Anthropic 於 2026 年 8 月 27 日開放 Model Hardware Standard（MHS）研究預覽。這套標準由 Anthropic 與 HHMI Janelia Research Campus 共同開發，目標是為 AI Agent 提供一個連接及操作可程式化實體設備的共同規格，首階段主要面向科研實驗室及先進製造業。可接入的設備包括顯微鏡、液體處理器、機械臂及激光系統等。 1

先講清楚：MHS 不是一部新機械人，也不是已經可以即時商用的全自動化產品。它較似一層「硬件互通介面」，讓 AI Agent 可以發現設備、了解設備的功能和限制，再協調多部機器完成一個工作流程。

MHS 點樣運作？

MHS 的核心是標準化設備驅動程式。以往，AI 系統要連接不同品牌、不同型號的儀器，通常每種組合都要另外寫整合程式；MHS 就嘗試將設備控制方式統一，例如提供 read 和 write 等基本操作。

接入 MHS 的設備亦可以提供一份自然語言描述，說明自己能夠做甚麼、可以量度哪些數值、哪些參數可以調校、目前處於甚麼狀態，以及有哪些安全限制。這令 Agent 不只可以「掣」一部機，還可以先了解部機的能力和操作邊界。 1

Agent 可以透過 Model Context Protocol（MCP）、命令列工具或程式碼 API 操作這些設備。理論上，同一個 Agent 便可以查看儀器狀態、安排不同設備依次或並行運作、監察結果，以及在出錯時作出回應。經過測試的流程，亦可以整理成較為固定的程式腳本，用於重複或長時間執行。 1

MHS 的設計並不綁定 Claude。它定位為硬件介面，而不是 Claude 專屬功能；只要其他 Agent 系統支援相關介面，原則上亦可以使用同一套設備抽象層。 1

點解 Anthropic 拿 USB-C 作比較？

實驗室和工業設備往往來自不同供應商，軟件介面各不相同。要將幾部儀器串連起來，企業可能要先花數星期甚至更長時間做專門工程，工作流程才正式跑得起。

Anthropic 將 MHS 比作 USB-C，概念上是以共同標準減少「每部設備都要一個專用接頭」的需要。據 Anthropic 及合作夥伴表示，早期測試中，部分原本要數星期完成的整合工作，縮短至數小時，個別情況甚至只需數分鐘。不過這是研究預覽的早期結果和目標，並非保證任何設備或場地都能達到同樣速度。 12

早期測試見到甚麼？

Genentech：可以自動化，但未必真正明白物理原因

Genentech 研究人員以 MHS 測試 BCA 蛋白質測定流程。這個概念驗證需要協調多部實驗室設備，Agent 可以操作液體處理器的工作流程，並因應結果反覆調整程序。 1

但測試同時暴露出一個重要限制：遇到氣泡問題時，Claude 起初不但沒有解決問題，反而令情況惡化。研究人員需要先向系統提供相關的領域知識，解釋氣泡背後的物理原因，Agent 才能朝正確方向處理。

這個例子說明，標準化介面可以令 AI 接觸和控制設備，卻不代表 AI 已經可靠地理解儀器內正在發生的物理、化學或生物過程。 1

Carnegie Mellon：開發驅動程式快了

Carnegie Mellon University 表示，團隊約用 8 小時建立一個 MHS 驅動程式，之後進行的實驗速度約提升 3 倍。這個結果反映共享設備控制抽象層的潛力：開發者未必要為每部儀器從零開始打造一套完全專用的整合方案。 1

QuEra：700 次測試成功 695 次

QuEra 在一個專用激光測試平台上，透過 MHS 使用 Claude，開發一套在受干擾後恢復量子電腦激光頻率鎖定的程式。相關控制器在 7 種干擾情況下進行 700 次測試，成功將系統恢復至目標狀態 695 次，報告成功率為 99.3%。 1

這個結果值得留意，但適用範圍亦要講清楚：測試是在受控平台上，針對一個特定的恢復任務進行，不能因此推論 AI Agent 已經準備好無限制地自主控制所有關鍵量子或工業設備。MHS 讓設備可以被 Agent 接入；最後的成果則仍然依賴測試，以及對傳統控制器作出驗證。 1

哪些機構參與研究預覽？

Anthropic 表示，這次有限度研究預覽涵蓋科研、機械人、電子及先進製造等範疇。已點名的參與者包括 Genentech、Carnegie Mellon University、QuEra、Hugging Face 的 LeRobot 項目，以及 Raspberry Pi 等。 1

這個預覽亦用來協助 Anthropic 及合作夥伴建立安全評估和實際操作規範。Anthropic 表示，完成相關工作後計劃將 MHS 開源，並進一步制定清晰政策，界定哪些高風險操作必須交由人類審批。 12

MHS 解決到甚麼，解決不到甚麼？

MHS 主要標準化的是「AI 如何接觸硬件」。它並不會自動保證 Agent：

• 理解相關的物理、化學或生物原理；
• 選擇科學上合理的實驗程序；
• 識別所有危險或異常狀態；或
• 在沒有監督的情況下安全操作設備。

Genentech 的氣泡事件正好展示了「控制機器」和「理解現實流程」之間的差距。Agent 可能讀得到測量結果，也可以調整設定，但仍然未必掌握專家眼中理所當然的因果關係。 1

因此，實際部署仍需要設備層面的安全上限、分階段測試、持續監察、操作記錄、後備方案，以及對具重大後果的操作設立明確的人工作批准程序。Anthropic 仍然利用研究預覽建立安全評估和人工作批准規則，也反映 MHS 仍在測試階段，而非一套已完成的商用系統。 12

更大意義：AI Agent 開始接觸「有後果」的世界

MHS 代表 Anthropic 嘗試將 AI Agent 由軟件工具帶到真實環境。在軟件世界，Agent 可以讀取資料、呼叫 API；但一旦它開始操控激光、機械臂或實驗儀器，任何錯誤都可能影響樣本、設備和生產流程。

如果這套方法日後成熟，共同介面或可降低接入科研儀器和工業設備的門檻，讓 Agent 更容易協調多部機器，亦可以將成功實驗轉化成可重複執行的自動化流程。

現階段較穩妥的結論是：MHS 看來確實有機會減少硬件整合層面的摩擦，早期示範亦包括 QuEra 695 次成功、700 次測試的結果。但它沒有取代工程、領域專業、驗證和人類判斷。MHS 目前更適合被視為一個初步的互通性驗證點，而不是已經普遍適用於自主實體工作的通用標準。 12

Anthropic 於 2026 年 8 月 27 日開放 Model Hardware Standard（MHS）研究預覽。這套標準由 Anthropic 與 HHMI Janelia Research Campus 共同開發，目標是為 AI Agent 提供一個連接及操作可程式化實體設備的共同規格，首階段主要面向科研實驗室及先進製造業。可接入的設備包括顯微鏡、液體處理器、機械臂及激光系統等。 1

先講清楚：MHS 不是一部新機械人，也不是已經可以即時商用的全自動化產品。它較似一層「硬件互通介面」，讓 AI Agent 可以發現設備、了解設備的功能和限制，再協調多部機器完成一個工作流程。

MHS 點樣運作？

MHS 的核心是標準化設備驅動程式。以往，AI 系統要連接不同品牌、不同型號的儀器，通常每種組合都要另外寫整合程式；MHS 就嘗試將設備控制方式統一，例如提供 read 和 write 等基本操作。

接入 MHS 的設備亦可以提供一份自然語言描述，說明自己能夠做甚麼、可以量度哪些數值、哪些參數可以調校、目前處於甚麼狀態，以及有哪些安全限制。這令 Agent 不只可以「掣」一部機，還可以先了解部機的能力和操作邊界。 1

Agent 可以透過 Model Context Protocol（MCP）、命令列工具或程式碼 API 操作這些設備。理論上，同一個 Agent 便可以查看儀器狀態、安排不同設備依次或並行運作、監察結果，以及在出錯時作出回應。經過測試的流程，亦可以整理成較為固定的程式腳本，用於重複或長時間執行。 1

MHS 的設計並不綁定 Claude。它定位為硬件介面，而不是 Claude 專屬功能；只要其他 Agent 系統支援相關介面，原則上亦可以使用同一套設備抽象層。 1

點解 Anthropic 拿 USB-C 作比較？

實驗室和工業設備往往來自不同供應商，軟件介面各不相同。要將幾部儀器串連起來，企業可能要先花數星期甚至更長時間做專門工程，工作流程才正式跑得起。

Anthropic 將 MHS 比作 USB-C，概念上是以共同標準減少「每部設備都要一個專用接頭」的需要。據 Anthropic 及合作夥伴表示，早期測試中，部分原本要數星期完成的整合工作，縮短至數小時，個別情況甚至只需數分鐘。不過這是研究預覽的早期結果和目標，並非保證任何設備或場地都能達到同樣速度。 12

早期測試見到甚麼？

Genentech：可以自動化，但未必真正明白物理原因

Genentech 研究人員以 MHS 測試 BCA 蛋白質測定流程。這個概念驗證需要協調多部實驗室設備，Agent 可以操作液體處理器的工作流程，並因應結果反覆調整程序。 1

但測試同時暴露出一個重要限制：遇到氣泡問題時，Claude 起初不但沒有解決問題，反而令情況惡化。研究人員需要先向系統提供相關的領域知識，解釋氣泡背後的物理原因，Agent 才能朝正確方向處理。

這個例子說明，標準化介面可以令 AI 接觸和控制設備，卻不代表 AI 已經可靠地理解儀器內正在發生的物理、化學或生物過程。 1

Carnegie Mellon：開發驅動程式快了

Carnegie Mellon University 表示，團隊約用 8 小時建立一個 MHS 驅動程式，之後進行的實驗速度約提升 3 倍。這個結果反映共享設備控制抽象層的潛力：開發者未必要為每部儀器從零開始打造一套完全專用的整合方案。 1

QuEra：700 次測試成功 695 次

QuEra 在一個專用激光測試平台上，透過 MHS 使用 Claude，開發一套在受干擾後恢復量子電腦激光頻率鎖定的程式。相關控制器在 7 種干擾情況下進行 700 次測試，成功將系統恢復至目標狀態 695 次，報告成功率為 99.3%。 1

這個結果值得留意，但適用範圍亦要講清楚：測試是在受控平台上，針對一個特定的恢復任務進行，不能因此推論 AI Agent 已經準備好無限制地自主控制所有關鍵量子或工業設備。MHS 讓設備可以被 Agent 接入；最後的成果則仍然依賴測試，以及對傳統控制器作出驗證。 1

哪些機構參與研究預覽？

Anthropic 表示，這次有限度研究預覽涵蓋科研、機械人、電子及先進製造等範疇。已點名的參與者包括 Genentech、Carnegie Mellon University、QuEra、Hugging Face 的 LeRobot 項目，以及 Raspberry Pi 等。 1

這個預覽亦用來協助 Anthropic 及合作夥伴建立安全評估和實際操作規範。Anthropic 表示，完成相關工作後計劃將 MHS 開源，並進一步制定清晰政策，界定哪些高風險操作必須交由人類審批。 12

MHS 解決到甚麼，解決不到甚麼？

MHS 主要標準化的是「AI 如何接觸硬件」。它並不會自動保證 Agent：

• 理解相關的物理、化學或生物原理；
• 選擇科學上合理的實驗程序；
• 識別所有危險或異常狀態；或
• 在沒有監督的情況下安全操作設備。

Genentech 的氣泡事件正好展示了「控制機器」和「理解現實流程」之間的差距。Agent 可能讀得到測量結果，也可以調整設定，但仍然未必掌握專家眼中理所當然的因果關係。 1

因此，實際部署仍需要設備層面的安全上限、分階段測試、持續監察、操作記錄、後備方案，以及對具重大後果的操作設立明確的人工作批准程序。Anthropic 仍然利用研究預覽建立安全評估和人工作批准規則，也反映 MHS 仍在測試階段，而非一套已完成的商用系統。 12

更大意義：AI Agent 開始接觸「有後果」的世界

MHS 代表 Anthropic 嘗試將 AI Agent 由軟件工具帶到真實環境。在軟件世界，Agent 可以讀取資料、呼叫 API；但一旦它開始操控激光、機械臂或實驗儀器，任何錯誤都可能影響樣本、設備和生產流程。

如果這套方法日後成熟，共同介面或可降低接入科研儀器和工業設備的門檻，讓 Agent 更容易協調多部機器，亦可以將成功實驗轉化成可重複執行的自動化流程。

現階段較穩妥的結論是：MHS 看來確實有機會減少硬件整合層面的摩擦，早期示範亦包括 QuEra 695 次成功、700 次測試的結果。但它沒有取代工程、領域專業、驗證和人類判斷。MHS 目前更適合被視為一個初步的互通性驗證點，而不是已經普遍適用於自主實體工作的通用標準。 12