Anthropic 發布 Model Hardware Standard（MHS）研究預覽，試圖為 AI Agent 與現實設備之間建立一套類似 MCP 的通用介面。顯微鏡、移液工作站、機械臂、攝像頭、雷射器和感測器只需接入一次，便能透過統一的狀態、操作指令和安全限制，被不同模型發現與控制，將過去需數週甚至數月的客製化整合壓縮至數小時或數分鐘。在早期測試中，Claude 透過 MHS 協同完成蛋白質檢測實驗、即時調整顯微成像、處理液體氣泡故障，並將 QuEra 量子電腦的雷射恢復成功率從 58% 提升至 99.3%。但 Anthropic 同時承認，語言模型缺乏真正的物理直覺，在面對氣泡、碰撞、光路和生物樣本等現實問題時，仍需專家監督。MHS 目前僅向部分實驗室和製造企業開放，待安全評測完善後才會開源。其重要性不僅在於「Claude 會操作機器」，更在於 AI Agent 正從讀取軟體、呼叫 API，進一步邁向能夠觀察、干預與反覆試驗的物理世界。文章作者、來源：Anthropic
AI Agent 進入物理世界，首先遇到的不是智能問題
Claude 已經可以閱讀論文、分析數據、生成研究假設和編寫實驗代碼，但當研究走到「真正操作設備」這一步，AI 通常會被擋在現實世界之外。
問題並不完全在於模型能力，而在於實驗室和工廠的設備極度碎片化。攝像頭可能使用 Python，檢測器運行 MATLAB，電生理設備使用 C#，機械臂、顯微鏡和移液工作站又各有自己的驅動、數據格式與控制軟件。許多設備根本不知道相鄰儀器當前處於什麼狀態。
研究人員若希望攝像頭在發現樣本位置後通知機械臂，或讓顯微鏡根據實時圖像自動調整掃描參數，通常需要為每兩台設備單獨編寫連接程式。設備越多，需要維護的點對點整合就越複雜。
Anthropic 表示，實驗室或製造設施過去通常需要數週乃至數月才能完成一套硬體集成。MHS 希望把這部分工作壓縮到數小時或數分鐘。
它解決的不是「模型如何變得更聰明」，而是先為所有設備建立一種可以被模型理解的共同語言。
（原文此处有 MHS 接入前後的架構示意圖，展示多台設備從點對點定制連接轉為通過統一介面通信。）
MHS 如何讓模型理解一台從未見過的機器
MHS 的核心是一種標準化驅動程式。它在設備自身的介面與 AI Agent 之間充當翻譯層，將複雜機器轉換為少量通用原語，例如讀取溫度、寫入溫度、查詢狀態或執行某項操作。
連接 MHS 的設備會生成一份標準化參考文件，說明其可測量的內容、哪些參數可調整、設備可能處於的狀態，以及必須執行的安全限制。
純代碼通常無法表達機器的全部現實屬性。例如，模型如果只看到機械臂的控制 API，未必知道機械臂本身的重量、移動範圍、慣性或碰撞風險。過去，這些資訊可能散落在紙質說明書、工程師電腦或操作人員的經驗中。
MHS 允許使用者使用自然語言標籤來補充這些知識。使用者可直接填寫，也可讓 Agent 透過對話詢問設備狀況，再自動生成描述文件。
完成接入後，Agent 可透過 MCP、命令行或代碼 API 控制設備。它能讀取多個儀器的實時數據，安排操作順序，並根據實驗結果調整參數；當需要執行高速或長時間操作時，則將一系列驅動命令編譯為代碼，讓設備自行運行，無需在每個微小動作前讓模型重新推理。
MHS 與模型無關，並不限定必須使用 Claude。任何模型或 Agent 框架原則上均可透過 MCP 等標準協議訪問接入設備。
Genentech 的實驗說明：軟體錯誤和物理錯誤並不是一回事
Genentech 使用 MHS 測試了 BCA 蛋白質檢測流程。實驗需要協調移液工作站、機械臂和酶標儀，通過樣本顏色變化測量蛋白質濃度。
這類流程看似適合自動化，現實中卻很容易受到液體物理性質影響。移液器遇到泡沫時，液位感測器可能報錯；氣泡也會干擾最終的光學讀數。
Claude 首次遇到由氣泡引發的運行錯誤時，本能反應是修改參數後在同一個孔位重試。結果反而繼續攪動液體，製造了更多氣泡。
研究人員必須告訴它：這不是一個可以通過重複運行解決的軟體故障，而是現實液體中的物理問題。正確的做法是更換至乾淨的孔位，同時減少混合循環次數，讓操作更加溫和。
獲得解釋後，Claude 在後續實驗中保留了這項上下文。團隊又把經驗整理成可以重複使用的液體處理技能，使 Claude 能夠根據不同液體屬性選擇更合理的預設參數，減少移液錯誤。
這個案例揭示了 MHS 目前最清晰的邊界。Agent 可以根據感測器回饋進行推理，但它從文字和圖像中學習的世界模型，並不等同於實驗人員透過長期操作形成的物理直覺。
從七套控制軟體，變成一個共享狀態空間
MHS 最初源於 HHMI Janelia 的一套複雜腦成像設備。
研究人員 Virginie Ruetten 使用雙光子顯微鏡觀察活體斑馬魚在睡眠過程中全身細胞和器官的活動。整套實驗設備包括雷射器、反射鏡、載物台、攝像頭及多種感測器，原本需要七套來自不同廠商的軟體協同運行。
設備之間缺乏統一介面，甚至使用不同的程式語言。一套程式知道載物台的位置，另一套程式卻無法直接讀取；研究人員不得不編寫大量橋接程式碼，有時還需增加專用資料採集卡，以讓設備能夠傳遞訊號。
MHS 將所有儀器的狀態、變量、控制命令和傳感器讀數放入一個標準化的共享狀態空間。每台設備只需描述和接入一次，其他程序或 Agent 便能直接發現和使用它。
在實施 MHS 之前，新增一台攝像頭可能需要數天的整合時間；接入 MHS 後，研究人員僅用幾分鐘便將用於觀察雷射位置的新攝像頭加入系統，並將畫面數據回饋給控制反射鏡的程式。
Claude 還能透過攝像頭觀察光束，調整反射鏡，並根據新的畫面判斷移動結果，形成「操作—觀察—修正」的閉環。在另一套顯微鏡系統中，過去需要研究人員花費半天完成的雷射、感測器和光路檢查，已被壓縮為一次自動化步驟。
量子計算案例：從固定腳本走向自主試驗
QuEra Computing 使用中性原子構建量子電腦，需用激光極其精確地控制原子。激光頻率的允許偏差僅約為一兆分之一，相當於在測量地球到月球的距離時，誤差不能超過一根頭髮的寬度。
溫度、振動或氣壓變化都可能導致雷射失去「鎖定」。如果這種情況出現在長時間量子計算中，已運行數小時的任務可能直接失敗。傳統恢復過程通常需要經驗豐富的操作人員，同時觀察多個儀器並按順序調整參數，耗時約5至10分鐘。
QuEra 此前曾組織激光工程師、軟體工程師、演算法專家和測試人員，耗時數月編寫一套固定恢復腳本。該腳本依照人工流程逐一調整控制器，成功率約 58%，每次嘗試需時約 150 秒。
接入 MHS 後，Agent 不再只是重複固定流程，而是持續製造不同擾動、觀察雷射反應，並尋找哪些控制參數真正需要調整。
經過一夜實驗，恢復時間下降至約 6 秒，成功率达到 96%；進一步優化後，Anthropic 報告的最終恢復成功率达到 99.3%。
Agent 還發現，當雷射頻率偏移較小時，無需檢查全部控制項，只需修改其中一兩個參數。人類操作人員為確保安全，通常仍會逐項確認；Agent 則透過大量重複實驗識別出可以跳過的步驟。
不過，QuEra 強調，Agent 並未完全取代專家。遇到純粹的物理硬體故障時，Claude 往往不知道如何處理，因為它對設備的理解仍主要來自程式介面。對於稍有風險的操作，它也經常停下來等待人工許可，導致部分夜間實驗延至第二天。
AI 可以在多個設備之間尋找新的解決方案
Tetsuwan Scientific 將 MHS 接入自動化生物實驗平台 ResearchOS，用於開展分析當地污染情況的 qPCR 實驗。
qPCR 需要使用一種黏稠、類似肥皂液的 “master mix” 試劑。這種液體在移液時容易產生泡沫，造成吸取量不準確並降低實驗質量。
在一次實驗中，攝像頭識別出機械臂夾持試管中的氣泡。機械臂自身無法處理這個問題，但 ResearchOS 能夠搜索實驗室中其他接入 MHS 的設備。Claude 隨後通過 Slack 向研究人員建議：讓機械臂把試管送入離心機，以較低速度短暫旋轉，將液體和氣泡重新聚集到底部。
這類跨設備處理，是傳統固定自動化流程很難覆蓋的場景。程式設計者不必預先為每一種故障寫出完整恢復路徑；Agent 可以觀察錯誤，再根據當前可用設備組合解決辦法。
該團隊還讓 Claude 優化將高級實驗協議轉換為硬體操作指令的編譯器。實驗涵蓋 9143 次獨立分液、300 種不同轉移組合、1508 種測量條件及四類液體。
在未參與優化的測試中，Claude 與 MHS 共同改進的模型，對多次分液精度的預測比設備廠商技術規格準確約 12%，在 45 輪測試中的 31 輪勝出；在重複次數最多的数据上，改善幅度約為 17%。這些結果來自項目合作方自己的實驗，尚不能視為跨實驗室獨立複現的通用結論。
真正的限制，是模型還沒有身體經驗
Anthropic 沒有將 MHS 描述為一個已成熟的無人實驗室系統。
Claude 可以讀取狀態、分析畫面和使用設備，但它對現實世界的知識主要來自文本與圖像。摩擦、泡沫、重量、液體黏度、機械間隙和光路漂移等問題，往往只有在真實操作中才會暴露。
如果設備沒有任何可編程接口，MHS 目前也無法直接接入；Anthropic 正在與製造商合作，為這類設備增加驅動。
物理安全同樣比軟體權限更複雜。數位 Agent 執行錯誤指令時，通常可以回滾檔案或恢復系統；但在控制機械臂、雷射、化學試劑及生物樣本時，錯誤動作可能造成設備損壞、樣本报廢甚至人員風險。
因此，研究預覽階段的重要任務並不是擴大設備數量，而是建立新的安全評測：哪些操作必須由人批准，設備應在什麼條件下自動停止，模型能否識別感測器異常，以及如何保證硬體驅動層的限制不能被 Agent 繞開。
Anthropic 表示正在制定「物理安全路線圖」，並計劃在正式開源 MHS 時，同時公布研究預覽的發現及安全部署指南。
Anthropic 想複製 MCP，但物理世界更難標準化
MHS 已獲得多家設備和平台公司的早期支持。AWS 計畫透過 Strands Robots 提供接入；Doosan Robotics、Universal Robots 正在測試機械臂支援；Tecan、QIAGEN 和 Automata 專注於實驗室自動化；Hugging Face 計畫將 MHS 加入 LeRobot 機器人庫，Raspberry Pi 也在部分產品和攝像頭驅動中測試集成。
如果 MHS 形成生態，它可能像 MCP 統一模型與軟體工具的連接方式一樣，統一 Agent 與現實設備的連接方式。實驗室不必再為每個模型、每台設備和每套軟體重複建設介面，設備廠商也可以直接提供可被 Agent 發現的標準能力描述。
但 MHS 所面對的難度明顯更高。軟體工具的輸入輸出通常可以精確定義，但物理設備會磨損、漂移、堵塞、產生雜訊，並受環境變化影響。兩台型號相同的儀器，也可能因校準狀態和安裝方式不同而表現不一致。
因此，MHS 真正要標準化的不只是命令，而是機器狀態、現實約束、安全邊界和故障恢復知識。