大家好，这里是最佳拍档，我是大飞。过去一年 Agent 已经把浏览器、终端、代码库和各种软件工具接管了一个遍，但是有一道边界 AI 始终没能真正跨过去，就是物理世界。那些实验室里的显微镜、机械臂、液体处理器，AI 能告诉你怎么用，但它自己动手不了。这个局面，如今也被 Anthropic 打破了。
最近 Anthropic 正式发布了一项叫模型硬件标准（简称 MHS）的研究预览版，说直白点就是 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。有人说这可能是最近最被低估的发布之一，因为 MHS 做的事情本质上是给 AI 装上了眼睛和双手，让它从数字世界真正走进了物理世界。
要理解 MHS 为什么重要，得先聊聊它的前身模型上下文协议（MCP）。两年前 Anthropic 推出 MCP 的时候看起来一点也不起眼，它想做的事情说白了很简单：就是给 AI 连接数据库、文件和各种软件工具制定一套统一的接口。当时很多人不看好，毕竟大家都是竞争对手，凭什么用你 Anthropic 的标准呢？
但是后来的发展出乎所有人意料。MCP 很快走出了 Claude 自己的生态，ChatGPT、Gemini、Microsoft Copilot、Cursor、VS Code 以及几乎所有的国产 AI 产品都已经支持它了。Anthropic 后来甚至把 MCP 捐给了 Linux Foundation 旗下的 Agentic AI Foundation，现在已经成了事实上的行业标准。
模型会不断更新，随时会被替换，但是标准一旦被行业广泛采用，影响往往会持续得更久。Anthropic 显然尝到了这个甜头，现在它要把同样的逻辑搬到物理世界。MHS 的本质是一套面向物理硬件的标准化驱动程序和通信协议，它要解决的问题很具体：实验室里的设备之间长期存在语言不通的顽疾。
显微镜由 MATLAB 控制，相机用 Python，电生理设备跑 C#，每台设备都有自己的编程接口却没有统一标准。过去搭一套自动化实验流程往往要几周甚至几个月，还得靠自动化工程师写一堆的定制代码。在生物实验室里，一位博士生要每 90 分钟去换一次 PCR 板，凌晨 4 点也不能例外。
一位显微镜研究员启动实验要按固定顺序打开七款软件，顺序错了整个实验就报废。MHS 把这个桌子掀了。它的技术骨架由三层支撑：第一层是标准化驱动，每台设备装上一个 MHS 驱动程序，用读取和写入这类极简指令统一设备的语言。
比如读取当前温度、设定目标温度等等，设备以标准格式注册后可以跨网络被智能体自动发现，不再需要一对一写定制代码。第二层是自然语言标签，机械臂有多重、最大转速是多少、能加热到几度这些关乎安全但是代码里读不到的物理信息，过去都散落在纸质手册和老师傅的脑子里。
MHS 允许用户直接用大白话写进标签，也可以让 AI 通过聊天替你生成。系统会根据这些自动生成一份参考文件，Agent 读完这份文件就能操作一台它这辈子从没见过的设备。第三层是三种调用通道，设备接好后 Agent 通过 MCP、命令行或者 API 统一调度。
一行代码就能协调多台设备协同工作。这里有两个信息值得重点关注：首先，MHS 与基础模型无关，意味着任何 Agent 框架都能接入，它不是 Claude 的专属配件。另外，MHS 和 MCP 是上下层的关系：MCP 负责 Agent 能够到软件工具，MHS 负责 Agent 能够到物理设备。
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。说完了技术架构，我们来看看 Claude 被丢进实验室的战绩，这些案例比概念本身更有冲击力。最有戏剧性的结果来自一家叫 QuEra 的量子公司，他们用的是中性原子量子计算机。
需要用激光精准控制原子量子比特，这些激光非常娇贵，频率一旦漂移机器就可能停摆。温度变化、振动，甚至有人开个门都可能让激光失锁。精度要求有多夸张呢？一万亿分之一，相当于地月距离的误差不超过一根头发丝。人工恢复需要 5 到 10 分钟，操作者必须同时盯住几台仪器判断哪里出了问题、先动哪个旋钮。
QuEra 之前有个四人团队花了几个月写了一套自动化脚本，成功率只有 58%，单次恢复大约要 150 秒。他们把同一道题扔给了 Claude，通过 MHS Claude 直接读取了激光系统的状态在专用测试台上调节参数，再通过摄像头观察光束有没有回到正确的位置。四个 Claude 实例组成了一个循环：一个提假设、一个改脚本、一个跑实验、一个读日志。
这个循环在一夜之间迭代了几百次，Claude 主动制造、识别和修复了数百种故障情况。到了早上结果非常亮眼：恢复时间从 150 秒降到了大约 6 秒，成功率从 58% 提到了 96%，后续盲测 700 次成功了 695 次，成功率为 99.3%。Claude 的核心改进在于它把线性的恢复步骤改写成了决策树，先读取仪器状态判断扰动类型再走对应的分支。
人工操作时即使扰动很小也必须把每个控制都检查一遍，因为只有查过才能确认。Claude 靠反复制造扰动找出了规律，这个速度是任何操作员都做不到的。调参环节更夸张：激光伺服环路有 12 个 PID 参数，专家先前调出的参数残余误差是 15.7 毫伏。
Claude 用了 16 小时做了 363 次实验把它降到了 1.55 毫伏，大约降低了 10 倍。独立验证显示 Claude 的参数连续 19 小时不失锁，而专家参数平均每小时失锁 1.6 次。Claude 还找到了一处大约 220 千赫兹的共振峰，专家手动调参时漏掉了这个点。
那里的噪声高了大约一千倍，因为专家用均方根误差（RMS）近似来做判断所以容易踩这种坑。而 Claude 每次调整后都直接算全频谱，不靠近似。再看 Genentech 的案例，他们拿 BCA 蛋白定量实验做了验证。这个流程要协调液体处理器、机械臂、读板器三个设备，Claude 负责编排自己试流速、测吸光度。
和专家的结果对比算误差，水和粘性蛋白样品最终分别收敛到了大约 140 微升每秒和 10 微升每秒，专家确认参数合理。这个参数优化过程以前需要自动化专家为每个参数集去编写定制逻辑，但是 Claude 在这里也暴露了物理直觉的短板。粘稠的蛋白溶液会在移液过程中起泡，气泡会挤占管道空间导致实际转移量偏低。
Claude 的本能反应是在同一孔位重试，结果液体越搅泡沫越多。研究人员不得不上手告诉它这是物理问题不是算法 bug，你得换个干净的孔位、减少混合次数才行。Claude 听懂后保持了正确操作但是它自己始终想不到这一步，Anthropic 在公告里也承认 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。
CMU 团队遇到的环境更极端：三台电脑控制三种设备接口互相不兼容。机械臂的调度软件只认文件目录，液体处理器走老式 Windows 的 COM 脚本，读板器根本没有编程接口只有图形用户界面（GUI）。MHS 把三种控制风格统一成了一套状态和操作描述，用了 8 小时从零编写驱动加编排层。
而厂商集成类似的设置通常要几周。第一轮剂量反应曲线在高端浓度饱和，拟合 R 方小于 0.9 AI 自己判断不合格倒掉重来。把最高浓度从 200 微克每毫升压到 100 微克每毫升，第二轮 R 方大于 0.98，全程无人介入。团队还诱导了六种故障包括板子缺失、板子放反、读板器忙、相机断连、设备不可达、急停生效，系统全部在设备动作前拦截。
Janelia 研究园区的案例展示了 MHS 的灵活性：显微镜装置由七种软件控制，研究员以往要写大量桥接代码有时还得加硬件转接。用 MHS 后启动实验从七步变成一次点击，后来新加一台相机监测激光束只花了几分钟。一项极其复杂的脑成像实验团队平时搞完要花好几周，Claude 接管多设备后直接一天收工。
说到 MHS 的来源也挺有意思：它最初是 Janelia 一位博士后阿科·巴斯特（Arco Bast）为解决自己显微镜设备不互通搞了一个共享内存字典，让设备之间以内存速度通信。Anthropic 的亚历克·凯梅尼（Alek Kemeny）参与后把 AI 模型接入了这个接口，MHS 的开发就始于 Anthropic 和 Janelia 的这场合作。
华盛顿大学 Baker 和 Pinglay 实验室的博士生 Song 做了三个验证：分别是远程监控仪表板、AI Agent 值守实时荧光 qPCR、机械臂和液体处理器协作搬板。他之前尝试过传统自动化，花了几周评估平台、追着厂商要支持、写胶水代码最后还是放弃了。改用 MHS 后连接六台仪器用了不到一周，包括写驱动的时间。
实现远程监控后 qPCR 实验的扩增曲线会被实时分析，到了合适时机还会问研究者要不要停止。研究人员不用再整夜盯着仪器屏幕，凌晨 4 点换板的场景也消失了。生物实验室自动化科技公司 Tetsuwan 也把 MHS 接入了自家平台，摄像头检查移液过程发现气泡就通知 Claude。
Claude 通过 Slack 给出处理建议然后用 MHS 操作离心机把气泡除掉，没有这套协调流程遇到气泡只能卡住。他们还做了一个编译器优化实验：用 AI 闭环优化液体转移精度预测，在最可复现子集上比厂商规格高了约 17%。HuggingFace 的研究员也在 LeRobot 项目中提前内测了 MHS 研究预览版。
令他惊叹的是，未经过任何训练 Claude Code 直接操控一台真实的机械臂完成了积木颜色分类的任务。评论区下网友表示简直难以置信，这种泛化能力从何而来？树莓派（Raspberry Pi）也在使用摄像头 MHS 驱动程序成功测试后正在多款产品中启用 MHS 集成。
成绩固然亮眼，但是现在就宣布黑灯实验室真正到来还为时太早。Claude 在实验记录中暴露了肉眼可见的局限性，最根本的瓶颈在于 Claude 是通过文本和图像理解世界的没有物理直觉。Genentech 的气泡事件就是一个典型例证，QuEra 的测试也印证了这一点。
Claude 能一夜跑完几百次的激光校准，但是遇到光束被物理遮挡就只会停下来等人确认导致实验可能在凌晨空转几个小时。用 QuEra 的话说：过度谨慎的 Agent 比不够谨慎的好，但是安全第一、谨慎有余、效率不足确实是具身智能目前很大程度上的困境。
物理推理之外还有三道现实门槛横在面前：第一是设备覆盖，MHS 只能接管有编程接口的硬件。CMU 那台读板器连 API 都没有，MHS 只能模拟人类点击 GUI 来操作大大制约了全球实验室能真正落地的自动化效率。祖传老设备才是大多数实验室的常态，Anthropic 正在与制造商合作把 MHS 驱动程序集成到硬件中。
第二是计算成本，让 AI 持续在线监控计算开支需要和省下的研究时间放在一起权衡。对预算紧张的学术实验室来说这不是小数目，毕竟一个月花两千块钱你就能得到一个超高学历的能干助手任劳任怨还能提供情绪价值。第三是监管真空，MHS 的工作方式是在驱动文件里写清楚一台机器的安全边界。
比如机械臂最快只能转多快、最大角度是多少，AI 读完就知道哪些动作不能做。问题在于这份文件本质上就是一道安全阀：写对了机械臂不会撞到人，可写错了后果由谁承担呢？目前还没有标准答案。所以 MHS 想大规模的落地就得把法律责任捋清楚，但是也可能反过来影响技术实现：为了安全而妥协某些部分。
不过硬件厂商的跟进速度超出预期：AWS 通过 Strands Robots 库为 MHS 提供了支持，Doosan Robotics 在用机械臂测试 MHS（包括执行自动化质量保证和协调多机器人任务），Universal Robots 已经提前获得使用权计划在机器人平台上添加支持，Tecan 在为 Fluent 液体处理平台添加 MHS 支持等等。
放到更大的坐标系里看，实验室自动化领域早有 SiLA 2 这样的老标准，工业领域早有 OPC UA。但它们都不是为 AI Agent 原生设计的。另一边 Physical Intelligence、谷歌 Gemini Robotics、英伟达 GR00T 走的是端到端机器人模型路线，试图教会 AI 身体本身怎么动。
而 MHS 选了完全不同的路：不碰机器人的小脑，让大模型当指挥官用标准驱动调度现成的硬件控制系统。前者难在数据和运动控制，后者难在生态。两条路线谁先跑通还是未知数但它们更可能是互补而非替代关系。说到这儿其实更值得琢磨的是 MHS 背后的战略意图：Anthropic 最近几个月没有发布新的模型也不像以前那样疯狂的迭代功能了，却在另一个层面连续下注。
先是已经形成生态的 MCP 现在又是 MHS，这其实是两种完全不同的竞争：当其他人还在争谁的模型更强 Anthropic 已经开始争另一件事——未来所有模型到底按照谁定义的方式连接这个世界。想想 USB、蓝牙、WiFi、4G 这些标准，标准的制定者往往比技术的发明者获得更持久的行业影响力。
社区的声音也并不一致：有人惊叹 Anthropic 发布标准的速度像 JavaScript 库发版一样，也不乏嘲讽的声音。有人拿之前 AI 连基础文字任务都做不好的旧账说事，觉得这样的模型现在就要操作工厂设备实在难以买账。还有问得更具体的：安全护栏在预览版里到底怎么工作？如果 Agent 要求转动阀门它会直接拒绝吗？
也有开发者质疑流程本身：为什么不先发布请求意见稿（RFC）公开讨论而是直接给出一个标准？面对这些质问 Anthropic 目前能给出的对策主要是暂缓全面开源，把研究预览版的范围局限在核心合作方内。先在真实的设备泥沼里把安全边界捋清楚。
总的来说 MHS 目前只是一个研究预览版，实际应用场景也很有限。现实世界涉及安全、实时控制、硬件差异等一大堆问题比调用一个软件 API 复杂得多。MHS 能否像 MCP 一样成功没人知道，标准这东西有时候先发优势也不等于就赢了。但是如果这件事做成影响范围可能会比 MCP 更大：我们不妨想象一种结果，几年以后你走进一家实验室、一座工厂。
里面有几十种机器虽然来自不同厂商做着完全不同的事情但它们都默认留着同一种 AI 能够理解的插口。上面接什么模型反而没那么重要了，可以是 Claude、GPT、DeepSeek 或者随便哪个模型。就像今天没人会因为换了一台电脑就重新发明一次鼠标接口一样，Anthropic 想要争夺的是 AI 进入物理世界最底层的接口。
过去大模型只能告诉人类怎么做，现在它开始亲手做了。如果真有这么一天再回头看 MHS Anthropic 留给这个行业的可能就不只有 Claude。那大家觉得，MHS 能复制 MCP 的路径吗？欢迎在评论区留言讨论。感谢收看，我们下期再见。