Anthropic 推出 MHS：让 AI 直接操控实验室机械臂与显微镜

以前想让生物实验室里的移液机和机械臂联动，往往得找专门的工程师写好几周接口。不同厂商的仪器各说各话，数据互不相通，想让 AI 进来干活更是无从下手。

Anthropic 正式开启了 Model Hardware Standard（简称 MHS，模型硬件标准）的研究预览。这项标准最初由 Anthropic 和 HHMI 旗下的 Janelia 研究所联合研发，目标很简单：让 AI 智能体能够像操作软件一样，直接、安全地控制显微镜、机械臂和分析仪器等物理设备。

按照 Anthropic 的说法，MHS 能把原本需要数周甚至数月的设备集成工作，缩短到几个小时乃至几分钟。

像教新人一样给仪器打标签

要让 AI 管硬件，最难的不是连上线，而是让它知道这台机器能做什么、边界在哪。

MHS 引入了一套标准驱动层，用最基础的读写指令作为通用操作。不管是测温度还是设转速，底层指令都被统一起来，设备连网后就能自动被 AI 发现。

更有意思的是参数说明。以往机械臂的自重或仪器的安全限值都写在说明书里，而 MHS 允许研究员直接用自然语言打标签，甚至可以让 AI 像面试一样通过提问来摸清这台设备的底细。驱动程序随后会自动生成一份包含功能与安全阈值的参考文件。

在控制方式上，MHS 支持 Model Context Protocol（MCP）、命令行接口以及代码文件调用。这意味着研究人员只需一行代码就能完成跨设备编排。

测试中还出现了一个有趣的细节：Claude 会像人类科学家一样去探索实验。比如它在校准激光时，会微调一下旋钮，通过摄像头观察光束偏移，摸清规律后再把自己学到的逻辑写成一段固定的自动化脚本。这样一来，后续流程就变成了确定性的本地代码运行，不用每一步都调用大模型来思考。

目前这套标准已经在多个硬核场景跑通。卡耐基梅隆大学用它做梯度稀释量效实验，将分布在三台互不兼容电脑上的仪器串联，实验速度提升了约三倍；HHMI Janelia 的研究员把此前依赖七个独立软件的显微镜台集成到了一起；量子计算公司 QuEra 用它控制激光锁定，在无需人工干预的情况下实现了 99.3% 的故障自主恢复。

硬件厂商也开始跟进。AWS 计划通过 Strands Robots 库提供支持，Tecan、Doosan Robotics、QIAGEN 以及 Universal Robots 也都在进行适配。Anthropic 表示，在完成安全评估后，MHS 将全面开源。

为什么重要

我们认为，Anthropic 这一步走得相当狡黠。在大部分大模型厂商还在拼网页对话和桌面 Agent 的时候，它正在通过协议层把触角伸进真实的物理世界。

对实验科研人员来说，自动化实验室终于不用再依赖少数几家巨头的封闭生态。如果你正在管理生物、化学或材料实验室，只要手头的仪器有编程接口，MHS 就能把原本分散的硬件连成流水线。不过，现阶段它还在早期定向预览，适合有一定工程能力的实验室先去申请，普通团队不必急着重构设备流程。

这套方案最聪明的地方，在于它没有迷信端到端的大模型控制。物理实验最忌讳不可预测性，Anthropic 让 AI 先去探索、总结规则，然后沉淀为传统的确定性脚本执行，既发挥了智能体的推导能力，又守住了实验的可复现性。

但隐患同样摆在眼前。软件跑崩溃了可以重启，可如果 AI 在高通量移液或控制高能激光时理解出现偏差，毁掉的可能就是数十万美元的仪器和宝贵的生物样本。虽然 MHS 加入了安全限制文件，但物理环境的突发状况远比代码复杂，Anthropic 选择先做严格的安全评估再谈开源，看起来正是为了防范这种不可逆的物理风险。