AI 要开始“动手”了：Anthropic 发布 MHS，让模型直接操作实验室设备

过去几年，AI 最擅长的事情是读文字、写代码、生成图片。它可以给你一段控制机械臂的代码，却不一定真的能把机械臂安全地运行起来。

原因很现实：实验室和工厂里的设备，通常来自不同厂商，各自使用不同的接口、协议和数据格式。想让多个设备协同工作，往往要靠工程师一个个写适配程序，集成周期可能以周甚至月计算。

Anthropic 最近公布的 Model Hardware Standard，简称 MHS，就是冲着这个问题来的：让 AI Agent 通过统一的设备接口，发现、理解并操作现实中的硬件。

MHS 到底是什么？

可以把 MHS 理解成一套“硬件驱动标准”。它不负责制造显微镜、机械臂或激光器，而是规定设备应该怎样向 AI 描述自己，以及 AI 怎样调用设备能力。

MHS 驱动提供了一组简单的基础动作，例如：

read：读取温度、位置、状态等数据；
write：设置温度、移动位置或修改其他参数；
设备发现：让 Agent 知道网络上有哪些设备可用；
安全信息：说明设备能测什么、能调什么，以及哪些参数不能超过限制。

设备接入后，MHS 还可以把硬件的能力、特性和安全边界整理成标准化参考文件。这样，Agent 不用只靠猜测，也不必每次都从一份厚厚的纸质手册里重新找答案。

AI 怎样控制多台设备？

MHS 目前提供三种控制方式：

通过 MCP 暴露设备能力；
通过命令行调用设备；
通过代码文件或 API，把多个设备串成一套流程。

这三种方式可以组合使用。

例如，一个蛋白质检测流程可能需要液体处理器、机械臂和酶标仪。Agent 先调用液体处理器完成移液，再让机械臂转移培养板，最后读取酶标仪的数据。过程中，如果数据出现异常，Agent 可以根据结果调整下一步参数。

对于需要长时间运行的工作，Agent 不必每一步都停下来思考。它可以把已经验证过的动作写成确定性的代码，让设备自己连续执行。Agent 负责高层决策，设备驱动和代码负责稳定执行。

这点很重要。真正可用的硬件自动化，不应该让模型在每个螺丝、每个移液动作上随机发挥，而是要把模型的探索能力和经过验证的确定性程序分开。

官方披露了哪些实验？

这次研究预览并不是停留在概念图上。Anthropic 公开了几个合作项目，不过这些结果仍然属于早期验证，不能直接当成普适性能保证。

1. 自动完成蛋白质检测流程

Genentech 的团队把 MHS 用在 BCA 蛋白检测的概念验证中。这个流程需要协调液体处理器、机械臂和微孔板读取器。

实验中，Agent 先使用通用移液参数，结果因为蛋白溶液黏稠、容易产生气泡，导致移液不准确。研究人员告诉它气泡的物理原因以及修正方法后，Agent 才学会换到干净的孔位，并减少混合次数。

这说明，模型可以帮助处理流程，但它不会自动获得实验经验。涉及液体性质、材料变化和生物学约束时，领域专家仍然需要提供判断和校验。

2. 自动恢复量子计算机的激光锁定

QuEra 用 MHS 让 Agent 读取量子计算机中的激光系统，并尝试恢复激光频率锁定。

官方披露的结果是：经过数百轮无人值守的实验，恢复脚本从最初约 150 秒一次、约 58% 成功率，改进到约 6 秒一次、96% 成功率。最终在 700 次测试中成功 695 次，即 99.3%。

这里有一个容易被忽略的细节：最后真正用于生产的，是一个可检查的确定性脚本，而不是让模型长期直接控制激光器。Agent 负责试验和改写流程，验证后的程序再独立运行。

3. 远程监控与 qPCR 实验

华盛顿大学的实验室把不同设备的运行状态集中到一个界面里，也尝试让 Agent 监督 qPCR 流程。当设备出现异常时，系统可以发现问题并在授权范围内处理。

另一个案例来自 Tetsuwan Scientific。它把 MHS 接入自动化生物实验平台，让自然语言描述的实验流程经过编译后，调用不同的实验设备。一次测试覆盖了 9,143 次单独分液、300 种转移类型和 1,508 个测量条件。

这些数字说明测试规模不小，但它们仍然是特定实验设置下的结果，不能简单理解成所有实验室都能获得相同效果。

它为什么值得关注？

MHS 的价值不只是“让 AI 控制机械臂”，而是把硬件接入从一次性定制项目，往标准化方向推进。

过去，自动化工程师要为每家设备、每套流程写专门的连接逻辑。未来如果设备都能用统一方式描述状态、能力和限制，Agent 就有机会在多个设备之间做编排，软件也能更换底层硬件，而不用重写整套实验流程。

更进一步，Agent 可以参与闭环实验：

读取数据 → 判断下一步 → 修改参数 → 再次测量 → 保存成可复用流程。

这比“让 AI 写一段控制代码”更接近真实的科研自动化。

MHS 现在还不能做什么？

先别把它理解成实验室里的万能机器人。官方资料已经明确了几条边界：

目前是研究预览版，还没有正式开源；
设备必须具备可编程接口，完全没有软件接口的硬件无法直接接入；
Agent 的物理、化学和生物学判断仍然有限，需要专家监督；
高风险动作仍然需要人工批准和安全评估；
设备驱动写得是否准确，直接影响 Agent 的操作边界；
即使设备接入了统一标准，实验流程本身仍受物理规律、材料性质和仪器精度限制。

Anthropic 计划继续扩大设备支持，并与 Hugging Face 的 LeRobot、树莓派等生态合作。MHS 之后会以开源形式发布，但具体时间和最终版本，不能提前当成已经确定的事实。

普通开发者能从中学到什么？

MHS 目前主要面向科研实验室、机器人公司、电子设备厂商和先进制造企业。普通开发者暂时未必能直接申请到研究预览资格，但这个项目提供了一条很清晰的设计思路：

第一，把设备能力说清楚

不要只给模型一个模糊的“控制设备”按钮。应该明确告诉它设备能读什么、能改什么、范围是多少、什么时候必须停下。

第二，把探索和执行分开

模型适合提出假设、分析结果和选择下一步。重复执行的动作，应该沉淀成可审查、可测试、可回滚的代码。

第三，让安全规则成为接口的一部分

安全限制不能只写在说明书里。设备驱动、参数校验、人工确认和异常恢复，都应该成为系统的一部分。

最后一句

MHS 真正想解决的，不是“AI 会不会操作一个设备”，而是：当现实世界里有几十台互不兼容的设备时，AI 能不能在安全边界内把它们组织成一个可运行的系统。

这件事一旦成熟，AI 的工作空间就不再只是浏览器、代码编辑器和聊天窗口，还会进入实验台、工厂产线和机器人工作站。

但在那之前，统一接口只是起点。设备安全、实验验证、人工审批和责任边界，才决定这套标准能不能真正走出研究预览。