Anthropic 推出 MHS：讓 AI 直接操控實驗室機械臂與顯微鏡

以前想讓生物實驗室裡的移液機和機械臂聯動，往往得找專門的工程師寫好幾週介面。不同廠商的儀器各說各話，資料互不相通，想讓 AI 進來幹活更是無從下手。

Anthropic 正式開啟了 Model Hardware Standard（簡稱 MHS，模型硬體標準）的研究預覽。這項標準最初由 Anthropic 和 HHMI 旗下的 Janelia 研究所聯合研發，目標很簡單：讓 AI 智慧體能夠像操作軟體一樣，直接、安全地控制顯微鏡、機械臂和分析儀器等物理裝置。

按照 Anthropic 的說法，MHS 能把原本需要數週甚至數月的裝置整合工作，縮短到幾個小時乃至幾分鐘。

像教新人一樣給儀器打標籤

要讓 AI 管硬體，最難的不是連上線，而是讓它知道這臺機器能做什麼、邊界在哪。

MHS 引入了一套標準驅動層，用最基礎的讀寫指令作為通用操作。不管是測溫度還是設轉速，底層指令都被統一起來，裝置連網後就能自動被 AI 發現。

更有意思的是引數說明。以往機械臂的自重或儀器的安全限值都寫在說明書裡，而 MHS 允許研究員直接用自然語言打標籤，甚至可以讓 AI 像面試一樣通過提問來摸清這臺裝置的底細。驅動程式隨後會自動生成一份包含功能與安全閾值的參考檔案。

在控制方式上，MHS 支援 Model Context Protocol（MCP）、命令列介面以及程式碼檔案呼叫。這意味著研究人員只需一行程式碼就能完成跨裝置編排。

測試中還出現了一個有趣的細節：Claude 會像人類科學家一樣去探索實驗。比如它在校準雷射時，會微調一下旋鈕，通過攝像頭觀察光束偏移，摸清規律後再把自己學到的邏輯寫成一段固定的自動化指令碼。這樣一來，後續流程就變成了確定性的原生代碼執行，不用每一步都呼叫大模型來思考。

目前這套標準已經在多個硬核場景跑通。卡耐基梅隆大學用它做梯度稀釋量效實驗，將分佈在三臺互不相容電腦上的儀器串聯，實驗速度提升了約三倍；HHMI Janelia 的研究員把此前依賴七個獨立軟體的顯微鏡臺整合到了一起；量子計算公司 QuEra 用它控制雷射鎖定，在無需人工干預的情況下實現了 99.3% 的故障自主恢復。

硬體廠商也開始跟進。AWS 計劃通過 Strands Robots 庫提供支援，Tecan、Doosan Robotics、QIAGEN 以及 Universal Robots 也都在進行適配。Anthropic 表示，在完成安全評估後，MHS 將全面開源。

為什麼重要

我們認為，Anthropic 這一步走得相當狡黠。在大部分大模型廠商還在拼網頁對話和桌面 Agent 的時候，它正在通過協議層把觸角伸進真實的物理世界。

對實驗科研人員來說，自動化實驗室終於不用再依賴少數幾家巨頭的封閉生態。如果你正在管理生物、化學或材料實驗室，只要手頭的儀器有程式設計介面，MHS 就能把原本分散的硬體連成流水線。不過，現階段它還在早期定向預覽，適合有一定工程能力的實驗室先去申請，普通團隊不必急著重構裝置流程。

這套方案最聰明的地方，在於它沒有迷信端到端的大模型控制。物理實驗最忌諱不可預測性，Anthropic 讓 AI 先去探索、總結規則，然後沉澱為傳統的確定性指令碼執行，既發揮了智慧體的推導能力，又守住了實驗的可復現性。

但隱患同樣擺在眼前。軟體跑崩潰了可以重啟，可如果 AI 在高通量移液或控制高能雷射時理解出現偏差，毀掉的可能就是數十萬美元的儀器和寶貴的生物樣本。雖然 MHS 加入了安全限制檔案，但物理環境的突發狀況遠比程式碼複雜，Anthropic 選擇先做嚴格的安全評估再談開源，看起來正是為了防範這種不可逆的物理風險。