原文：Anthropic，2026 年 8 月 27 日 标题：Previewing the Model Hardware Standard 链接：anthropic.com/news/model-hardware-standard-research-preview 正文全文翻译；原文后半部分是六个伙伴单位的独立长文案例，此处每个案例做简明导读。
发布模型硬件标准研究预览 链接到标题
我们正在向首批科学研究实验室和先进制造商开放「模型硬件标准」（Model Hardware Standard，MHS）的研究预览。MHS 是一份共享规范，让 AI 智能体能够安全地操作物理设备。借助 MHS，AI 智能体可以并行操作多台实验室和制造仪器——显微镜、移液工作站、机械臂——执行从常规药物发现实验到量子计算机激光校准在内的复杂任务。MHS 的开发始于 Anthropic 与 HHMI Janelia 研究园区的合作。
一个实验室或制造工厂要把硬件 setup 并集成起来，通常需要数周甚至数月。大多数设备彼此不能通信，需要专家编写定制集成。MHS 把这些集成工作压缩到几小时甚至几分钟。而把 AI 融入这些工具后，MHS 还帮助研究者和工程师更容易编排自主的、全天候的实验和工作流：智能体能够推理实验的每一步、实时更新参数，某些情况下还能在无人干预下从硬件错误中恢复。
我们正向科学、机器人、电子和制造领域的伙伴分享 MHS 的早期版本，以便协作构建安全评估、为操作物理设备的 AI 系统建立最佳实践——在标准开源之前。MHS 适用于任何具有可编程接口的设备。它也是模型无关的（model-agnostic），任何智能体 harness 都能通过标准协议（如 Model Context Protocol）访问它。
MHS 如何工作 链接到标题
让实验室或工厂车间里的多台设备互相通信本身就很难，更别提把 AI 集成进来。每台设备往往有自己的编程接口，迄今为止没有标准化的集成方式。就算设备连起来了，也没有让它们与 AI 智能体共享数据、或让智能体安全操作它们的通用方法。
MHS 通过引入标准化驱动程序（driver）解决这些问题——驱动程序是操作系统与硬件设备之间做翻译的软件。MHS 驱动使用一组简单「原语」（primitives）——如「读」（例如「获取温度」）或「写」（例如「设置温度」）——任何硬件设备都能理解并执行。它还让每台设备以标准格式可被发现，这样设备和智能体可以跨网络互相找到并通信，不再需要中间的定制「翻译器」程序。
MHS 驱动还帮助 AI 智能体理解如何使用一台它从未见过的设备，提供那些仅从代码无法辨别的机器特性信息（例如机械臂的重量——这对安全操作它很重要）。迄今这些信息大多存在纸质手册里、用户的电脑里，或是作为隐性知识（tacit knowledge）存在。MHS 驱动包含标签（tag），让用户直接用自然语言写入这些信息（用户可以自己写，也可以通过与智能体聊天、由智能体采访他们的硬件配置来写）。基于这些标签信息，MHS 驱动自动生成一份参考文件，包含设备的一般特性：能测量什么、能调节什么、将强制执行哪些安全限制。这份文件给了智能体操作该设备所需的一切。
设备连接好、智能体知道怎么用之后，还需要控制硬件的方法。MHS 有三种机制：MCP、命令行界面（CLI）和代码文件（API）。三者协同，使一行代码就能编排多台设备。
智能体能控制设备后，就能接收每台设备的运行数据，并在高层监督和指挥工作：跨仪器排序步骤、监控结果、随条件实时变化调整参数。当智能体需要执行长时间运行的任务、或以超过在线推理速度操作设备时，它可以把一台或多台设备的驱动命令串成代码文件，让设备自己执行操作，无需智能体每步都推理。
在测试 MHS 的过程中，我们发现 Claude 与实验和硬件的交互方式是探索式的，很像科学家。例如，我们观察到 Claude 调整激光后，通过摄像头观察结果、评估调整如何移动了光束，然后重复这一过程以理解事件序列。随后 Claude 把学到的东西打包成代码文件，写出一个确定性脚本，让它无需逐步推理就能对准激光——整个过程可以作为一条命令运行。
我们希望 MHS 能降低科学家和工程师编排自主、长时间运行实验的门槛，让硬件制造商更容易与 AI 智能体生态集成，并推动机器人科学、「智能体+设备」计算范式的前沿发展。
六个早期案例导读 链接到标题
原文后半部分是六家机构各自的完整长文，以下按原文顺序做简明介绍，关键数据均出自原文。
案例一：Genentech（基因泰克）——药物发现实验室自动化 链接到标题
基因泰克用 MHS 做了自动化 BCA 蛋白测定的概念验证：需要协调移液工作站、机械臂、酶标仪三台仪器，由 Claude 担任编排中枢。最有意思的三个发现：
- 自主优化：让 Claude 自主优化液体转移的流速，它得出水用约 140 µL/s、粘性蛋白溶液只用约 10 µL/s 的结论——与人类专家经验一致。这类优化过去需要自动化专家为每组参数编写定制程序、反复迭代
- 自主错误恢复：遇到吸头拾取失败、液体检测错误等意外，Claude 能自己恢复——现有科学仪器大多不具备这种能力
- 暴露了模型的局限：Claude 遇到气泡引发的运行错误时，本能反应是换参数在同一孔位重试，结果搅动液体产生更多气泡。被点破「错误源于物理气泡、应该换孔并减少混匀」之后，它在整个运行中保持了这个认知。团队把这些教训固化为可复用的「移液技能」
案例二：华盛顿大学 Baker/Pinglay 实验室——把 AI 带到实验台 链接到标题
背景是蛋白质设计领域的痛点：AI 设计一个新蛋白只要 1 美分，但测试一个候选要约 100 美元加一周人工；仪器分散在实验室各处，博士生半夜跑腿换板。传统自动化平台昂贵又不灵活。他们用 MHS 实现了两个场景：
- 远程监控：所有仪器状态汇入一个仪表盘，在手机上问智能体即可；智能体监督 qPCR，实时观察扩增曲线，在正确时机停止反应并让样品进入 4°C 保温——不再需要人盯
- 跨设备协作：开源的 LeRobot 机械臂与移液工作站协作换板，Claude 通过 MHS 协调两台设备的时序，重复测试零碰撞，全程在办公室电脑上看着
集成 6 台仪器（含编写驱动）只花了不到一周；过去仅评估平台这一步就要数周，很多实验室最后干脆放弃。
案例三：卡内基梅隆大学——剂量响应实验提速 3 倍 链接到标题
药物开发要确定剂量，梯度稀释实验手动做要数周。CMU 的设备分散在三台接口完全不兼容的电脑上（一个用任务目录调度器、一个用 Windows ActiveX/COM、一个只有图形界面没有 API）。MHS 把它们统一成「状态 + 程序」清单之后：
- 从零开发驱动加编排层，让 Claude 自主跑完整套剂量响应协议：8 小时完成，而厂商报价是数周，实验速度约为原来的 3 倍
- 安全验证：人为制造了 6 种异常（缺板、板子转向、读板仪被占用、摄像头断开、设备不可达、急停激活），系统在设备动作之前全部正确拦截
- 自主科学决策：第一次运行拟合质量差（R²<0.9），Claude 自主判断是高浓度端饱和，决定弃板、把浓度范围从 200 压缩到 100 µg/mL 重跑，得到 R²>0.98——全程无人干预
案例四：HHMI Janelia——显微镜成像研究提速 链接到标题
Ahrens 实验室用幼年斑马鱼研究睡眠，成像设备填满一屋子，控制软件来自七家厂商、用 MATLAB/Python/C# 等不同语言写成、互不相通，启动一次实验要按固定顺序打开 7 个程序。MHS 带来的改变：
- 每台设备的状态、控制、传感器值记入共享内存里的统一「状态字典」；新增一台激光束相机从数天项目变成几分钟的事，还能把光束位置反馈给振镜做精确对准；启动实验从 7 步变成仪表盘上一键
- 在线分析：所有数据流以统一格式进入状态字典，分析和可视化代码可以跨设备复用
- 智能体显微镜：实验有权衡（成像速度 vs 覆盖范围），传统做法是一次设定跑到底；现在智能体可以在决策点介入，选择成像区域和分析内容，MHS 在设备层强制执行安全限制（如激光功率上限防止样品漂白）——已经发现了固定设置会漏掉的振荡细胞群，同时减少实验动物的使用
顺带一提，MHS 的起源正是 Janelia：博士后 Arco Bast 为了加速自己的脑成像实验，开发了把整台设备 rig 的状态放进共享内存标准化字典的做法，这成为 MHS 的雏形。
案例五：QuEra Computing——量子计算机的激光「急救员」 链接到标题
这是六个案例里最戏剧性的。中性原子量子计算机依赖激光与原子的受控相互作用，每台激光必须把频率锁定到约万亿分之一的精度；温度、振动、气压的微小变化都会导致「失锁」，让数小时的量子计算中途报废。传统恢复方式是专家花 5-10 分钟手动处理——大学实验室里凌晨 2 点失锁，得有人开车去实验室。
- 此前一个四人团队花数月写的自动化脚本，复刻人类专家的线性步骤，成功率只有 58%、每次约 150 秒
- 换成 Claude 通过 MHS 自主迭代：整夜无人值守跑了数百次实验，到早上恢复耗时降到 约 6 秒、成功率 96%。关键在于 Claude 把线性序列重写成了决策树——按仪器读数分支应对，而不是每次从头再来
- 盲测：700 次随机诱导的扰动中成功恢复 695 次，成功率 99.3%；最难的情况也要 10-14 秒（人类要 5-10 分钟）。最终产物是确定性、完全可检查的脚本，生产环境无需智能体在线
- PID 调参：12 个伺服环的参数优化，16 小时无人值守完成，残差从 15.7mV 降到 1.55mV（约 10 倍改善）；19 小时连续运行中，Claude 调的参数零失锁，而专家调的参数平均每小时失锁约 1.6 次
案例六：Tetsuwan Scientific——公民科学项目表征溪流污染 链接到标题
自动化生物学实验室平台 ResearchOS 借 MHS 把 Claude 变成整个设备舰队的编排层，用于加州 Pacifica 的公民科学项目：用 qPCR 表征 San Pedro 溪的粪便污染来源。两个亮点：
- 跨设备错误恢复：摄像头检测到移液起泡后，智能体扫描 MHS 网络找到一台离心机，主动建议把管子移过去低速离心除泡，再通过 MHS 下发命令——协议本身是硬件无关的，只写「15000 rpm 离心 5 分钟」，不指定离心机型号
- 闭环优化编译器：Claude 基于 9143 次分液、1508 个测试条件的数据，持续改进系统的精度模型，在留出实验上比厂商技术规格的预测准确约 12%（45 次中 31 次胜出），在最高复现数据上约 17%
- 项目初步结论：溪水中清晰检出人类特异性肠道细菌标记，未检出马、鸟、狗等其他宿主来源——印证了当地联盟「人类是主要污染源」的判断
硬件厂商生态 链接到标题
以下厂商正在把 MHS 驱动接入自家产品：AWS（Strands Robots 机器人库）、Automata（LINQ 自动化平台）、Danaher、Doosan Robotics（用机械臂做 QA 检测）、MBF Bioscience（ScanImage 激光扫描显微镜软件）、QIAGEN（QIAsymphony 核酸纯化）、Tecan（Fluent 移液平台）、Universal Robots。早期采用者还包括 Hugging Face（机器人库 LeRobot）和 Raspberry Pi（树莓派相机模块的 MHS 驱动已测试成功，将在多条产品线启用）。
加入研究预览 链接到标题
MHS 还处于早期。Claude 通过文本和图像学习物理世界，空间和物理推理仍有局限，需要专家监督——Genentech 案例里的气泡问题就是例子。MHS 目前不支持没有编程接口的硬件，我们正在与制造商合作把 MHS 驱动直接内置到设备里。许多开发者已经在用 Claude Code 操作单个物理设备，MHS 的下一阶段希望覆盖更多设备。我们还将与发布伙伴构建更多安全评估，并制定物理安全路线图。开源 MHS 时，我们会把研究预览的发现作为安全部署指南的一部分一并发布。欢迎科学、机器人、电子、制造等领域的团队加入等候名单。
致谢：MHS 的起源 链接到标题
MHS 源于 Anthropic Beneficial Deployments 团队的 Alek Kemeny 与 Janelia 博士后 Arco Bast 的合作。Bast 的脑成像实验组合了不同厂商的激光、电动聚焦器和专用相机，没有公共接口；为加速实验，他开发了共享内存字典，让仪器以内存速度互相通信。Kemeny 与 Bast 合作把 AI 模型集成进这一接口，最终长成了 MHS。
译者注：这篇和我之前写的两篇正好连成一条线——《Agent 操控 Windows 三件套》是「AI 操作物理设备」思想在桌面电脑上的缩影（读状态 → 决策 → 执行 → 观察），而《提示词工程 vs 上下文工程 vs 驾驭工程》里的 harness 概念，在 MHS 里变成了物理世界的标准化 harness：状态字典是传感器，设备级安全限制是权限边界，参考文件是给智能体的地图。另外值得留意 MHS 与 MCP 的分工：MCP 标准化了模型与工具之间的通道，MHS 标准化了智能体与硬件之间的通道——两者叠加，AI 才真正长出了「手」。