Anthropic发布模型硬件标准MHS研究预览版

为AI智能体打通物理世界：MHS应运而生

Anthropic正式开放Model Hardware Standard（MHS）的研究预览版本。这是一个开源、共享的硬件接口规范，专为AI智能体（AI agents）安全、可靠地发现、理解并操作真实物理设备而设计。其核心目标是解决科研与工业场景中长期存在的‘集成税’（Integration Tax）问题：实验室工作台或工厂单元通常由不同厂商的仪器拼装而成，这些设备从未被设计为协同工作——每台设备自带专属编程接口，工程师需为每一对设备手动编写定制化转换器（translator），整个系统搭建常耗时数周乃至数月。

标准化驱动层：轻量原语 + 可解释元数据

MHS本质上是对设备驱动层的标准化——即操作系统与硬件之间的抽象层。它仅暴露一组极简的核心原语：`read`（如读取温度）、`write`（如设定温度）及`discover`（设备自发现）。借助此机制，设备与智能体可在网络中直接识别彼此，无需中间翻译器。更重要的是，MHS驱动不仅封装控制逻辑，还承载代码本身无法表达的物理知识：例如机械臂的质量、传感器量程、运动限位、热容等。这些信息以‘驱动标签’（driver tags）形式存在，支持用户用自然语言直接填写，或由AI智能体通过对话式交互引导用户录入。最终，驱动将这些标签编译为结构化参考文件，明确记载设备测量什么、可调节哪些参数、强制执行哪些安全边界。

三重控制通道与模型无关性

MHS支持三种控制方式：Model Context Protocol（模型上下文协议）、命令行界面（CLI）以及标准代码文件。其设计强调模型无关性（model-agnostic）——任何AI智能体框架均可通过通用协议（如HTTP、gRPC）接入MHS，无需绑定特定大模型或推理引擎。

实证：跨领域加速自动化实验闭环

多家合作机构已开展实测验证：

• Genentech 将BCA蛋白定量实验自动化部署于液体处理仪、机械臂与微孔板读数仪之间。Claude智能体自主完成染料液转移、吸光度读取，并以RMSE指标自我评估；最终收敛出合理流速参数（水：~140 µL/s，RMSE 0.016；粘稠BSA溶液：10 µL/s，RMSE 0.181），获领域专家确认。

• QuEra Computing 针对激光重锁任务，传统由四人团队耗时数月开发的脚本成功率仅58%，单次尝试约150秒；改用MHS后，四角色智能体循环在无人值守状态下整夜运行，生成确定性Python脚本，700次尝试中成功锁定695次（99.3%），最困难案例耗时10–14秒（人类需5–10分钟）；伺服残余误差亦从专家调优的15.7 mV降至1.55 mV，且在19小时连续运行中未发生一次失锁（专家方案平均每小时失锁1.6次）。

• 卡内基梅隆大学 利用MHS协调液体处理仪、微孔板读数仪、机械臂与摄像头（分属三台操作系统互不兼容的计算机，其中一台甚至无程序接口），将剂量-响应实验速度提升约三倍；从编写驱动到生成完整拟合曲线（含AI自动判定R²<0.9后触发重试），全程约8小时，远低于传统厂商集成所需的数周；六种预设故障条件均在设备启动前即被MHS安全机制拦截。

• 华盛顿大学 的博士生在Baker与Pinglay实验室，一周内完成六台异构仪器的MHS驱动开发与联调。

• Tetsuwan Scientific 已将MHS集成至其ResearchOS平台，进一步强化科研自动化底座能力。

编者观点

面向中国科研自动化与高端制造升级需求，MHS所倡导的‘语义化硬件接口+AI原生驱动’范式，为国内AI智能体向物理世界延伸提供了可借鉴的工程路径——关键在于推动设备厂商参与共建开放硬件语义标准，而非仅依赖私有协议适配。