我们正向第一批科研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 是一套让 AI 智能体安全操作物理设备的通用规范。它使 AI 智能体能够并行操作多台实验室和制造仪器，例如显微镜、液体处理工作站和机械臂，并执行从常规药物发现实验到量子计算机激光校准等各类复杂任务。MHS 的开发始于 Anthropic 与 HHMI Janelia Research Campus 的合作。
实验室或制造工厂搭建并集成硬件，通常需要数周甚至数月。大多数设备彼此之间无法通信，需要专家构建定制化的集成。MHS 把这项集成工作缩短到数小时甚至数分钟。通过把 AI 融入这些工具，MHS 还帮助研究人员和工程师更轻松地编排全天候自主运行的实验和工作流：智能体能够对实验的每一步进行推理，实时更新参数，在某些情况下还能在无人干预的情况下从硬件错误中恢复。
我们正与科学、机器人、电子和制造领域的合作伙伴分享 MHS 的早期版本，以便在该标准开源之前，共同构建安全评估，并为操作物理设备的 AI 系统制定最佳实践。MHS 适用于任何具有可编程接口的设备。它还与模型无关，任何智能体测试框架（harness）都可以通过 Model Context Protocol 等标准协议访问它。如需申请研究预览的访问权限，请前往此处。
MHS 如何工作
▶ https://cdn.sanity.io/files/4zrzovbb/website/af63049620774e379536a9bb28df7304c62f86af.mp4
模型硬件标准（MHS）应用前后对比。
要让实验室或工厂车间里的多台设备相互通信本就不易，更不用说再把 AI 集成进来的额外难度。每台设备往往有各自的编程接口，迄今为止还没有标准化的方式来集成它们。而且，即便设备已经连接起来，也没有通用的方式让它们与 AI 智能体共享数据，更没有办法让智能体安全地操作它们。
MHS 通过引入标准化驱动程序来应对这些挑战。驱动程序是在计算机操作系统与硬件设备之间进行转换的软件。MHS 驱动使用一组简单的原语，即“读取”（例如“获取温度”）或“写入”（例如“设置温度”）这样的命令，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，使设备和智能体能够跨网络相互发现、相互通信，而无需在中间加一个定制的“翻译”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，向其提供仅凭代码可能无法辨别的机器特性信息（例如机械臂的重量，这对于了解如何安全地操控它很重要）。迄今为止，这类信息大多存放在纸质手册里、用户的电脑上，或者是只存在于人脑中的隐性知识。而 MHS 驱动包含一些标签，让用户可以直接用自然语言写下这些信息（用户可以自己写，也可以与一个就硬件配置对其进行访谈的智能体聊天来完成）。利用这些标签中的信息，MHS 驱动随后会自动生成一份参考文件，其中包含设备的一般特性信息，例如它能测量什么、哪些参数可以调节，以及将强制执行哪些安全限制。这份文件为智能体提供了操作该设备所需的全部信息。
设备连接好、智能体也知道如何使用每台设备之后，智能体还需要一种控制硬件的方式。MHS 提供三种这样的机制：MCP、命令行界面和代码文件（API）。它们协同工作，使得只需一行代码就能跨多台设备进行编排。
一旦智能体能够控制设备，就能从每台设备接收运行数据，并在高层面监督和指挥工作。智能体可以对跨仪器的步骤进行排序，监控结果，并随着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，或需要以比其在线推理更快的速度操作设备时，可以在代码文件中把一台或多台设备的驱动命令串联起来。这样，设备可以自行执行操作，智能体无需在每一步都进行推理。
在测试 MHS 的过程中，我们发现 Claude 与实验和硬件的交互方式带有探索性，很像一位科学家。例如，我们观察到 Claude 对激光器做了一次调整，通过摄像头观察结果以评估其调整如何移动了激光束，然后重复这一过程，试图理解事件的先后规律。随后 Claude 把学到的东西封装进代码文件，写出一个确定性的脚本，使其无需在每一步都进行推理就能对准激光，整个过程于是可以通过一条命令运行。
MHS 的早期案例
我们才刚刚开始看到人们能用前沿模型和 MHS 做些什么，但我们希望这一标准能帮助研究人员、工程师和其他从业者，在任何使用可编程接口设备的领域中加速发现和实验的过程。
在开发 MHS 的过程中，我们把它分享给了生物技术、机器人、量子计算等领域的少数实验室和硬件制造商。在这些早期项目中，我们看到 MHS 缩短了设备集成所需的时间，使得在各种实验环境中更快地迭代成为可能，并协助了机器的实时运行和实时故障检测。下面，我们的合作伙伴分享了一些涉及 MHS 的早期项目的细节。
Genentech：为实验室自动化落地 MHS
Genentech 的研究人员落地并测试了 MHS，作为自动化 BCA 蛋白质检测的概念验证。BCA 检测是测定样品中总蛋白浓度的标准流程，需要协调液体处理工作站、机械臂和酶标仪。
华盛顿大学 Baker 实验室和 Pinglay 实验室：把 AI 智能体带到实验台
华盛顿大学 Baker 实验室和 Pinglay 实验室的博士生 Zihao Song 使用 MHS 构建了：一个远程监控其仪器的仪表盘；一个由 AI 智能体监督的 qPCR（通过反复的加热和冷却循环复制目标 DNA 序列），它会观察扩增曲线并在恰当的时刻中止流程；以及机械臂与液体处理工作站之间的集成，实现无碰撞的板件交接。
卡内基梅隆大学：通过快速自动化测定剂量反应曲线
卡内基梅隆大学的研究人员使用 MHS 运行系列稀释剂量反应实验，速度比以前快了约三倍。由一个 AI 智能体来编排液体处理工作站、酶标仪、机械臂和监控摄像头，这些设备分布在三台计算机上，接口从根本上互不兼容。
HHMI Janelia：使用 MHS 加速显微镜研究
在 HHMI Janelia Research Campus，研究人员正在使用 MHS 加速一系列与显微镜相关的项目。Ahrens 实验室的科学家 Virginie Ruetten 研究睡眠如何帮助身体从压力中恢复，她在此分享了如何使用 MHS 统一并编排一套实验装置，该装置此前涉及七个互无共享接口的不同厂商程序。
QuEra Computing：在量子激光稳定中使用 MHS
QuEra 是一家使用中性原子构建量子计算机的公司，它使用 MHS 让 AI 智能体控制其量子机器内部激光系统的部分环节。该智能体开发了一个控制器，能在 99.3% 的情况下无需人工干预就恢复激光的“锁定”，即激光为与原子相互作用而必须保持的超精确频率。
Tetsuwan Scientific：使用 MHS 运行 qPCR 以刻画本地污染状况
Tetsuwan 的研究人员将 MHS 与其自动化生物实验室平台 ResearchOS 集成。MHS 帮助编排了一个 qPCR 工作流，为刻画加利福尼亚州 San Pedro Creek 污染状况的公民科学工作做出贡献。
01 / 06
硬件厂商及支持它们的软件公司也在其设备中构建 MHS 支持，使 AI 智能体能更轻松地发现和操作它们的设备。例如：
- Amazon Web Services 将通过 Strands Robots 支持 MHS，这是用于将 AI 智能体连接到物理设备的库。在 MHS 研究预览期间，AWS 将向参与者提供 Strands Robots 软件包的私有预发布版本。
- Automata 正在为其实验室自动化平台 LINQ 添加 MHS 支持，以便对自主实验室中的仪器执行智能错误处理。
- Danaher 与 Anthropic 正在积极探索，MHS 所支持的能力如何帮助其智能仪器和自主实验室扩大生物医学研发的规模。
- Doosan Robotics 正在其机械臂上测试 MHS，包括执行自动化质量保证，以及在多台机器人之间协调任务。
- MBF Bioscience 正在为 ScanImage 构建 MHS 驱动。ScanImage 是全球数百个神经科学实验室用来运行激光扫描显微镜的软件，该驱动旨在把 AI 智能体接入实时数据分析和实验。
- QIAGEN 正在其核酸纯化平台 QIAsymphony Connect 上通过一个可运行的概念验证来试用 MHS，展示 AI 智能体如何帮助实验室更快地排查仪器故障、引导操作人员完成恢复，并提高仪器的正常运行时间，同时降低生物样本面临的风险。
- Tecan 正在为其 Fluent 液体处理平台增加 MHS 支持，让 AI 智能体可以直接发现并操作这些平台。
- Universal Robots 已提前获得 MHS 的使用权限，并计划在其机器人平台上增加支持。
加入研究预览
合作伙伴的这些早期成果令人鼓舞，但在开源该标准之前，我们还有更多工作要做。作为大语言模型，Claude 通过文本和图像来了解物理世界，这意味着它的空间推理和物理推理存在局限，仍需要专家把关。例如，在处理蛋白质样本时，Genentech 的研究人员不得不引导 Claude 认识到，样本起泡所导致的错误属于物理故障而非软件缺陷，只能通过恰当的物理手段来缓解。
MHS 目前也还无法用于没有编程接口的硬件，因此我们正与这类设备的制造商合作，内置 MHS 驱动。许多开发者已经在用 Claude Code 操作单件物理设备；在 MHS 的下一阶段，我们希望扩展标准，覆盖开发者所使用的更多设备。早期采用者包括 Hugging Face 和 Raspberry Pi：前者正在其机器人库 LeRobot 中增加 MHS 支持，后者在使用其 Camera MHS Driver 成功完成测试后，正在多款产品中启用 MHS 集成。
我们还将借助研究预览，与首批合作伙伴一起构建更多安全评估，并加强对 AI 在物理世界中应用的保护。我们正在制定物理安全路线图，以进一步强化我们的防护政策，并扩大针对滥用风险的执行覆盖面。开源 MHS 时，我们会公布研究预览阶段的发现，作为安全部署该标准的指南的一部分。
我们邀请各行各业的相关方加入 MHS 研究预览的候补名单。如果你有意参与，请在此提交你的意向。
致谢
MHS 最初源于 Anthropic Beneficial Deployments 团队的 Alek Kemeny 与 HHMI Janelia Research Campus 博士后研究员 Arco Bast 的合作。Bast 当时在一套实验装置上开展复杂的脑成像实验，该装置整合了来自不同厂商的激光器、电动聚焦器和专用相机，彼此之间没有统一接口。为了加快实验，他开发了一个共享内存字典，使各仪器能够以内存速度相互通信。Kemeny 与 Bast 随后合作，把 AI 模型接入了这一接口。
我们感谢迄今为止为这项工作做出贡献的所有人，包括但不限于 Aaron Boswell、Ben Arthur、Boaz Mohar、Gagan Bhat、Mark Kittisopikul、Nadine Yasser、Nick Purcell、Takashi Kawase 和 Virginie Ruetten。我们期待与行业合作伙伴一起推进 MHS，并且很快与开源社区一起推进。