Anthropic 再定統一標準：MHS，打通 AI 與物理世界的統一接口

MHS把一場新藥研發實驗速度提升3倍。作者丨高允毅 編輯丨岑 峰 這是Anthropic第二次發佈全行業統一協議。第一次，它發佈了MCP，它統一了 AI 代理調用外部工具、數據源與 API 的方式，如今滿世界的 Agent 都靠它連數據庫、接瀏覽器、調 API。這一次，它把完全相同的邏輯延伸到了物理世界，Agent可以和不同的物理設備之間對話了。這是一套面向物理設備的 AI 代理接口標準，叫Model Hardware Standard（MHS），此次發佈的是預覽版本，已經在全球頂尖實驗室的顯微鏡、機械臂和量子計算機上使用起來了。

它解決的，是整個科研與工業領域頭痛了二十年的問題：硬件接口碎片化。01二十年未破的困局：標準追不上硬件的多樣性這是一個所有實驗室從業者都心照不宣的困境。在一間自動化實驗室裡，成像相機可能基於 Python 開發，探測器運行在 MATLAB 環境中，電生理設備採用 C# 架構，而機械臂、共聚焦顯微鏡、移液工作站更是各有各的專屬驅動、私有數據格式和封閉控制軟件。多數情況下，哪怕是相鄰的兩臺儀器，都無法感知彼此的運行狀態。如果研究人員想實現 “相機識別樣本後，通知機械臂去抓取”，對不起，你得找程序員為這兩臺設備單寫一套定製化的連接代碼。涉及的設備越多，集成的工作就越複雜。

為了打通壁壘，整個行業已經掙扎了二十多年，先後誕生了 SiLA、OPC UA/LADS、AnIML 等多套公開標準，卻始終沒能形成真正的行業通用語言。它們的失敗，都源於試圖用死板的代碼規則，去框住無限的硬件世界。比如說，SiLA 2 試圖定義萬物。為了描述一個“加熱模塊”，它恨不得把最高溫度、升溫速率等相關信息都規定好格式。但世界上有無數種儀器，每出個新設備，標準委員會就得開會改文件，迭代效率很低，至今市場普及率仍然有限。OPC UA 是因為架構太重了。它的改造成本極高，經常逼著廠商手寫成千上萬行底層代碼。

至於 AnIML，它的定位本身就是實驗數據格式標準，只負責統一不同儀器的輸出數據格式，不涉及設備控制邏輯，這相當於“光記賬，不幹活”，根本沒解決設備怎麼協同的問題。面對設備的多樣性和科研場景的靈活性，如果都依靠人類工程師一行行修補代碼，註定了這條路越走越窄。02MHS 的核心：給硬件裝一個 “統一翻譯器”MHS 能打破這個僵局，是因為 AI 帶來了降維打擊。它的核心邏輯變了，我不逼著硬件改底層代碼了，我在中間加一層“統一翻譯器”，讓大模型來包容你們的多樣性。這個“翻譯器”，就是整套 MHS 體系的核心設計。

首先，Agent可以發佈一些簡化的命令，無論是獲取設備信息，還是寫入控制參數，設備都能聽懂。AI還可以給設備寫“使用說明書”，這又叫reference file，裡面記錄了每個設備的實時狀態、參數、傳感器數據。AI 每次要下達指令前，不用逐個對接設備，讀取這一份數據就能掌握全實驗室的設備狀態。但這畢竟是現實世界。AI 在電腦裡說錯話頂多彈個報錯，在現實中要是算錯了某個數據，造成設備的損毀，可是非常高昂的代價。所以，MHS 特意安裝了一層“安全護欄”，在設備接入時，最大功率、最大運動範圍等安全閾值會被寫入MHS的驅動底層，AI無法突破這些安全邊界。

這樣哪怕Agent發錯指令，MHS 也會提前攔截，確保設備的安全。但 MHS 真正的價值，不止是打通設備連接，而是讓 AI 代理能在物理世界跑通“觀察 - 判斷 - 執行 - 迭代”的完整閉環，自主完成實驗優化。卡內基梅隆大學研究團隊在用 MHS 統一協調液體處理儀、讀板機、機械臂和監控相機時，不僅把編排實驗順序、監控實驗進度處理得井井有條，還直接把實驗速度提升了約 3 倍。而當 Claude 和 MHS 深度配合時，它們甚至能找到實驗的全局最優解。量子計算公司 QuEra 的中性原子量子計算機中，激光器的頻率精度需要控制在萬億分之一，相當於地月距離誤差不超過一根頭髮絲。

溫度、振動、氣壓的微小波動都可能讓激光 “失鎖”，直接導致數小時的量子計算作廢。由於它的精度要求極高，傳統上完全依賴人類專家手動修復，每次都需要 5 到 10 分鐘。為了解決這個問題，QuEra 之前曾專門花了幾個月時間寫了一套自動化修復腳本。但由於底層設備邏輯太複雜，這套腳本的效果很差：成功率只有 58%，而且每次修復都要耗時 150 秒。接入 MHS 之後，團隊給 Claude 設定了目標，寫一個獨立的 Python 腳本實現激光重鎖，要求一次成功並保持 30 秒。

然後他們搭建了一個四實例的 Agent 閉環：一個 Claude 負責提出優化假設，一個負責把假設寫成恢復腳本，一個負責在真實激光器上運行腳本並記錄每一步，一個負責讀日誌、分析結果、決定下一步怎麼改。這個循環一夜之間無人值守地跑了幾百次。最終的結果是：恢復時間從 150 秒壓縮到約 6 秒，盲測 700 次的成功率達到 99.3%。最複雜的失鎖場景恢復也只需要 10-14 秒，遠快於人類的 5-10 分鐘。最能體現MHS效率的是在後續的 PID 參數調優。激光鎖頻的質量由 12 個 PID 參數決定，人類專家一般靠 RMS 誤差經驗性地調參，很難找到全局最優。

Claude 則在 16 小時裡做了 363 次實驗，每次調整都採集示波器波形做傅里葉變換，精確測量全頻段噪聲。最終，它把殘留誤差從專家調校的 15.7mV 降到了 1.55mV，降低了約 10 倍。在 19 小時的連續測試中，專家調校的參數每小時失鎖約 1.6 次，而 Claude 調校的參數一次都沒有失鎖。03為什麼 Claude 不直接控制機器？那既然 AI 這麼厲害，為什麼不讓 Claude 直接實時控制機器呢？這其實是出於安全的考量。物理世界的動作往往極快，但大模型在雲端推理有固有的延遲，經常在幾十到幾百毫秒之間，根本跟不上硬件的速度。

大模型還有幻覺等不確定問題，稍有差錯，設備就會損毀。所以，MHS 從一開始就把模型推理層和設備執行層做了嚴格的分離：讓 Claude 動腦想方案，讓確定性的代碼動手控設備。為了兼顧靈活性與高速度，MHS 設計了“在線指揮”與“離線連發”兩種控制模式。對於需要臨時調整的“慢工細活”，AI 會採取“在線指揮”模式，調一步、看一步。比如調整某個化學反應的攪拌速度，Claude 會改一下參數，通過攝像頭看一眼結果，自己摸索其中的物理規律。而一旦摸索清楚規律，或者面對需要極限速度的場景，AI 就會切換到“離線連發”模式。

Claude 會把幾十步動作直接打包，在線寫成一個確定性的 Python 代碼腳本直接下發。設備在本地離線一口氣跑完，中間不需要停下來等待雲端 AI 的指令，從而徹底繞過了網絡延遲。硬件是一個比軟件工具大得多的市場，也是一個嚴肅得多的場景。如今，丹納赫、QIAGEN、Tecan 等生物科技巨頭，斗山機器人等工業先鋒，以及 AWS 等科技公司，都已經加入了 MHS 的生態圈。AI 操縱物理設備，成為了人們押注的下一個趨勢。在過去幾天裡，Claude 的科研能力已經被驗證：在無人類指導下自主設計蛋白質結合劑，化學家啃半小時的數據它只需 23 分鐘。讀論文、寫數據、生成報告的“大腦”已經就位。

如今 MHS 補齊了這“最後一公里”，讓 AI 真正長出了觸碰儀器的“雙手”。一旦這個標準全面建立，整個工廠、實驗室甚至機器人集群，都將變成 Agent 的 “運行時環境”。Agent 不僅是軟件世界的效率工具，更將成為物理世界無處不在的操作系統。Anthropic的服務範圍在擴大，角色也在從“工具提供商”向“行業規則制定者”演進。未來無論誰的硬件設備在市場上勝出，想接AI的能力，就得跟著它的接口走。這是生意，更是權力。

而這一仗的第一戰，Anthropic 從門檻最高、也最保守的生物醫藥、量子計算等科研實驗室開始切入，不只是因為這裡的設備碎片化痛點最突出，而且是 AI 汲取真實物理規律、通向 AGI 最近的領域之一。科學發現的週期，或許很快就會從以年為單位，壓縮到以天、以小時為單位。參考鏈接：https://www.anthropic.com/news/model-hardware-standard-research-preview上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。