Anthropic发布了模型硬件标准(MHS)的研究预览，该标准为AI代理安全操作物理设备提供共享规范，使AI能并行控制多种实验室和制造仪器，完成从药物发现到量子计算机校准等复杂任务，大幅缩短设备集成时间。
正文
好的，这是根据您的要求，对原文主要内容进行的中文重述，已保留关键细节并删减了与主题无关的内容。
标题：模型硬件标准（MHS）研究预览
Anthropic 公司发布了“模型硬件标准”（MHS）的研究预览版。MHS 是一个共享规范，旨在让 AI 智能体能够安全地操作物理设备。该标准最初面向一批科研实验室和先进制造商开放，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、液体处理器和机械臂），并执行从常规药物发现实验到量子计算机激光校准等复杂任务。MHS 的开发始于 Anthropic 与 HHMI Janelia 研究园区的合作。
核心问题与解决方案
通常，实验室或制造工厂需要数周甚至数月时间来设置和集成硬件。大多数设备无法相互通信，需要专家构建定制的集成方案。MHS 将这一集成工作缩短到几小时甚至几分钟。通过将 AI 融入这些工具，MHS 还能帮助研究人员和工程师更轻松地编排自主的、全天候的实验和工作流程。AI 智能体可以推理实验的每一步，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。
MHS 的工作原理
MHS 通过引入一个标准化驱动程序来解决设备集成难题。该驱动程序使用一组简单的原语（如“读取”和“写入”），任何硬件设备都能理解和执行。它使每个设备都能以标准格式被发现，设备和智能体无需定制的“翻译”程序即可跨网络相互发现和通信。
MHS 驱动程序还能帮助 AI 智能体理解如何使用它从未见过的设备，提供仅从代码中无法辨别的机器特性信息（例如，机械臂的重量，这对于安全操作至关重要）。这些信息过去通常存储在纸质手册或用户电脑中，或作为隐性知识存在。MHS 驱动程序包含标签，允许用户直接用自然语言写入这些信息。然后，驱动程序会自动生成一个参考文件，包含设备的一般特性，如能测量什么、可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的一切信息。
设备连接后，智能体可以通过 MCP、命令行界面和代码文件（API）三种机制来控制硬件。这些机制协同工作，使得通过单行代码就能编排多个设备。
早期应用案例
基因泰克（Genentech）：实验室自动化 基因泰克的研究人员将 MHS 作为概念验证，用于自动化 BCA 蛋白测定法。该过程需要协调液体处理器、机械臂和读板仪。通过 MHS，他们让 Claude AI 智能体自主优化了液体处理参数。例如，Claude 通过试验和误差分析，为水和粘性蛋白质样品找到了最佳的液体流速，其效果得到了自动化专家的认可。实验还展示了 AI 的自主错误恢复能力，例如处理吸头拾取失败等问题。但同时也暴露了当前 AI 模型的局限，例如在处理由气泡引起的物理故障时，Claude 最初会简单地重试，反而加剧了问题，需要人工指导其理解背后的物理原理。
华盛顿大学贝克和平莱实验室：将 AI 智能体带到实验台 博士生 Zihao Song 使用 MHS 构建了一个远程监控仪表盘，并实现了 AI 智能体监督下的 qPCR 实验。AI 智能体可以实时监控扩增曲线，并在最佳时机自动停止反应，避免了传统方法中需要研究人员长时间值守的繁琐。此外，他们还利用 MHS 协调了机械臂和液体处理器，实现了无碰撞的板转移，为无人值守的过夜实验铺平了道路。MHS 将原本需要数周的设备集成工作缩短到了一周以内。
卡内基梅隆大学：通过快速自动化确定剂量反应曲线 研究人员使用 MHS 将进行连续稀释剂量反应实验的速度提高了约三倍。他们的系统整合了液体处理器、读板仪、机械臂和监控摄像头，这些设备原本运行在三台接口完全不兼容的电脑上。通过 MHS，他们仅用约 8 小时就为这些设备开发了驱动和编排层，而传统方式通常需要数周。在实验中，AI 智能体自主运行实验，评估结果，并在发现初始浓度范围导致数据饱和后，自主决定调整浓度范围并重新运行，最终获得了高质量的剂量反应曲线，全程无需人工干预。
HHMI Janelia：加速显微镜研究 研究员 Virginie Ruetten 使用 MHS 统一和编排了她的显微镜设备，这些设备原本需要运行七个不同的供应商程序，且没有共享接口。MHS 用一个统一的界面取代了这些点对点的连接，使得集成新硬件的时间从几天缩短到几分钟，启动实验也从一个繁琐的多步骤过程简化为一次点击。MHS 还实现了定量监控和在线分析，允许研究人员在数据采集的同时进行实时分析，而无需为每个设备重写代码。此外，MHS 使得“智能体显微镜”成为可能，即 AI 智能体可以自主识别感兴趣的区域并进行放大观察，从而更高效地找到目标细胞群。
QuEra Computing：量子激光稳定 QuEra 公司使用 MHS 让 AI 智能体控制其量子计算机中的激光系统。激光需要保持极高的频率精度（“锁定”状态），但容易受环境干扰而“解锁”。传统上，恢复锁定需要专家 5-10 分钟。通过 MHS，Claude 智能体在无人值守的情况下，经过一夜的迭代优化，将激光恢复锁定的成功率从 58% 提升至 99.3%，平均恢复时间从 150 秒缩短到约 6 秒。Claude 还将激光的残余噪声降低了约 10 倍，其调优效果甚至优于人类专家，并且锁定的保持时间更长。
Tetsuwan Scientific：运行 qPCR 分析当地污染 Tetsuwan 公司将其自动化生物实验室平台 ResearchOS 与 MHS 集成，用于运行 qPCR 实验，以分析加州圣佩德罗溪的污染源。MHS 帮助编排了 qPCR 工作流程，并实现了实时错误恢复。例如，当摄像头检测到试剂中有气泡时，AI 智能体通过 MHS 协调机械臂和离心机，自动将样品转移到离心机中处理气泡。初步数据证实了人类排泄物是溪流中粪便污染的主要来源。
未来展望与安全
这些早期结果是令人鼓舞的，但在将 MHS 开源之前，仍有更多工作要做。例如，Claude 对物理世界的空间和物理推理仍有局限，需要专家监督。MHS 目前还不能用于缺乏编程接口的硬件。Anthropic 将利用研究预览版与合作伙伴共同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措施。他们正在制定物理安全路线图，以加强安全政策。当 MHS 开源时，他们将发布研究预览的发现，作为安全部署标准的指南。
评论
根据评论内容，主要观点和论据总结如下：
1. 对MHS标准的理解与质疑 - 部分评论者认为MHS是AI与硬件之间的标准化接口，类似OPC UA/SiLA，但面向AI控制（评论11）。关键引用："an AI-facing hardware abstraction / device-description standard"（randomblock1）。 - 也有评论者质疑其必要性，认为类似PyLabRobot或ROS（评论2、16）。关键引用："every 5 minutes in Silicon Valley another company reinvents ROS"（nxtfari）。
2. 对Anthropic公司能力的评价（分歧明显） - 正面评价：认为Anthropic在研究和产品上表现出色，吸引顶尖人才（评论9）。关键引用："Anthropic shows remarkable taste in research, engineering, and product"（bigcat12345678）。 - 负面评价：批评其早期MCP协议设计糟糕，忽视现有标准，缺乏生态意识（评论6）。关键引用："MCP was a bucket of Not Invented Here nonsense"（jauntywundrkind）。
3. 对标准制定过程的批评 - 评论者指出该标准尚未公开，需申请才能查看，与USB等基础标准开发方式不同（评论13）。关键引用："You shouldn't need permission to read a standard"（sinab）。 - 另有评论质疑Anthropic是否有资格定义标准（评论12）。关键引用："Are they in a position to define any kind of standards?"（dude250711）。
4. 对AI控制硬件的风险与价值讨论 - 积极方面：认为可简化自动化流程，不仅限于AI（评论5）。关键引用："should make it easy to automate some processes with simple scripts"（dgellow）。 - 风险方面：指出LLM控制硬件可能比纯软件后果更严重（评论3）。关键引用："would potentially have more severe consequences than pure software"（jedbrooke）。
5. 其他零散观点 - 有评论者认为这些标准只是Anthropic用于训练场景的工具接口（评论4）。 - 对"Model"一词加入缩写表示不满（评论5）。 - 提及与ROS 2的比较（评论7）。