Anthropic推MHS标准，AI操控物理设备迈出关键一步

从软件到硬件：Anthropic 的第二次标准革命

继 MCP 统一了 AI 代理调用软件工具的方式后，Anthropic 再次出手，发布了面向物理设备的接口标准——Model Hardware Standard（MHS）。这套预览版标准旨在让 AI 代理与显微镜、机械臂、量子计算机等硬件设备直接对话，解决科研与工业领域困扰多年的硬件接口碎片化问题。

二十年未解的困局：硬件接口碎片化

在自动化实验室中，设备间的协作长期受制于接口不兼容：成像相机用 Python，探测器跑 MATLAB，电生理设备基于 C#，机械臂、显微镜各有专属驱动和私有格式。研究人员想实现“相机识别样本后通知机械臂抓取”这样的联动，往往需要为每对设备编写定制代码。

过去二十年，行业尝试过 SiLA、OPC UA、AnIML 等标准，但均未成功。SiLA 试图定义万物，却因设备迭代频繁而难以跟上；OPC UA 架构沉重，改造成本高；AnIML 只统一数据格式，不涉及设备控制，无法解决协同问题。根本原因在于，用死板的代码规则去框定无限的硬件世界，注定行不通。

MHS 的核心：给硬件装一个“统一翻译器”

MHS 的破局思路是用 AI 包容硬件多样性，而非强迫硬件统一。它在中间加了一层“翻译器”，让 Agent 能发布简化命令，设备即可理解。同时，AI 可为设备生成“使用说明书”（reference file），记录实时状态、参数和传感器数据，使 AI 在下达指令前能全局掌握设备状态。

安全方面，MHS 内置“安全护栏”，在设备接入时写入最大功率、运动范围等阈值，AI 无法突破这些边界，即使发错指令也会被拦截，避免设备损毁。

MHS 的真正价值在于让 AI 代理在物理世界跑通“观察-判断-执行-迭代”的闭环。卡内基梅隆大学团队用它协调液体处理仪、读板机、机械臂和相机，不仅编排有序，还将实验速度提升约 3 倍。

实战案例：量子计算中的激光重锁

量子计算公司 QuEra 的中性原子量子计算机中，激光器频率精度需控制在万亿分之一，温湿度波动易导致激光“失锁”。传统上，人类专家手动修复需 5-10 分钟；团队曾写自动化脚本，但成功率仅 58%，耗时 150 秒。

接入 MHS 后，团队搭建了四实例 Agent 闭环：一个 Claude 提假设，一个写脚本，一个运行记录，一个分析结果。一夜无人值守运行数百次后，恢复时间从 150 秒压缩至约 6 秒，盲测 700 次成功率高达 99.3%。在后续 PID 参数调优中，Claude 在 16 小时内做了 363 次实验，将残留误差从专家调校的 15.7mV 降至 1.55mV（降低 10 倍），且 19 小时连续测试中零失锁，而专家调校的参数每小时失锁约 1.6 次。

为何不让 Claude 直接控制机器？

物理世界动作极快，但大模型推理有延迟（几十到几百毫秒），且存在幻觉风险。因此，MHS 严格分离模型推理层与设备执行层：Claude 负责思考，确定性代码负责执行。

MHS 提供两种控制模式：

• 在线指挥：适合慢工细活，AI 调一步看一步，如调整搅拌速度时实时观察反馈。
• 离线连发：AI 将几十步动作打包成 Python 脚本，设备本地离线执行，绕过网络延迟，适合极限速度场景。

生态与未来

目前，丹纳赫、QIAGEN、Tecan 等生物科技巨头，斗山机器人、AWS 等已加入 MHS 生态。Anthropic 正从“工具提供商”向“行业规则制定者”演进，选择从门槛最高的科研实验室切入，因为那里设备碎片化最严重，也是 AI 汲取物理规律、通向 AGI 的最近路径。

科学发现的周期，或许将从以年计缩短至以天计。MHS 补齐了 AI 触碰物理世界的“最后一公里”，让 Agent 真正长出“双手”。