Anthropic正在开发Model Hardware Standard (MHS)，旨在为AI智能体提供用于机械臂和实验室仪器等物理设备的统一接口。

Anthropic的模型硬件标准（MHS）为AI代理提供了与显微镜和机械臂等物理硬件交互的统一接口。尽管早期的实验室和量子计算试验大幅缩短了集成时间，但Claude在物理因果推理方面仍面临挑战。

研究实验室和工厂通常依赖来自不同制造商的设备，每台设备都运行着独特的API、数据格式和控制软件——这种碎片化现象需要大量的工程努力才能进行整合。Anthropic旨在通过MHS解决这一问题，这是一项使AI代理既能读取又能控制物理硬件的规范。Anthropic表示，MHS将实验室设备的典型数周或数月的集成时间缩短至仅几小时或几分钟。该规范是与HHMI Janelia研究园区合作开发的，最初将作为面向选定实验室和制造商的研究预览版发布，全面开源版本计划稍后推出。

这一概念建立在Anthropic现有的模型上下文协议（MCP）之上，后者确立了AI模型访问外部数据源和软件工具的标准方法。MHS将这一架构理念直接延伸至物理机械。每件硬件都配备一个MHS驱动程序，用于标准化核心操作，包括数据检索和修改。这些驱动程序通过统一格式使设备可被发现，并纳入软件无法检测的物理属性，例如机械臂的有效载荷能力或操作安全阈值。用户可以使用自然语言输入这些规格，MHS会自动将其转换为AI代理的结构化参考文件。

配置完成后，代理可以识别不熟悉硬件的功能和限制，并通过单一一致的接口进行操作。虽然开发人员仍需为每种硬件型号编写专用驱动程序，但生成的代码可在不同的系统配置中重复使用，消除了为每个设备-控制器配对重新构建集成的需求。Anthropic将MHS描述为模型无关的，兼容任何具有可编程接口的硬件。该框架允许代理同时协调多个设备，并将复杂的工作流程导出为标准脚本，这些脚本随后可以在不需要语言模型主动干预的情况下独立执行。

Anthropic通过与几家行业合作伙伴进行的试点项目验证了MHS。在生物技术公司Genentech，Claude协调了液体处理机、机械臂和酶标仪，以自动化用于测量浓度水平的蛋白质测定。虽然代理成功优化了各种流体的移液参数，但在粘稠溶液中形成气泡时遇到了故障。Claude在同一容器中反复重新启动程序并调整参数，无意中加剧了问题。直到一位人类研究人员解释了潜在的物理机制后，代理才找到了可行的替代方案。

在卡内基梅隆大学，工程师将液体处理机、酶标仪、机械臂和多个监控摄像头集成到三个运行根本不相容接口的系统中。开发团队报告称，构建必要的驱动程序和协调层大约需要八个小时，这与传统供应商实施通常需要数周的时间形成了鲜明对比。在测试期间，Claude检测到初始实验运行未能生成足够的测量曲线。它自主降低了测试物质的最大浓度，在随后的尝试中取得了显著改善的结果。

在与量子计算公司QuEra的试验中，Claude利用MHS进行了数百次自动循环，设计了一种控制算法，能够在系统中断后将激光恢复到稳定运行状态。在随后的盲测中，生成的脚本实现了99.3%的成功率，在695次尝试中完全自主完成，无需语言模型监督。Anthropic指出，所有这三个案例研究均源自合作伙伴协作，且尚未得到独立第三方的验证。

由于Claude仅通过文本和视觉数据获取对物理世界的理解，其空间和因果推理仍然受限，因此需要持续的专业监督。正如在Genentech试验中所展示的那样，研究人员被要求指导Claude区分软件故障和由样品起泡触发的物理故障。在整个研究预览阶段，Anthropic打算与合作伙伴合作实施更广泛的安全评估，同时起草全面的物理安全路线图，以减轻潜在滥用风险。

如果该框架被证明是稳健的，它可能会大幅降低AI代理从纯数字环境过渡到实验室、制造设施和工业自动化系统等物理领域的门槛。行业采用已经开始，包括AWS、Doosan Robotics、QIAGEN、Tecan、Universal Robots、Hugging Face和Raspberry Pi在内的公司正在积极开发MHS兼容性或评估该规范。