Anthropic 发布模型硬件标准，AI 智能体可直接操控实验室与制造设备

长期以来，实验室与工厂车间的设备互联是一道高门槛难题。每台仪器往往拥有独立的编程接口，缺乏统一标准，专业人员需要为每对设备单独开发定制化集成程序。即便完成连接，设备之间也没有通用的数据共享方式，更无法让 AI 智能体以安全、可控的方式介入操作。这种碎片化现状大幅拖慢了科研与生产的迭代节奏。

MHS 通过引入标准化驱动程序来解决上述问题。该驱动使用一套简洁的基础命令——例如「读取」（获取温度）和「写入」（设定温度）——让任何硬件设备都能理解并执行指令。同时，每台设备以标准格式对外可发现，智能体无需中间翻译程序即可跨网络找到并通信。驱动程序还包含自然语言标签，允许用户直接描述设备特性（如机械臂重量等安全关键参数），系统随后自动生成设备参考文件，供智能体调用。

在控制层面，MHS 提供三种机制：MCP、命令行接口与代码文件（API），三者协同工作，使智能体仅需一行代码即可跨多台设备进行编排。智能体可实时接收各设备的运行数据，对实验流程进行高层次监督与调度，并在条件变化时动态调整参数。对于耗时较长或执行速度超出在线推理能力的任务，智能体可将驱动命令链式组合写入代码文件，让设备自主完成操作，无需逐步推理介入。

在早期测试中，Claude 展现出类似科学家的探索式交互风格。研究人员观察到，Claude 对激光进行调整后，会通过摄像头观察光束位移结果，反复迭代以理解操作规律，最终将所学封装为确定性脚本，使整个激光对准流程可作为单条命令执行。这一行为模式表明，前沿模型在物理设备操控场景中具备自主学习与优化能力。

多家机构已在早期项目中验证了 MHS 的实用价值。基因泰克（Genentech）将其用于自动化 BCA 蛋白质检测，协调液体处理器、机械臂与酶标仪协同工作；华盛顿大学 Baker 和 Pinglay 实验室的博士生利用 MHS 构建了远程仪器监控面板，并实现了由 AI 智能体监督的 qPCR 实验与机械臂无碰撞板材传递；卡内基梅隆大学则将其应用于剂量-响应曲线测定。这些案例覆盖生物技术、量子计算、机器人等多个领域。

Anthropic 表示，MHS 目前正以研究预览形式向科学、机器人、电子与制造领域的合作伙伴开放，重点任务是共同构建针对 AI 系统操控物理设备的安全评估框架与最佳实践，之后再推进开源。该标准与模型无关，任何智能体框架均可通过 MCP 等标准协议接入，具备较强的生态兼容性。有意参与研究预览的机构可通过官方渠道提交申请。

要点

• MHS 将实验室与工厂的硬件集成时间从数周压缩至数小时，核心是标准化驱动程序与统一的基础命令集
• 智能体可实时监控多台设备、动态调整实验参数，并在部分情况下无需人工干预即可从硬件错误中恢复
• Claude 在测试中表现出探索式学习行为，能将交互经验自动封装为可复用的确定性脚本
• MHS 与模型无关，兼容任何具备可编程接口的设备，并支持通过 MCP 等标准协议接入
• Anthropic 计划在开源前与合作伙伴共同完善安全评估体系，当前处于受邀研究预览阶段