Anthropic正在構建一項名為Model Hardware Standard（MHS）的新標準，旨在為AI代理提供統一介面，使其能夠讀取並控制顯微鏡、機械臂等物理裝置。該公司表示，MHS可將實驗室裝置的整合時間從通常的幾周或幾個月縮短至幾小時甚至幾分鐘。該標準目前以研究預覽形式向部分實驗室和製造商開放，未來計劃開源。

MHS的設計思路源於Anthropic此前在軟體領域推出的Model Context Protocol（MCP）。MCP為AI模型提供了訪問外部資料來源和工具的標準方式，而MHS將這一理念延伸至物理裝置。每個裝置配備一個MHS驅動，統一了讀取和修改資料等基本功能，使裝置能夠以通用格式被發現，並可包含軟體無法捕獲的細節，如機械臂的重量或安全限制。使用者可以用自然語言新增這些資訊，MHS將其轉化為代理的參考檔案。這樣，代理就能理解從未見過的裝置的能力和限制，並通過單一介面進行操作。雖然仍需為每種硬體編寫驅動，但一旦驅動存在，便可重複使用，無需為每種裝置與控制器組合重新構建。

Anthropic稱，MHS與模型無關，適用於任何具有可程式設計介面的裝置。代理可以協調多個裝置，並將工作流程儲存為常規指令碼，這些指令碼無需語言模型即可執行。

在早期測試中，Anthropic與多家合作伙伴驗證了MHS的實用性。在生物技術公司Genentech，Claude協調了液體處理器、機械臂和讀板機，自動化了蛋白質檢測流程。代理自主優化了不同液體的移液引數，但在處理粘稠溶液中的氣泡時遇到困難。Claude不斷在同一容器中重啟流程並調整引數，反而使情況惡化。直到人類解釋物理原因後，代理才找到可行的解決方案。

在卡內基梅隆大學，研究人員連線了液體處理器、讀板機、機械臂和多個監控攝像頭，這些裝置分佈在三台介面完全不相容的計算機上。團隊表示，驅動和編排層的構建耗時約八小時，而供應商設定通常需要數週。Claude還注意到第一次實驗執行未產生足夠好的測量曲線，主動降低了被測物質的最大濃度，第二次嘗試獲得了更好的結果。

在量子計算公司QuEra，Claude利用MHS在數百次自動化執行中開發了一個控制程式，使雷射在干擾後恢復到穩定執行狀態。在盲測中，該指令碼在700次嘗試中成功695次，成功率達99.3%，完全自主執行，無需語言模型參與。

值得注意的是，這三個例子均來自Anthropic展示的合作伙伴專案，尚未經過獨立驗證。

由於Claude通過文本和影像學習物理世界，其空間和物理推理能力存在侷限，仍需專家監督。在Genentech的測試中，研究人員不得不引導Claude認識到泡沫樣本導致的錯誤是物理故障而非軟體缺陷。在研究預覽期間，Anthropic計劃與合作伙伴共同構建額外的安全評估，並制定物理安全路線圖以防止濫用。

如果MHS方法可行，AI代理將能更輕鬆地超越純數字任務，進入實驗室、工廠等物理系統。目前，包括AWS、斗山機器人、QIAGEN、Tecan、Universal Robots、Hugging Face和Raspberry Pi在內的多家制造商和組織正在構建MHS支援或測試該規範。