Anthropic 正式推出模型硬件标准（MHS）的研究预览版。这是一项共享规范，旨在让 AI 智能体安全地控制实验室仪器和工厂设备。Anthropic 声称，MHS 能将复杂机械与 AI 的集成时间从数月大幅缩短至数小时甚至数分钟。目前，该标准仅通过候补名单向部分研究实验室和制造商开放，公司计划在未来将其开源。

MHS：物理硬件的 " 通用翻译器 "

正如 Anthropic 的模型上下文协议（MCP）标准化了软件连接，MHS 充当了物理硬件的通用翻译器。它无需为每台仪器定制专用软件，而是允许设备通过标准化命令和自动生成的参考文件进行通信，详细列出操作参数和安全限制。

该系统具备模型无关性，适用于任何拥有可编程接口的硬件。早期现实世界测试在多个研究环境中显示出显著的效率提升：

QuEra Computing：此前，一个四人工程团队花费数月构建激光重锁脚本，恢复耗时 150 秒，成功率仅为 58%。通过运行夜间优化循环，四个 Claude 实例重构了流程，将恢复时间缩短至 6 秒，开发期间成功率达 96%，在 700 次盲测中更是达到 99.3%。此外，Claude 在 16 小时无人值守的情况下调整了 12 个相互依赖的伺服参数，将残余误差从 15.7 mV 降低至 1.55 mV。

卡内基梅隆大学：研究人员在 8 小时内将液体处理器、酶标仪、机械臂和摄像头整合到三台计算机中，而这一设置过程通常需数周。由 Claude Opus 4.8 智能体驱动的系统使串行稀释实验速度提高了三倍。在安全测试中，MHS 在硬件移动前成功阻止了六种人为设置的故障条件。

罗氏基因泰克（Genentech）：工程师在自动化蛋白质检测工作流中部署了 MHS，Claude 自主优化了不同粘度下的液体传输速率。

早期局限与未来展望

尽管初步成果显著，但预览版也暴露出关键的运营限制。例如，在 Genentech 的一次实验中，Claude 反复尝试通过重试相同软件指令来清除流体处理中的气泡，最终需人工介入澄清这是物理问题而非代码问题。此外，由于 AI 模型主要通过文本日志和图像处理物理环境，空间推理仍需专家级的人工监督。

Anthropic 正与 Universal Robots、Tecan 和 AWS 等硬件合作伙伴合作，以扩展对 MHS 的支持。集成范围也在向消费级相邻平台延伸：Hugging Face 计划为其 LeRobot 项目提供支持，Raspberry Pi 正在测试驱动程序兼容性。截至目前，Anthropic 尚未公布具体的开源发布日期、公共模式或该标准的特定治理模型。

【星途科讯 图文丨小林 首发于 ZAKER 科技，转载请注明出处】