背景：AI跨越物理世界的边界
过去一年，Agent已经接管了浏览器、终端、代码库和各种软件工具，但始终有一道边界AI未能真正跨越——物理世界。在实验室中，显微镜、机械臂和液体处理器等设备虽然AI能指导操作，却无法亲手执行。这一局面随着Anthropic发布模型硬件标准（MHS）的研究预览版而被打破，Claude开始能够直接操控真实的物理设备。这被视为近期最被低估的发布之一，因为MHS本质上是给AI装上了眼睛和双手，使其从数字世界真正走进物理世界。要理解MHS的重要性，必须回顾其前身模型上下文协议（MCP）。
“Claude开始能操控真实的物理设备了，机械臂、显微镜、液体处理仪、激光器甚至量子计算机的激光系统现在都可以被AI直接上手操作。”
两年前Anthropic推出MCP时，其目标是为AI连接数据库、文件及软件工具制定统一接口。尽管初期因竞争关系不被看好，但MCP迅速成为事实上的行业标准，被ChatGPT、Gemini、Microsoft Copilot及国产AI产品广泛支持。Anthropic甚至将MCP捐给Linux Foundation旗下的Agentic AI Foundation。模型会更新，但标准一旦确立影响持久，Anthropic正将这一逻辑复制到物理世界。
MHS的技术架构与核心机制
MHS是一套面向物理硬件的标准化驱动程序和通信协议，旨在解决实验室设备长期存在的“语言不通”问题。过去，不同设备使用MATLAB、Python或C#等不同接口，搭建自动化流程需数周甚至数月。MHS通过三层技术骨架解决这一痛点：
- 标准化驱动：每台设备安装MHS驱动程序，使用读取和写入等极简指令统一语言。设备以标准格式注册后可跨网络被智能体自动发现，无需一对一编写定制代码。
- 自然语言标签：将机械臂重量、转速等物理信息通过大白话写入标签，或让AI生成参考文件。Agent读取后即可操作从未见过的设备。
- 三种调用通道：通过MCP、命令行或API统一调度，一行代码即可协调多台设备。
“你可以把它直接理解为物理世界AI设备的USB-C接口，再加上即插即用协议。”
MHS与基础模型无关，任何Agent框架均可接入。它与MCP构成上下层关系：MCP连接软件工具，MHS连接物理设备。这种架构使得AI能够以标准化方式与硬件交互，大幅降低自动化门槛。
量子计算案例：QuEra的激光校准突破
最具戏剧性的成果来自QuEra量子公司。其中性原子量子计算机需通过激光精准控制原子量子比特，对频率漂移、温度和振动极度敏感。人工恢复故障需5-10分钟且成功率低，此前四人团队开发的自动化脚本成功率仅58%，单次恢复约需150秒。
Claude通过MHS接管后，四个实例组成循环（提假设、改脚本、跑实验、读日志），一夜迭代数百次。结果如下表所示：
| 指标 | Claude前（人工/旧脚本） | Claude后（MHS自动化） |
|---|---|---|
| 恢复时间 | ~150秒 | ~6秒 |
| 成功率（初期） | 58% | 96% |
| 后续盲测成功率（700次） | N/A | 99.3% (695/700) |
Claude将线性步骤改写为决策树，通过反复制造扰动找出规律。在调参环节，Claude用16小时进行363次实验，将激光伺服环路的残余误差从专家的15.7毫伏降至1.55毫伏。独立验证显示，Claude参数连续19小时不失锁，而专家参数平均每小时失锁1.6次。此外，Claude发现了一个约220千赫兹的共振峰（噪声高一千倍），这是专家因使用均方根误差近似而遗漏的关键点。
生物实验室案例：Genentech与CMU的实践
在Genentech的BCA蛋白定量实验中，Claude协调液体处理器、机械臂和读板器。它自主测试流速并收敛至合理参数（水样140微升/秒，蛋白样品10微升/秒）。然而，Claude暴露了物理直觉短板：面对粘稠蛋白溶液起泡问题，它本能地重试同一孔位导致泡沫增多。研究人员介入纠正后，Claude才学会更换干净孔位并减少混合次数。Anthropic承认Claude对物理世界的了解来自文本和图像，空间推理能力有限。
在CMU团队的极端环境中，三台电脑控制三种不兼容设备。MHS将不同风格统一为状态和操作描述，仅用8小时完成驱动编写（厂商通常需数周）。第一轮实验因拟合R方小于0.9被AI判定不合格，自动调整浓度后第二轮R方大于0.98。系统成功拦截了包括板子缺失、相机断连等六种故障。在Janelia研究园区，MHS将七步启动简化为一次点击，新加相机仅需几分钟配置。一项需数周的脑成像实验在Claude接管后一天完成。
MHS的起源与行业早期采用者
MHS起源于Janelia博士后Arco Bast为解决显微镜设备不互通而开发的共享内存字典，后由Anthropic的Alek Kemeny接入AI模型。华盛顿大学博士生Song利用MHS在不到一周内连接六台仪器，实现了qPCR实验的远程监控和实时分析，消除了凌晨换板的重复劳动。
生物自动化公司Tetsuwan将MHS接入平台，通过摄像头检测气泡并通知Claude处理。其编译器优化实验显示，AI闭环优化的液体转移精度比厂商规格高约17%。HuggingFace研究员在LeRobot项目中测试发现，未经训练的Claude Code可直接操控机械臂完成积木分类。树莓派也成功测试了摄像头MHS驱动，并将在多款产品中启用集成。这些案例展示了MHS在快速部署和跨设备协调上的潜力。
局限性与现实挑战
尽管成绩亮眼，但“黑灯实验室”的到来尚早。Claude在实验记录中暴露了肉眼可见的局限性：
- 物理直觉缺失：Claude通过文本和图像理解世界，缺乏空间推理。在QuEra案例中，遇到光束物理遮挡时，Claude只会停下来等待人工确认，导致实验空转。Anthropic指出：“过度谨慎的Agent比不够谨慎的好”，但安全第一、效率不足是具身智能的现状。
- 设备覆盖限制：MHS仅能接管有编程接口的硬件。对于无API的老式设备（如CMU的读板器），MHS只能模拟GUI点击，制约了自动化效率。Anthropic正与制造商合作集成驱动。
- 计算成本：AI持续在线监控带来高昂开支，对预算紧张的学术实验室构成挑战。
- 监管真空：MHS依赖驱动文件中的安全边界（如最大转速）。若配置错误导致事故，责任归属尚无定论。为安全妥协可能影响技术实现。
“Claude对物理世界的了解来自文本和图像，空间和物理推理能力有限，仍然需要专家监督。”
战略意图与未来展望
MHS背后是Anthropic的战略布局：从争夺模型能力转向定义连接世界的标准。正如USB、蓝牙等标准的制定者获得持久影响力，Anthropic试图让MHS成为AI进入物理世界的底层接口。目前硬件厂商跟进迅速：AWS通过Strands Robots库支持MHS，Doosan Robotics、Universal Robots和Tecan均在测试或计划集成。
与Physical Intelligence等端到端机器人路线不同，MHS选择让大模型当指挥官调度现有硬件。两条路线可能互补而非替代。社区反应两极：有人惊叹其速度，也有人质疑安全性及缺乏公开讨论（RFC）。Anthropic目前暂缓全面开源，限制在核心合作方内测试安全边界。
结论
MHS目前仅为研究预览版，应用场景有限且面临安全、实时控制和硬件差异等复杂问题。它能否复制MCP的成功尚不确定，先发优势并非绝对保障。但如果成功，其影响将超越软件领域：未来实验室和工厂中的设备将默认保留AI可理解的统一接口，无论接入Claude、GPT还是其他模型。Anthropic争夺的是AI进入物理世界最底层的接口。过去大模型仅能指导人类，现在它开始亲手操作。若此愿景实现，MHS留给行业的将不仅是Claude的能力，更是整个物理世界自动化的新基础设施。