHS，开发用于恢复量子计算机激光频率锁定的脚本。测试通过人为制造干扰，覆盖7种干扰类型；最终生成的控制器在700次试验中成功恢复目标状态695次，报告成功率为99.3%。1

这个结果颇具吸引力，但适用范围仍然有限。它来自受控测试台上的特定恢复任务，并不能证明AI代理已经可以不受限制地自主控制所有关键量子或工业设备。MHS负责让设备能够被AI访问，而最终表现还依赖对传统控制器进行测试和验证。1

哪些机构参与了研究预览？

Anthropic表示，有限研究预览的参与者覆盖科学研究、机器人、电子和先进制造等领域。已点名的参与机构包括Genentech、卡内基梅隆大学、QuEra、Hugging Face的LeRobot项目和Raspberry Pi等。1

Anthropic还希望借助预览阶段，与合作方共同建立针对实体设备操作的安全评估和实践规范。公司表示，完成相关工作后计划将MHS开源，并进一步明确哪些高风险操作必须提交给人类审批。12

MHS仍然解决不了什么？

MHS标准化的是“AI如何访问设备”，而不是保证AI一定能够正确理解现实世界。它不会自动确保代理能够：

• 理解相关的物理、化学或生物机制；
• 选择科学上合理的实验流程；
• 识别所有危险或异常状态；
• 在无人监督的情况下安全操作设备。

Genentech的气泡案例正好说明了“控制机器”和“理解机器内部发生了什么”之间的差距。AI可能能够读取测量值、修改参数，却仍然无法识别专家认为显而易见的因果关系。1

因此，实际部署仍需要设备级安全限制、分阶段测试、持续监控、操作日志、权限控制、审计机制和故障回退方案。对可能造成重大后果的操作，也应设置明确的人类授权环节。Anthropic将研究预览用于完善这些安全评估和审批规则，本身也说明MHS仍处于验证阶段，而不是一个已经定型的商业系统。12

更大的意义：AI代理从软件走向实体世界

MHS代表了Anthropic让AI代理走出纯软件环境的一次尝试。当AI只是在文档、数据库或网页中工作时，错误通常可以通过撤销或重新运行来处理；但一旦AI开始操作激光、机械臂或实验样品，错误就可能带来设备损坏、样品损失或生产风险。

如果MHS最终走向成熟，统一接口可能降低科学仪器和工业设备接入AI的门槛，帮助代理协调多设备工作流，并将成功验证的实验转化为可重复执行的自动化脚本。

但现阶段更准确的判断是：MHS已经显示出降低硬件集成成本和复杂度的潜力，QuEra的早期测试也提供了较具体的成果；它却没有取代工程能力、领域知识、验证流程和人类判断。MHS目前更适合作为实体AI领域的早期互操作性验证，而不是已经能够普遍部署的自主操作标准。12