返回文章学习 CMS 文章

Anthropic 发布模型硬件标准 MHS 研究预览：让 AI 智能体安全操作物理设备

Anthropic 开放 MHS 研究预览，用标准化驱动程序让 AI 智能体安全操作多种物理设备，将实验室硬件集成从数周缩短至数小时。

Anthropic News

模型硬件标准MHSAI智能体实验室自动化

成长分 / 100 81 综合收获、行动、留存与影响

Anthropic 发布模型硬件标准 MHS 研究预览：让 AI 智能体安全操作物理设备

为什么值得读了解 AI 智能体从数字世界走向物理实验室的关键基础设施——MHS 的设计原理与工作机制。

通过 Genentech、华盛顿大学、卡内基梅隆大学、QuEra 等早期合作伙伴案例，看到 AI 操作物理设备的真实落地场景。

关键洞察

MHS 通过标准化驱动程序，用“读取”“写入”等简单原语让任何可编程接口设备被 AI 智能体发现和操作，无需定制翻译器。
MHS 驱动包含自然语言标签，可自动生成参考文件，向智能体提供设备特性与安全限制等仅从代码无法获知的信息。
智能体可通过 MCP、命令行界面和代码文件三种机制控制硬件，并能将探索性操作打包为确定性脚本，实现无需逐步推理的快速执行。

转成行动

深入阅读

正文与原文对照

原文保真覆盖：全文原文字符：14066

模型硬件标准预览

我们正在向首批科研实验室和先进制造商开放模型硬件标准（MHS）的研究预览版，这是一项供 AI 智能体安全操作物理设备的共享规范。MHS 使 AI 智能体能够并行操作多种实验室和制造仪器，如显微镜、液体处理机和机械臂，并执行从常规药物发现实验到量子计算机上的激光校准等复杂任务。MHS 的开发始于 Anthropic 与 HHMI Janelia 研究园区的合作。

实验室或制造设施通常需要数周甚至数月的时间来设置和集成其硬件。大多数设备之间无法相互通信，而是需要专家构建定制集成方案。MHS 将这一集成工作缩短至数小时或数分钟。通过将 AI 融入这些工具，MHS 还帮助研究人员和工程师更便捷地编排自主的、全天候的实验和工作流程，智能体能够推理实验中的每一步、实时更新参数，并在某些情况下无需人工干预即可从硬件错误中恢复。

我们正在与科学、机器人、电子和制造领域的合作伙伴分享 MHS 的早期版本，以便在将该标准开源之前，共同构建安全评估并制定 AI 系统操作物理设备的最佳实践。MHS 适用于任何具有可编程接口的设备。它也与模型无关，任何智能体框架都可以使用标准协议（如模型上下文协议）访问它。如需申请访问研究预览版，请前往此处。

MHS 的工作原理

让实验室或工厂车间中的多台设备相互通信可能颇具挑战，即使抛开将 AI 集成到设置中的额外难度也是如此。每台设备往往有自己的编程接口，迄今为止还没有标准化的方式来集成它们。而且一旦设备连接起来，它们也没有通用的方式与 AI 智能体共享数据，也无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 驱动程序使用一组简单的原语——如“读取”（例如“获取温度”）或“写入”（例如“设置温度”）之类的命令——任何硬件设备都能理解并执行。它使每台设备都能以标准格式被发现，这样设备和智能体就能相互发现并通过网络通信，而无需在中间使用定制的“翻译器”程序。

MHS 驱动还能帮助 AI 智能体理解如何使用它从未见过的设备，为它提供仅从代码中可能无法辨别出的机器特性信息（例如，机械臂的重量，这对于了解如何安全地操作它很重要）。迄今为止，这类信息大多存储在纸质手册、用户的计算机上，或作为隐性知识存在。但 MHS 驱动包含标签，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，也可以通过和智能体聊天，由智能体询问他们的硬件设置）。借助这些标签中的信息，MHS 驱动随后会自动生成一个参考文件，其中包含设备的一般特性信息，例如它能测量什么、可以调整什么，以及将强制执行哪些安全限制。这个文件为智能体提供了操作设备所需知道的一切。

在设备连接好并且智能体知道如何使用每一台设备之后，智能体需要一种控制硬件的方式。对于 MHS，有三种这样的机制：MCP、命令行界面和代码文件（API）。它们协同工作，通过一行代码实现跨多个设备的编排。

一旦智能体能够控制这些设备，它就能从每台设备接收运行数据，并在高层面上监督和指导工作。智能体可以跨仪器安排步骤顺序、监控结果，并在条件实时变化时调整参数。当智能体需要执行长时间运行的任务，或以比其在线推理所允许的更快的速度操作设备时，它可以在代码文件中将一个或多个设备的驱动命令串联起来。这使设备能够自行执行操作，而无需智能体在每一步都进行推理。

在我们测试 MHS 的过程中，我们发现 Claude 会以探索性的方式与实验和硬件交互，就像科学家那样。例如，我们观察到 Claude 对激光器进行调整，通过摄像头观察结果以评估其调整如何移动了激光束，并重复这一过程，试图理解事件发生的顺序。随后，Claude 将其所学到的内容打包成代码文件，编写了一个确定性脚本，使其无需在每一步都进行推理就能对准激光，因此整个过程可以作为单条命令运行。

MHS 的早期示例

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够帮助研究人员、工程师以及其他从业者，在任何使用带有可编程接口的设备的领域中，加快发现和实验的进程。

在开发 MHS 的过程中，我们与生物技术、机器人技术、量子计算及其他领域的少数实验室和硬件制造商分享了它。在这些早期项目中，我们看到 MHS 缩短了集成设备所需的时间，使在各种实验环境中更快迭代成为可能，并有助于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他们一些涉及 MHS 的早期项目的细节。

Genentech：为实验室自动化实施 MHS

Genentech 的研究人员实施并测试了 MHS，作为自动化 BCA 蛋白测定法的概念验证。BCA 蛋白测定法是一种测量样本中总蛋白浓度的标准流程，需要协调液体处理器、机械臂和酶标仪。

华盛顿大学 Baker 和 Pinglay 实验室：将 AI 智能体带到实验台

华盛顿大学 Baker 和 Pinglay 实验室的博士生 Zihao Song 使用 MHS 构建了一个仪表板来远程监控他的仪器；一个由 AI 智能体监督的 qPCR（通过反复加热和冷却循环复制目标 DNA 序列），它观察扩增曲线并在适当时刻停止程序；以及一个机械臂和液体处理器之间的集成，用于无碰撞的板转移。

卡内基梅隆大学：通过快速自动化确定剂量-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，速度比之前快约三倍，AI 智能体协调着分布在三台具有根本不同接口的计算机上的液体处理器、酶标仪、机械臂和监控摄像头。

HHMI Janelia：使用 MHS 加速显微镜研究

在 HHMI Janelia 研究园区，研究人员正在使用 MHS 加速一系列与显微镜相关的项目。在这里，Ahrens 实验室研究睡眠如何帮助身体从压力中恢复的科学家 Virginie Ruetten 分享了她如何使用 MHS 统一和编排一个先前涉及七个不同供应商程序且没有共享接口的装置。

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。该智能体开发了一个控制器，能够在 99.3% 的情况下无需人工干预恢复激光的“锁定”——激光必须保持的超精确频率以与原子相互作用。

Tetsuwan Scientific：使用 MHS 运行 qPCR 以分析当地污染

Tetsuwan 的研究人员将 MHS 与其自动化生物学实验室平台 ResearchOS 集成。MHS 帮助编排了一个 qPCR 工作流程，为表征加利福尼亚州圣佩德罗溪污染的公民科学工作做出贡献。

硬件供应商及其支持的软件公司也在将 MHS 支持构建到他们的设备中，以便 AI 智能体可以更轻松地发现和操作他们的设备。例如：

Amazon Web Services 将通过 Strands Robots 支持 MHS，这是一个用于将 AI 代理连接到物理设备的库。AWS 将在 MHS 研究预览期间向参与者提供 Strands Robots 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，以在自主实验室中对仪器执行智能错误处理。
Danaher 和 Anthropic 正在积极探索 MHS 支持的能力如何使其智能仪器和自主实验室能够扩展生物医学研发。
Doosan Robotics 正在用其机械臂测试 MHS，包括执行自动化质量保证和协调多个机器人之间的任务。
MBF Bioscience 正在为 ScanImage 构建 MHS 驱动程序，ScanImage 是运行全球数百个神经科学实验室中激光扫描显微镜的软件，以将 AI 代理集成到实时数据分析和实验中。
QIAGEN 正在通过其核酸纯化平台 QIAsymphony Connect 上的工作概念验证来试验 MHS，展示 AI 代理如何帮助实验室更快地排除仪器故障、指导操作员进行恢复，并提高仪器正常运行时间，同时降低对生物样本的风险。
Tecan 正在为其 Fluent 液体处理平台添加 MHS 支持，以便 AI 代理可以直接发现和操作它们。
Universal Robots 已提前获得 MHS 访问权限，并计划为其机器人平台添加支持。

加入研究预览

来自合作伙伴的这些早期结果令人鼓舞，但在我们开源该标准之前，我们还有更多工作要做。作为大型语言模型，Claude 通过文本和图像了解物理世界，这意味着其空间和物理推理存在局限性，仍需要专家监督。例如，在处理蛋白质样本时，Genentech 的研究人员必须引导 Claude 认识到样本起泡导致的错误是物理故障，而非软件错误，只能通过适当的物理纠正来缓解。

MHS 也尚不支持缺乏编程接口的硬件，因此我们正在与此类设备的制造商合作，内置 MHS 驱动程序。许多开发者已经使用 Claude Code 处理单个物理设备；对于 MHS 的下一阶段，我们希望扩展标准以覆盖开发者构建的更多设备。早期采用者包括 Hugging Face，他们正在其机器人库 LeRobot 中添加 MHS 支持，以及 Raspberry Pi，他们在使用其 Camera MHS Driver 成功测试后，正在其众多产品中实现 MHS 集成。

我们还将利用研究预览与发布合作伙伴一起构建额外的安全评估，并加强对 AI 在物理世界中使用的保护。我们正在制定物理安全路线图，以进一步加强对滥用风险的保障政策和执行覆盖。当我们开源 MHS 时，我们将发布研究预览的发现，作为我们安全部署该标准指南的一部分。

我们邀请各行业的利益相关者加入 MHS 研究预览的等待名单。如果您想参与，在此提交您的兴趣。

致谢

MHS 最初源于 Anthropic Beneficial Deployments 团队的 Alek Kemeny 与 HHMI Janelia Research Campus 的博士后科学家 Arco Bast 之间的合作。Bast 当时正在一套由来自不同厂商的激光器、电动调焦器和专用相机组成的设备上运行复杂的脑成像实验，这些设备之间没有通用接口。为了加快实验速度，他开发了一个共享内存字典，使这些仪器能够以内存速度相互通信。Kemeny 和 Bast 共同合作，将 AI 模型集成到该接口中。

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。我们期待与我们的行业合作伙伴，以及不久之后的开源社区，共同推进 MHS 的发展。