导语
8月27日，Anthropic以研究预览的形式发布了 Model Hardware Standard（模型硬件标准，简称 MHS），被外界称为”硬件版 MCP”。这套新规范的目标，是让 AI 智能体能够直接发现、连接并操控显微镜、机械臂、激光器等物理设备——把智能体的手，从数字世界伸进真实的实验室和工厂。
MHS 是什么：给设备装上”通用插头”
MHS 并不是一款产品，而是一套软件规范。它为每台物理设备提供标准化的驱动，把设备能力抽象成最简单的”读取”与”写入”原语：读取温度、修改某个参数；同时用自然语言标签描述每台设备的特性与安全操作边界，让智能体知道”这台设备是什么、能对它做什么、做到什么程度必须停下”。多台设备的变量、控制量和传感器读数则被放进一块共享内存字典，多台仪器可以在内存速度下互通状态，而不需要为每一对设备写定制桥接程序。
智能体接入 MHS 有三种方式：MCP 协议、命令行接口，以及代码文件与 API。值得注意的是，MHS 与模型无关——任何智能体框架都可以通过标准协议接入，并非 Claude 专属，尽管目前的演示大多基于 Claude 完成。
从脑成像实验台到行业标准
MHS 的起源颇具传奇色彩。它始于 Anthropic 有益部署团队的 Alek Kemeny 与 HHMI Janelia 研究中心博士后 Arco Bast 的合作。Bast 在做脑成像实验时，实验台上拼接着来自不同厂商的激光器、电动调焦器和专用相机，彼此没有统一接口。他干脆自己写了一套共享内存字典，让仪器们以内存速度直接对话。Kemeny 与 Bast 又把 AI 模型接进了同一套接口，MHS 就这样生长了出来。
在研究预览阶段，一批合作伙伴已经拿出了实测数据：
- QuEra（量子计算）：四人团队曾花数月写出的激光重锁脚本，成功率只有 58%，每次尝试约 150 秒。Claude 通过 MHS 接入后通宵循环迭代——一个角色提假设、一个改脚本、一个在真实激光器上运行并记录、一个读日志决定下一步。到第二天早晨，单次恢复耗时约 6 秒、成功率 96%；后续 700 次盲测中 695 次命中，达到 99.3%。
- HHMI Janelia：一组脑成像实验从原来的数周压缩到一天完成。
- Genentech：AI 智能体自主完成了药物发现实验中的实时纠错。
- 卡内基梅隆大学：连续稀释剂量反应实验提速约 3 倍，设备集成只花了约 8 小时，而非常规的数周。
- 华盛顿大学：一名博士生在一周内接通了 6 台仪器，包括编写驱动。
Anthropic 表示，MHS 能把硬件集成从”数周到数月”压缩到”数小时甚至数分钟”，并让智能体编排全天候自主实验：逐步推理、实时调参，某些情况下还能在无人值守时从硬件错误中自行恢复。
安全先行：暂不开源
与 MCP 当年迅速开源不同，MHS 目前只向科研实验室和先进制造商开放申请，完整规范尚未开源。Anthropic 明确表示，开源要等”物理安全路线图”走完之后——毕竟，能让智能体直接操控激光器和机械臂的系统，安全评估必须先行。硬件厂商侧已有跟进：AWS 通过 Strands Robots 提供支持，Automata 的 LINQ 实验自动化平台、Tecan 的 Fluent 移液工作站、Universal Robots 的机器人平台都在接入 MHS。
诚实的局限：模型还”不懂物理”
Anthropic 对 MHS 的短板相当坦率。Claude 的物理与空间推理能力依然有限：在 Genentech 的案例中，模型一开始没意识到蛋白样本起泡是个物理问题，反而去排查软件 bug，最后是研究人员教会了它区分两者。这意味着，智能体操控真实设备时，人类专家的监督短期内不可或缺。此外，MHS 帮不上没有任何可编程接口的”哑设备”，这类硬件需要厂商先把驱动做进设备里。而更深层的治理问题——智能体操作机器出了事故由谁担责——答案还写在法院和监管机构的未来文件里，而不只在技术规范中。
展望：实验室的”USB-C 时刻”
如果说 MCP 统一了 AI 与软件工具的连接方式，MHS 就是要把”一次集成、处处可用”的哲学搬进物理世界。Anthropic 有益部署负责人 Elizabeth Kelly 直言，这套标准”为科学而建”，但对企业和工业界同样意义重大。当 24 小时自主实验、实时调参、错误自恢复成为实验室的日常，科研自动化的”熄灯工厂”可能比预期来得更早。MHS 最终能否成为实验室设备的”USB-C”，取决于它开源后的生态速度——以及第一起事故发生时，行业能否给出令人信服的安全答案。