Large language models now truly have hands.
本周四，Anthropic 宣布推出用於硬體的 MCP：Model Hardware Standard（MHS），這是一項新標準，用於幫助所有大模型驅動的 AI 智能體（Agent）安全快捷地操縱物理設備。
現在，像 Claude 這樣的大型模型可以像使用 MCP（模型上下文協議）一樣，在物理世界中操作顯微鏡、機械臂、液體處理器、雷射器等硬體。這一進展被業界視為 AI 從數字世界走向物理世界的關鍵一步。
使用智能體的人多少會聽說過 MCP，這是 Anthropic 在 2024 年 11 月推出的一項開放標準協議，旨在為大語言模型（LLM）與外部數據源、本地文件、開發工具及各類應用服務之間提供一種標準化、安全的雙向通信接口。
MCP 的核心定位是「AI 領域的 USB-C 接口」，能打通大模型與 GitHub、Slack、本地文件系統、資料庫等軟體環境。隨著近年來的 AI 技術發展，MCP 已經演變為整個智能體生態中不可或缺的事實標準。
現在也是 Anthropic，希望透過硬體使用 MCP，將這套標準通信規範提升至物理硬體、感測器、嵌入式系統與測試設備上。
MHS 的開發始於 Anthropic 公司與霍華德・休斯醫學研究所（HHMI）Janelia 研究園區的合作，現已向首批科研實驗室和先進製造商開放研究預覽版。
通常情況下，實驗室或製造工廠需要數週甚至數個月的時間來搭建和整合硬體。大多數設備之間無法直接通訊，因此需要專家構建定制化的整合方案。MHS 可將這種整合工作縮短至數小時甚至數分鐘。此外，透過將 AI 融入這些工具，MHS 還幫助研究人員和工程師更輕鬆地協調自主的、全天候的實驗和工作流程。智能體能夠推理實驗中的每個步驟，實時更新參數，並且在某些情況下，無需人工干預即可從硬體故障中恢復。
MHS 可與任何具有可編程接口的設備配合使用，且與基礎模型的種類無關，任何智能體框架均可使用標準協議（例如 MCP）來訪問它。
即使不考慮將 AI 集成到系統中的額外難度，讓實驗室或工廠車間中的多個設備相互通信也並非易事。每個設備通常都有自己的程式設計介面，目前還沒有標準化的整合方法。而且設備連接後，也沒有通用的方法讓它們與 Agent 共享資料，更沒有方法讓 Agent 安全地操作這些設備。
現在，MHS 透過引入標準化驅動程式來應對這些挑戰：該驅動程式是一種在電腦作業系統和硬體設備之間進行轉換的軟體。MHS 驅動程式使用一組簡單的基本命令，如讀取（例如獲取溫度）、寫入（例如設定溫度）等，任何硬體設備都能理解並執行這些命令。它使每個設備都能以標準格式被發現，從而讓設備和智能體能夠相互發現並跨網路通信，而無需在兩者之間使用定制的「翻譯」程式。
MHS 驅動程式還能幫助智能體理解與使用從未見過的設備，並提供僅靠代碼可能無法獲取的機器特性資訊（例如機械臂的重量，這對安全操作至關重要）。到目前為止，這些資訊大多存儲在紙質手冊、用戶電腦中，或作為隱性知識存在。但 MHS 驅動程式包含標籤，允許用戶直接以自然語言輸入這些資訊（用戶可自行輸入，也可透過與智能體對話，由 AI 問詢其硬體設定）。
利用這些標籤中的資訊，MHS 驅動程式會自動生成一個參考檔案，其中包含設備的一般特性資訊，例如它可以測量什麼、可以調整什麼以及將強制執行哪些安全限制。該檔案為智能體提供了操作設備所需的一切資訊。
設備連接完畢且智能體程式了解如何使用每個設備後，還需要一種方法來控制這些硬體。對於 MHS 而言有三種這樣的機制：MCP、命令行介面和程式碼檔案（API）。它們協同工作，使使用者能夠透過一行程式碼協調多個設備。
一旦智能體能夠控制設備，它就能接收來自每個設備的運行數據，並在高層級上監督和指導工作。智能體可以對不同儀器的操作步驟進行排序，監控結果，並根據實時變化的情況調整參數。當智能體需要執行長時間運行的任務或以超出其在線推理能力的速度操作設備時，它可以將來自一個或多個設備的驅動程式命令串聯到代碼文件中。這樣，設備就可以自行執行操作，而無需智能體在每個步驟都進行推理。
在測試 MHS 的過程中，Anthropic 發現 Claude 與實驗和硬體的互動方式如同科學家一般充滿探索性。
Anthropic 觀察到 Claude 在調整雷射器，並透過攝像頭觀察結果，評估調整如何移動雷射束，然後重複此過程，試圖理解事件發生的順序。之後，Claude 將學習到的資訊打包成程式碼檔案，編寫了一個確定性腳本，使其無需每一步都進行推理即可校準雷射器，從而整個過程可以作為一個單獨的命令運行。
在開發 MHS 的過程中，Anthropic 與生物技術、機器人、量子計算等領域的幾家實驗室和硬體製造商分享了這項技術。在這些早期項目中，我們能看到 MHS 縮短了設備整合時間，提高了各種實驗環境下的迭代速度，並有助於機器的實時運行和故障檢測。
硬體供應商及其配套軟體公司也在設備中內置了 MHS 支援，以便智能體能夠發現和操作設備。例如：
亚马逊云科技（AWS）透過 Strands Robots 為 MHS 提供支援。這是一個用於將 AI 智能體連接到實體設備的函式庫。在 MHS 研究預覽期間，AWS 將向參與者提供 Strands Robots 軟體包的私人預發布版本。
Automata 正為其實驗室自動化平台 LINQ 添加 MHS 支援，以在自主實驗室中對儀器進行智能錯誤處理。
Danaher 正積極探索 MHS 支持的功能如何使其智能儀器和自主實驗室能夠擴大生物醫學研究和開發規模。
Doosan Robotics 正在使用其機械臂測試 MHS，包括執行自動化品質保證和協調多個機器人之間的任務。
MBF Bioscience 正為 ScanImage 開發 MHS 驅動程式，ScanImage 是全球數百個神經科學實驗室中用於運行雷射掃描顯微鏡的軟體，旨在將 AI 智能體整合至即時資料分析與實驗中。
QIAGEN 正在其核酸純化平台 QIAsymphony Connect 上通過工作概念驗證來試驗 MHS，以展示 AI 智能體如何幫助實驗室更快地排除儀器故障、指導操作人員進行恢復、提高儀器正常運行時間，同時降低生物樣本的風險。
Tecan 正在為其 Fluent 液體處理平台新增 MHS 支援，以便 AI 智能體可以直接發現和操作這些平台。
Universal Robots 已提前獲得 MHS 的使用權，並計劃在其機器人平台上新增對 MHS 的支援。
在開源之前，Anthropic 還希望對該標準進行更多完善。
作為一個大語言模型，Claude 透過文字和圖像來學習物理世界，這意味著其空間和物理推理能力存在局限性，仍需專家監督。例如，在處理蛋白質樣本時，基因泰克的研究人員必須引導 Claude 識別出樣本起泡造成的誤差是物理故障，而非軟體錯誤，只能透過相應的物理修正來緩解。
MHS 目前尚無法與缺乏程式設計介面的硬體相容，因此 Anthropic 正與此類設備的製造商合作，將 MHS 驅動程式整合至硬體中。許多開發者已開始使用 Claude Code 來操作單一實體設備。在 MHS 的下一階段，Anthropic 希望擴展該標準，使其能涵蓋開發者所使用的更多設備。
早期採用者包括 Hugging Face（他們正在其機器人庫 LeRobot 中添加 MHS 支援）和 Raspberry Pi（他們在使用其 Camera MHS 驅動程式成功測試後，正在其多款產品中啟用 MHS 集成）。
參考內容：
https://www.anthropic.com/news/model-hardware-standard-research-preview
本文來自微信公眾號「機器之心」（ID：almosthuman2014），作者：關注 Agent 的機器之心