Anthropic 於 2026 年 8 月 27 日開放 Model Hardware Standard（MHS） 的研究預覽。這套規格由 Anthropic 與 HHMI Janelia Research Campus 共同開發，目標是讓 AI 代理以一致方式探索、理解並操作可程式化的實體設備，初期鎖定科學研究實驗室與先進製造場域，例如顯微鏡、液體處理器、機械臂與雷射系統。1

先釐清一點：MHS 不是新型機器人，也不是已完成、可直接商用的自動化產品。它更像是一層硬體互通標準，讓 AI 代理不必為每一種模型、每一台儀器重新打造專用整合程式。

MHS 的運作方式

MHS 的核心是標準化設備驅動程式。驅動程式以 read、write 等共通控制原語，對外呈現設備的操作方式；設備也能提供自然語言格式的參考說明，列出自身功能、可量測項目、可調整參數、目前狀態與安全限制。1

AI 代理可透過 Model Context Protocol（MCP）、命令列工具或程式碼 API 連接這些設備。如此一來，同一個代理便能檢視不同儀器、安排跨設備工作流程、監測結果並回應錯誤。經過測試且確認有效的流程，還可以轉換成較為確定、可重複執行的腳本，適合長時間或例行性操作。1

MHS 也強調「與模型無關」的設計。換句話說，它是硬體介面，而不是只為 Claude 打造的功能；只要其他 AI 代理支援相關介面，理論上也能使用相同的設備抽象層。1

為什麼拿 MHS 與 USB-C 比較？

實驗室與工業設備往往來自不同廠商，使用彼此不相容的軟體介面。要把多台儀器串成一個自動化流程，通常得先投入大量客製化工程。Anthropic 將 MHS 比喻為 USB-C，概念上都是透過共通標準，減少每一種設備都需要不同連接方式的麻煩。1

Anthropic 及合作夥伴表示，部分早期整合工作已從原本需要數週縮短至數小時，甚至數分鐘。12 不過，這是研究預覽中的早期結果，也是標準希望達成的目標，並不代表每台儀器或每個場域都能以同樣速度完成整合。

早期測試看到了什麼？

Genentech：能自動化操作，卻不一定理解物理原因

Genentech 以 BCA 蛋白質分析作為概念驗證案例。這項流程需要多種實驗室設備協同運作，AI 代理能操作液體處理器，並根據流程結果反覆調整操作。1

但測試同時暴露出重要限制：Claude 起初不理解氣泡問題背後的物理原因，反而讓相關錯誤更加嚴重。研究人員必須補充領域知識，系統才開始朝正確方向調整。1

這個案例說明，標準化介面可以讓 AI 取得設備控制權，卻不會自動賦予 AI 可靠的物理、化學或生物學理解。能夠讀取數值、改變設定，與真正理解實驗中發生的因果關係，是兩件不同的事。

卡內基美隆大學：驅動程式開發更快

卡內基美隆大學表示，團隊約花 8 小時建立一個 MHS 驅動程式，實驗速度則提高約 3 倍。這項結果展現共通設備控制抽象層的潛力：開發者不必為每台儀器從頭打造一套完全客製化的整合方案。1

QuEra：700 次測試成功恢復 695 次

QuEra 在專用雷射測試平台上，透過 MHS 讓 Claude 開發一套控制腳本，用於在受到干擾後恢復量子電腦的雷射頻率鎖定。這套控制器在涵蓋 7 種干擾類型的 700 次測試中，成功恢復目標狀態 695 次，成功率為 99.3%。1

這是相當亮眼的結果，但適用範圍仍然有限：測試是在受控平台上，針對特定的恢復任務進行，不能直接推論 AI 代理已準備好不受限制地操作所有關鍵量子或工業設備。MHS 讓代理能夠接觸並控制設備，最終成果則仍依賴測試，以及對傳統控制器的驗證。1

哪些組織參與研究預覽？

Anthropic 表示，這項有限度的研究預覽涵蓋科學研究、機器人、電子與先進製造等領域。已公布的參與者包括 Genentech、卡內基美隆大學、QuEra、Hugging Face 的 LeRobot 專案與 Raspberry Pi 等。1

Anthropic 也計畫在完成這階段工作後，以開放原始碼方式發布 MHS。同時，公司希望與合作夥伴建立安全評估及操作規範，包括哪些高風險行動必須交由人類審批。12

MHS 解決了什麼，又沒有解決什麼？

MHS 標準化的是「AI 如何存取硬體」，並不保證 AI 代理能夠：

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

Genentech 的氣泡事件正好凸顯了「控制機器」與「理解現實流程」之間的落差。AI 可能有能力讀取測量結果、調整參數，卻仍然錯過專家眼中關鍵的因果解釋。1

因此，實際部署仍需要設備層級的安全限制、分階段測試、持續監控、操作紀錄、備援與復原程序，以及針對重大行動設置明確的人類授權機制。Anthropic 將研究預覽用於建立安全評估與人類審批規則，也反映出 MHS 仍在測試階段，而非已經完成的商業系統。12

更大的意義：AI 代理走出軟體環境

MHS 展現 Anthropic 將 AI 代理從軟體工具推向實體環境的嘗試。若這套方法持續成熟，共通介面可能降低科學儀器與工業設備的串接門檻，讓 AI 更容易協調多台機器，也能將成功驗證的實驗流程轉化為可重複執行的自動化程序。

但現階段最穩妥的結論仍然較為有限：MHS 似乎確實降低了硬體整合層的摩擦，早期測試也出現包括 QuEra 在內的正面結果；它卻沒有取代工程能力、領域專業、嚴格驗證或人類判斷。現時的 MHS，更適合被理解為一項互通性的早期驗證，而不是已能普遍用於自主實體工作的萬用標準。12

Anthropic 於 2026 年 8 月 27 日開放 Model Hardware Standard（MHS） 的研究預覽。這套規格由 Anthropic 與 HHMI Janelia Research Campus 共同開發，目標是讓 AI 代理以一致方式探索、理解並操作可程式化的實體設備，初期鎖定科學研究實驗室與先進製造場域，例如顯微鏡、液體處理器、機械臂與雷射系統。1

先釐清一點：MHS 不是新型機器人，也不是已完成、可直接商用的自動化產品。它更像是一層硬體互通標準，讓 AI 代理不必為每一種模型、每一台儀器重新打造專用整合程式。

MHS 的運作方式

MHS 的核心是標準化設備驅動程式。驅動程式以 read、write 等共通控制原語，對外呈現設備的操作方式；設備也能提供自然語言格式的參考說明，列出自身功能、可量測項目、可調整參數、目前狀態與安全限制。1

AI 代理可透過 Model Context Protocol（MCP）、命令列工具或程式碼 API 連接這些設備。如此一來，同一個代理便能檢視不同儀器、安排跨設備工作流程、監測結果並回應錯誤。經過測試且確認有效的流程，還可以轉換成較為確定、可重複執行的腳本，適合長時間或例行性操作。1

MHS 也強調「與模型無關」的設計。換句話說，它是硬體介面，而不是只為 Claude 打造的功能；只要其他 AI 代理支援相關介面，理論上也能使用相同的設備抽象層。1

為什麼拿 MHS 與 USB-C 比較？

實驗室與工業設備往往來自不同廠商，使用彼此不相容的軟體介面。要把多台儀器串成一個自動化流程，通常得先投入大量客製化工程。Anthropic 將 MHS 比喻為 USB-C，概念上都是透過共通標準，減少每一種設備都需要不同連接方式的麻煩。1

Anthropic 及合作夥伴表示，部分早期整合工作已從原本需要數週縮短至數小時，甚至數分鐘。12 不過，這是研究預覽中的早期結果，也是標準希望達成的目標，並不代表每台儀器或每個場域都能以同樣速度完成整合。

早期測試看到了什麼？

Genentech：能自動化操作，卻不一定理解物理原因

Genentech 以 BCA 蛋白質分析作為概念驗證案例。這項流程需要多種實驗室設備協同運作，AI 代理能操作液體處理器，並根據流程結果反覆調整操作。1

但測試同時暴露出重要限制：Claude 起初不理解氣泡問題背後的物理原因，反而讓相關錯誤更加嚴重。研究人員必須補充領域知識，系統才開始朝正確方向調整。1

這個案例說明，標準化介面可以讓 AI 取得設備控制權，卻不會自動賦予 AI 可靠的物理、化學或生物學理解。能夠讀取數值、改變設定，與真正理解實驗中發生的因果關係，是兩件不同的事。

卡內基美隆大學：驅動程式開發更快

卡內基美隆大學表示，團隊約花 8 小時建立一個 MHS 驅動程式，實驗速度則提高約 3 倍。這項結果展現共通設備控制抽象層的潛力：開發者不必為每台儀器從頭打造一套完全客製化的整合方案。1

QuEra：700 次測試成功恢復 695 次

QuEra 在專用雷射測試平台上，透過 MHS 讓 Claude 開發一套控制腳本，用於在受到干擾後恢復量子電腦的雷射頻率鎖定。這套控制器在涵蓋 7 種干擾類型的 700 次測試中，成功恢復目標狀態 695 次，成功率為 99.3%。1

這是相當亮眼的結果，但適用範圍仍然有限：測試是在受控平台上，針對特定的恢復任務進行，不能直接推論 AI 代理已準備好不受限制地操作所有關鍵量子或工業設備。MHS 讓代理能夠接觸並控制設備，最終成果則仍依賴測試，以及對傳統控制器的驗證。1

哪些組織參與研究預覽？

Anthropic 表示，這項有限度的研究預覽涵蓋科學研究、機器人、電子與先進製造等領域。已公布的參與者包括 Genentech、卡內基美隆大學、QuEra、Hugging Face 的 LeRobot 專案與 Raspberry Pi 等。1

Anthropic 也計畫在完成這階段工作後，以開放原始碼方式發布 MHS。同時，公司希望與合作夥伴建立安全評估及操作規範，包括哪些高風險行動必須交由人類審批。12

MHS 解決了什麼，又沒有解決什麼？

MHS 標準化的是「AI 如何存取硬體」，並不保證 AI 代理能夠：

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

Genentech 的氣泡事件正好凸顯了「控制機器」與「理解現實流程」之間的落差。AI 可能有能力讀取測量結果、調整參數，卻仍然錯過專家眼中關鍵的因果解釋。1

因此，實際部署仍需要設備層級的安全限制、分階段測試、持續監控、操作紀錄、備援與復原程序，以及針對重大行動設置明確的人類授權機制。Anthropic 將研究預覽用於建立安全評估與人類審批規則，也反映出 MHS 仍在測試階段，而非已經完成的商業系統。12

更大的意義：AI 代理走出軟體環境

MHS 展現 Anthropic 將 AI 代理從軟體工具推向實體環境的嘗試。若這套方法持續成熟，共通介面可能降低科學儀器與工業設備的串接門檻，讓 AI 更容易協調多台機器，也能將成功驗證的實驗流程轉化為可重複執行的自動化程序。

但現階段最穩妥的結論仍然較為有限：MHS 似乎確實降低了硬體整合層的摩擦，早期測試也出現包括 QuEra 在內的正面結果；它卻沒有取代工程能力、領域專業、嚴格驗證或人類判斷。現時的 MHS，更適合被理解為一項互通性的早期驗證，而不是已能普遍用於自主實體工作的萬用標準。12