0
作者丨高允毅
编辑丨岑 峰
这是Anthropic第二次发布全行业统一协议。
第一次，它发布了MCP，它统一了 AI 代理调用外部工具、数据源与 API 的方式，如今满世界的 Agent 都靠它连数据库、接浏览器、调 API。这一次，它把完全相同的逻辑延伸到了物理世界，Agent可以和不同的物理设备之间对话了。
这是一套面向物理设备的 AI 代理接口标准，叫Model Hardware Standard（MHS），此次发布的是预览版本，已经在全球顶尖实验室的显微镜、机械臂和量子计算机上使用起来了。
它解决的，是整个科研与工业领域头痛了二十年的问题：硬件接口碎片化。
01
这是一个所有实验室从业者都心照不宣的困境。
在一间自动化实验室里，成像相机可能基于 Python 开发，探测器运行在 MATLAB 环境中，电生理设备采用 C# 架构，而机械臂、共聚焦显微镜、移液工作站更是各有各的专属驱动、私有数据格式和封闭控制软件。多数情况下，哪怕是相邻的两台仪器，都无法感知彼此的运行状态。
如果研究人员想实现 “相机识别样本后，通知机械臂去抓取”，对不起，你得找程序员为这两台设备单写一套定制化的连接代码。涉及的设备越多，集成的工作就越复杂。
为了打通壁垒，整个行业已经挣扎了二十多年，先后诞生了 SiLA、OPC UA/LADS、AnIML 等多套公开标准，却始终没能形成真正的行业通用语言。它们的失败，都源于试图用死板的代码规则，去框住无限的硬件世界。
比如说，SiLA 2 试图定义万物。为了描述一个“加热模块”，它恨不得把最高温度、升温速率等相关信息都规定好格式。但世界上有无数种仪器，每出个新设备，标准委员会就得开会改文件，迭代效率很低，至今市场普及率仍然有限。
OPC UA 是因为架构太重了。它的改造成本极高，经常逼着厂商手写成千上万行底层代码。
至于 AnIML，它的定位本身就是实验数据格式标准，只负责统一不同仪器的输出数据格式，不涉及设备控制逻辑，这相当于“光记账，不干活”，根本没解决设备怎么协同的问题。
面对设备的多样性和科研场景的灵活性，如果都依靠人类工程师一行行修补代码，注定了这条路越走越窄。
02
MHS 能打破这个僵局，是因为 AI 带来了降维打击。它的核心逻辑变了，我不逼着硬件改底层代码了，我在中间加一层“统一翻译器”，让大模型来包容你们的多样性。
这个“翻译器”，就是整套 MHS 体系的核心设计。
首先，Agent可以发布一些简化的命令，无论是获取设备信息，还是写入控制参数，设备都能听懂。 AI还可以给设备写“使用说明书”，这又叫reference file，里面记录了每个设备的实时状态、参数、传感器数据。AI 每次要下达指令前，不用逐个对接设备，读取这一份数据就能掌握全实验室的设备状态。
但这毕竟是现实世界。AI 在电脑里说错话顶多弹个报错，在现实中要是算错了某个数据，造成设备的损毁，可是非常高昂的代价。
所以，MHS 特意安装了一层“安全护栏”，在设备接入时，最大功率、最大运动范围等安全阈值会被写入MHS的驱动底层，AI无法突破这些安全边界。这样哪怕Agent发错指令，MHS 也会提前拦截，确保设备的安全。
但 MHS 真正的价值，不止是打通设备连接，而是让 AI 代理能在物理世界跑通“观察 - 判断 - 执行 - 迭代”的完整闭环，自主完成实验优化。
卡内基梅隆大学研究团队在用 MHS 统一协调液体处理仪、读板机、机械臂和监控相机时，不仅把编排实验顺序、监控实验进度处理得井井有条，还直接把实验速度提升了约 3 倍。
而当 Claude 和 MHS 深度配合时，它们甚至能找到实验的全局最优解。
量子计算公司 QuEra 的中性原子量子计算机中，激光器的频率精度需要控制在万亿分之一，相当于地月距离误差不超过一根头发丝。温度、振动、气压的微小波动都可能让激光 “失锁”，直接导致数小时的量子计算作废。
由于它的精度要求极高，传统上完全依赖人类专家手动修复，每次都需要 5 到 10 分钟。为了解决这个问题，QuEra 之前曾专门花了几个月时间写了一套自动化修复脚本。但由于底层设备逻辑太复杂，这套脚本的效果很差：成功率只有 58%，而且每次修复都要耗时 150 秒。
接入 MHS 之后，团队给 Claude 设定了目标，写一个独立的 Python 脚本实现激光重锁，要求一次成功并保持 30 秒。然后他们搭建了一个四实例的 Agent 闭环：一个 Claude 负责提出优化假设，一个负责把假设写成恢复脚本，一个负责在真实激光器上运行脚本并记录每一步，一个负责读日志、分析结果、决定下一步怎么改。
这个循环一夜之间无人值守地跑了几百次。最终的结果是：恢复时间从 150 秒压缩到约 6 秒，盲测 700 次的成功率达到 99.3%。最复杂的失锁场景恢复也只需要 10-14 秒，远快于人类的 5-10 分钟。
最能体现MHS效率的是在后续的 PID 参数调优。激光锁频的质量由 12 个 PID 参数决定，人类专家一般靠 RMS 误差经验性地调参，很难找到全局最优。Claude 则在 16 小时里做了 363 次实验，每次调整都采集示波器波形做傅里叶变换，精确测量全频段噪声。
最终，它把残留误差从专家调校的 15.7mV 降到了 1.55mV，降低了约 10 倍。在 19 小时的连续测试中，专家调校的参数每小时失锁约 1.6 次，而 Claude 调校的参数一次都没有失锁。
03
那既然 AI 这么厉害，为什么不让 Claude 直接实时控制机器呢？
这其实是出于安全的考量。物理世界的动作往往极快，但大模型在云端推理有固有的延迟，经常在几十到几百毫秒之间，根本跟不上硬件的速度。大模型还有幻觉等不确定问题，稍有差错，设备就会损毁。
所以，MHS 从一开始就把模型推理层和设备执行层做了严格的分离：让 Claude 动脑想方案，让确定性的代码动手控设备。为了兼顾灵活性与高速度，MHS 设计了“在线指挥”与“离线连发”两种控制模式。
对于需要临时调整的“慢工细活”，AI 会采取“在线指挥”模式，调一步、看一步。比如调整某个化学反应的搅拌速度，Claude 会改一下参数，通过摄像头看一眼结果，自己摸索其中的物理规律。
而一旦摸索清楚规律，或者面对需要极限速度的场景，AI 就会切换到“离线连发”模式。Claude 会把几十步动作直接打包，在线写成一个确定性的 Python 代码脚本直接下发。设备在本地离线一口气跑完，中间不需要停下来等待云端 AI 的指令，从而彻底绕过了网络延迟。
硬件是一个比软件工具大得多的市场，也是一个严肃得多的场景。
如今，丹纳赫、QIAGEN、Tecan 等生物科技巨头，斗山机器人等工业先锋，以及 AWS 等科技公司，都已经加入了 MHS 的生态圈。AI 操纵物理设备，成为了人们押注的下一个趋势。
在过去几天里，Claude 的科研能力已经被验证：在无人类指导下自主设计蛋白质结合剂，化学家啃半小时的数据它只需 23 分钟。读论文、写数据、生成报告的“大脑”已经就位。如今 MHS 补齐了这“最后一公里”，让 AI 真正长出了触碰仪器的“双手”。
一旦这个标准全面建立，整个工厂、实验室甚至机器人集群，都将变成 Agent 的 “运行时环境”。Agent 不仅是软件世界的效率工具，更将成为物理世界无处不在的操作系统。
Anthropic的服务范围在扩大，角色也在从“工具提供商”向“行业规则制定者”演进。未来无论谁的硬件设备在市场上胜出，想接AI的能力，就得跟着它的接口走。这是生意，更是权力。
而这一仗的第一战，Anthropic 从门槛最高、也最保守的生物医药、量子计算等科研实验室开始切入，不只是因为这里的设备碎片化痛点最突出，而且是 AI 汲取真实物理规律、通向 AGI 最近的领域之一。
科学发现的周期，或许很快就会从以年为单位，压缩到以天、以小时为单位。
参考链接：https://www.anthropic.com/news/model-hardware-standard-research-preview
上车，雷峰网(公众号：雷峰网)带你看遍全球 AI 顶会精华
可独家畅览：
专家演讲PPT
大会报告全文
热门论文解读
学术新星访谈
扫描上方二维码
或点击「阅读原文」关注专区。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
