Anthropic推出模型硬件标准，让AI智能体统一操控物理设备

实验室和工厂中的设备往往来自不同厂商，使用各自的API、数据格式和控制软件，将它们整合到同一套系统中历来耗时费力。Anthropic希望通过模型硬件标准（MHS）解决这一痛点。MHS的设计逻辑与该公司此前推出的模型上下文协议（MCP）一脉相承——MCP为AI模型提供访问外部数据源和工具的标准方式，而MHS则将这套思路延伸至物理机器。该标准目前以研究预览版形式向特定实验室和制造商开放，开源版本计划稍后发布，合作开发方包括霍华德·休斯医学研究所旗下的贾内利亚研究园区。

MHS的核心机制是为每台设备配备一个标准化驱动，统一读取、修改数据等基本操作，并以通用格式描述设备能力。驱动还可以记录纯软件层面难以捕捉的信息，例如机械臂的承重上限或安全边界，用户可用自然语言输入这些信息，MHS会将其转化为供智能体参考的规格文件。如此一来，AI智能体即便面对从未接触过的设备，也能通过单一接口了解其能力与限制并加以操控。驱动一旦写好便可复用，无需为每种设备与控制器的组合重新开发。

在基因泰克的测试中，Claude协调液体处理器、机械臂和酶标仪，自动完成了蛋白质浓度检测流程，并独立优化了不同液体的移液参数。然而当黏稠溶液中出现气泡导致错误时，Claude持续在同一容器中调整参数重试，反而使问题恶化。直到研究人员介入并解释这是物理层面的气泡问题而非软件故障，智能体才找到有效解决方案。这一案例清晰揭示了当前AI在物理因果推理方面的短板。

在卡内基梅隆大学，研究团队将分布于三台计算机、接口互不兼容的液体处理器、酶标仪、机械臂和多台监控摄像头整合到同一系统中，驱动和编排层的搭建仅耗时约八小时，而传统供应商方案通常需要数周。Claude在实验过程中还主动发现首次运行的测量曲线质量不佳，自行降低了测试物质的最高浓度，第二次运行即获得明显更优的结果，展现出一定的自主优化能力。

在量子计算公司QuEra的测试中，Claude通过MHS完成了数百次自动化运行，开发出一套在激光受到干扰后将其恢复至稳定工作状态的控制程序。盲测结果显示，该脚本在700次尝试中成功695次，成功率达99.3%，且全程无需语言模型参与。Anthropic指出，由于Claude主要通过文字和图像认知物理世界，其空间与物理推理能力仍有局限，研究预览阶段将与合作伙伴共同完善安全评估体系，并制定物理安全路线图。目前已有AWS、优傲机器人、QIAGEN、Tecan、Hugging Face和树莓派等机构加入测试行列。

要点

• MHS为AI智能体提供统一的物理设备接口，将多设备集成时间从数周压缩至数小时，显著降低实验室和工厂自动化的技术门槛
• 智能体生成的工作流可保存为独立脚本，后续运行无需语言模型参与，实现真正意义上的自主执行
• Claude在物理因果推理方面仍存在明显局限，气泡、泡沫等物理现象引发的错误难以自主识别，人工专家监督在现阶段不可缺少
• MHS采用模型无关设计，兼容任何具备可编程接口的设备，AWS、优傲机器人、树莓派等多家头部机构已开始构建支持