Anthropic正在构建一项名为Model Hardware Standard（MHS）的新标准，旨在为AI代理提供统一接口，使其能够读取并控制显微镜、机械臂等物理设备。该公司表示，MHS可将实验室设备的集成时间从通常的几周或几个月缩短至几小时甚至几分钟。该标准目前以研究预览形式向部分实验室和制造商开放，未来计划开源。

MHS的设计思路源于Anthropic此前在软件领域推出的Model Context Protocol（MCP）。MCP为AI模型提供了访问外部数据源和工具的标准方式，而MHS将这一理念延伸至物理设备。每个设备配备一个MHS驱动，统一了读取和修改数据等基本功能，使设备能够以通用格式被发现，并可包含软件无法捕获的细节，如机械臂的重量或安全限制。用户可以用自然语言添加这些信息，MHS将其转化为代理的参考文件。这样，代理就能理解从未见过的设备的能力和限制，并通过单一接口进行操作。虽然仍需为每种硬件编写驱动，但一旦驱动存在，便可重复使用，无需为每种设备与控制器组合重新构建。

Anthropic称，MHS与模型无关，适用于任何具有可编程接口的设备。代理可以协调多个设备，并将工作流程保存为常规脚本，这些脚本无需语言模型即可运行。

在早期测试中，Anthropic与多家合作伙伴验证了MHS的实用性。在生物技术公司Genentech，Claude协调了液体处理器、机械臂和读板机，自动化了蛋白质检测流程。代理自主优化了不同液体的移液参数，但在处理粘稠溶液中的气泡时遇到困难。Claude不断在同一容器中重启流程并调整参数，反而使情况恶化。直到人类解释物理原因后，代理才找到可行的解决方案。

在卡内基梅隆大学，研究人员连接了液体处理器、读板机、机械臂和多个监控摄像头，这些设备分布在三台接口完全不兼容的计算机上。团队表示，驱动和编排层的构建耗时约八小时，而供应商设置通常需要数周。Claude还注意到第一次实验运行未产生足够好的测量曲线，主动降低了被测物质的最大浓度，第二次尝试获得了更好的结果。

在量子计算公司QuEra，Claude利用MHS在数百次自动化运行中开发了一个控制程序，使激光在干扰后恢复到稳定运行状态。在盲测中，该脚本在700次尝试中成功695次，成功率达99.3%，完全自主运行，无需语言模型参与。

值得注意的是，这三个例子均来自Anthropic展示的合作伙伴项目，尚未经过独立验证。

由于Claude通过文本和图像学习物理世界，其空间和物理推理能力存在局限，仍需专家监督。在Genentech的测试中，研究人员不得不引导Claude认识到泡沫样本导致的错误是物理故障而非软件缺陷。在研究预览期间，Anthropic计划与合作伙伴共同构建额外的安全评估，并制定物理安全路线图以防止滥用。

如果MHS方法可行，AI代理将能更轻松地超越纯数字任务，进入实验室、工厂等物理系统。目前，包括AWS、斗山机器人、QIAGEN、Tecan、Universal Robots、Hugging Face和Raspberry Pi在内的多家制造商和组织正在构建MHS支持或测试该规范。