过去两年，AI Agent 的能力叙事几乎都在数字世界里打转：读文档、写代码、点网页、调 API。但真实的科研与制造现场，绝大部分价值藏在那些不会发 HTTP 请求的东西里——显微镜、液体处理器、机械臂、激光器。8 月 27 日，Anthropic 开放了 Model Hardware Standard（MHS，模型硬件标准）的研究预览，第一次把「让智能体操作物理设备」做成了一套可复用的规范。
一、先说痛点：实验室里的时间都花在接线上了
Anthropic 在官方说明里给了一个很实在的描述：一个实验室或制造车间要把设备接入并跑通，通常要花几周甚至几个月。原因并不复杂——每台设备都有自己的编程接口，彼此不通，需要专人写定制集成。设备连上之后，又没有一个统一方式让它们把数据交给 AI Agent，更谈不上让 Agent「安全地」操作它们。
这意味着，即便模型再聪明，只要它摸不到设备，就只能在旁边写方案、出建议。MHS 想解决的正是这最后一段路。
二、MHS 的核心：一个标准驱动，两个动词
MHS 的做法是引入一个标准化驱动（driver）——软件层面的翻译层，介于计算机操作系统与硬件设备之间。它把设备控制抽象成极简原语：read（例如读温度）与 write（例如设温度）。任何具备可编程接口的设备，理论上都能理解并响应这两个动作。
更关键的一步是「可发现性」。MHS 让每台设备以标准格式暴露自己，设备与 Agent 之间可以在网络上互相找到对方，不再需要为每一对新组合写一个专门的翻译程序。
三、把纸质手册里的知识，写成机器能读的标签
这一层是 MHS 里最巧妙的设计。许多关于设备的关键信息，从来不在代码里——比如机械臂的重量。这个参数对「如何安全地操纵它」至关重要，但过去它只存在于纸质说明书、某台电脑的文件夹，或者老工程师的经验里。
MHS 驱动提供了标签机制，让用户（或让一个 Agent 通过对话访谈）用自然语言把这些信息写进去。驱动随即可自动生成一份设备参考文件，说明这台设备能测量什么、能调整什么、安全限制在哪里。Agent 拿着这份文件，就足以操作一台它从没见过的机器。
四、三种控制机制，一条代码串起多台设备
设备接上、Agent 也读懂了之后，还需要动手的通道。MHS 给了三条：MCP（Model Context Protocol）、命令行接口，以及代码文件（API）。三者可以组合，用一行代码实现跨多台设备的编排。
当任务耗时长、或设备动作快到 Agent 的在线推理跟不上时，Agent 可以把多个设备的驱动命令链进一个代码文件，让设备自己按顺序执行，而不必每一步都回头问模型。Anthropic 举的例子是激光校准：Claude 先像科学家那样试探——调整激光、用相机观察光斑怎么移动、再调；等摸清规律后，它把学到的东西打包成一个确定性脚本，之后整条流程一条命令跑完。
Anthropic 技术团队成员 Alek Kemeny 对这套关系的概括很直白：MCP 为软件做的事，MHS 要为硬件世界做一遍。
五、早期案例：从数周缩到八小时
MHS 起于 Anthropic 与 HHMI Janelia 研究园区的合作，早期参与者横跨生物科技、机器人、量子计算与制造。已公开的具体结果包括：
Genentech：用 MHS 协调液体处理器、机械臂与读板机，优化蛋白检测流程中不同液体的处理方式。卡内基梅隆大学（CMU）：一套原本需要数周的实验室设备集成，用 MHS 约 8 小时完成，随后的实验运行速度约为原来的 3 倍。HHMI Janelia：把来自多家厂商的复杂显微系统接在一起，据研究人员说法，加一台新相机从过去数天的工作量变成几分钟。QuEra Computing：让 AI Agent 在无人干预的情况下恢复激光器的精确工作频率，成功率 99.3%。
六、生态名单已经拉了起来
硬件与软件厂商的动作同样值得关注：亚马逊云科技（AWS）将通过其 Strands Robots 库支持 MHS；丹纳赫（Danaher）与 Anthropic 正在探索 MHS 能力如何推进生物医学研究；Doosan Robotics、Tecan、Universal Robots、Hugging Face、Raspberry Pi 等也在构建或测试 MHS 集成。
这份名单说明 Anthropic 选的路径不是自己造机器人，而是做连接层——就像当年用 MCP 换生态位一样。Anthropic 有益部署负责人 Elizabeth Kelly 也表示，这东西虽为科学而建，但对企业和工业同样有巨大好处。
七、局限：气泡不是 bug，是物理
Anthropic 没有回避问题。在 Genentech 的测试中，液体处理过程中出现气泡时，Claude 最初的反应是按软件故障处理——重启流程，结果让问题更糟。最后需要人类解释：这是物理层面的失败，不是代码错误。把这个知识吸收进去后，它才学会更好地应对同类情况。
这暴露了当前范式的真实边界：Claude 对物理世界的理解来自文本与图像，空间与物理推理仍需专家监督。Anthropic 的表态也很克制——先与研究伙伴建立安全评估与最佳实践，再考虑开源。至于具体开源日期，官方未作承诺，行业暂未披露。
八、客观看：标准之争才刚开始
MHS 的意义，在于把「Agent 操作硬件」从每家自造轮子，拉回到一个可共享的接口层。若真能落地，它会显著降低实验室自动化的门槛，并让「AI 原生实验室」从概念变成可采购的方案。
但要把话说全：它还只是研究预览，首批伙伴有限，安全评估尚未成型，模型无关性与开源承诺都还在路上。同期 Anthropic 还开放了约一万个面向科学家的 Claude 订阅席位，并把 AI for Science 计划从生物学扩展到更多研究领域——这套组合拳更像是在争夺「科学智能体」的定义权，而非一次单纯的产品发布。真正的胜负手，要看开源之后有多少设备厂商愿意把 MHS 焊进下一代产品。