预览 Model Hardware Standard

预览 Model Hardware Standard

2026 年 8 月 27 日

我们现向首批科学研究实验室和先进制造企业开放 Model Hardware Standard（MHS）研究预览版。MHS 是一套共享规范，旨在让 AI agents 安全地操作实体设备。借助 MHS，AI agents 可以并行操作多种实验室和制造设备，例如显微镜、液体处理工作站和机械臂，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 最初由 Anthropic 与 HHMI Janelia Research Campus 合作开发。

实验室或制造设施通常需要数周甚至数月，才能完成硬件部署和集成。大多数设备彼此无法通信，往往需要专家专门开发定制集成方案。MHS 可将这项工作从数小时甚至数分钟缩短到更短时间。将 AI 融入这些工具后，MHS 还能帮助研究人员和工程师更轻松地编排全天候自主实验与工作流：agents 可以逐步推理实验过程、实时更新参数，并在某些情况下无需人工干预即可从硬件故障中恢复。

在将该标准开源之前，我们先向科学、机器人、电子和制造领域的合作伙伴分享 MHS 早期版本，以共同建立安全评估体系，并为运行实体设备的 AI 系统制定最佳实践。MHS 支持任何具备可编程接口的设备，同时与具体模型无关；任何 agent harness 都可以通过标准协议访问它，例如 Model Context Protocol。如需申请研究预览版访问权限，请点击此处。

MHS 的工作方式

要让实验室或工厂车间里的多台设备彼此通信，本就颇具挑战，更不用说还要把 AI 集成进来。每台设备通常都有自己的编程接口，迄今也没有统一的集成方式。即使设备已经连接起来，也缺少一种通用方法，让它们与 AI 智能体共享数据，或让智能体安全地操作设备。

MHS 通过引入标准化驱动程序来解决这些问题。驱动程序负责在计算机操作系统与硬件设备之间进行转换。MHS 驱动程序采用一组简单的基本操作——例如“读取”（“获取温度”）和“写入”（“设置温度”）——任何硬件设备都能理解并执行。它还会以统一格式描述并公开每台设备的信息，让设备和智能体能够彼此发现，并跨网络通信，无需额外编写定制的“翻译器”程序。

MHS 驱动程序还能帮助 AI 智能体了解如何使用从未见过的设备，并提供一些仅凭代码难以获取的机器特性信息。例如，机械臂的重量对于安全操控至关重要。过去，这类信息大多记录在纸质手册、用户电脑中，或以隐性知识的形式存在。MHS 驱动程序则提供了标签，用户可以直接用自然语言填写这些信息；既可以手动填写，也可以与智能体对话，由智能体询问硬件配置后完成填写。根据这些标签中的信息，MHS 驱动程序会自动生成参考文件，记录设备的基本特性，例如能够测量什么、可以调节什么，以及会强制执行哪些安全限制。智能体借助这份文件即可掌握操作设备所需的全部信息。

设备连接完成、智能体也了解每台设备的使用方式后，还需要一种控制硬件的方法。MHS 提供了三种机制：MCP、命令行界面和代码文件（API）。三者协同工作，只需一行代码即可编排多台设备。

一旦智能体能够控制这些设备，就可以接收各设备的运行数据，并从更高层面监督和指挥整个流程。它能够安排不同仪器的操作顺序、监测结果，并根据实时变化调整参数。当任务运行时间较长，或设备运行速度超过智能体在线推理所能跟上的程度时，智能体还可以将一个或多个设备的驱动指令串联起来，写入代码文件。这样，设备就能自行执行操作，无需智能体在每一步都进行推理。

在测试 MHS 的过程中，我们发现 Claude 与实验和硬件交互的方式很像科学家：不断探索、观察并调整。例如，我们观察到 Claude 先调整激光器，再通过摄像头观察结果，判断这次调整如何改变激光束的位置，然后重复这一过程，以理解其中的因果关系。随后，Claude 将学到的内容封装进代码文件，编写出确定性脚本。这样，它无需在每一步进行推理，就能完成激光对准，整个过程也可以通过一条命令运行。

MHS 的早期应用案例

我们才刚刚开始探索前沿模型与 MHS 的应用潜力，但希望这项标准能够帮助研究人员、工程师及其他从业者，加快所有使用可编程接口设备的领域中的发现与实验进程。

在开发 MHS 的过程中，我们将其分享给了生物技术、机器人、量子计算等领域的几家实验室和硬件制造商。在这些早期项目中，我们发现，MHS 能够缩短设备集成所需的时间，支持在各种实验环境中更快迭代，还能协助实时操作机器并检测故障。下面，我们的合作伙伴将介绍一些早期 MHS 项目的具体情况。

Genentech：用 MHS 实现实验室自动化

Genentech 的研究人员实施并测试了 MHS，以验证其自动化 BCA 蛋白检测的可行性。BCA 蛋白检测是一种用于测量样品总蛋白浓度的标准流程，需要协调液体处理工作站、机械臂和酶标仪。

华盛顿大学 Baker 与 Pinglay 实验室：将 AI 智能体带到实验台

华盛顿大学 Baker 和 Pinglay 实验室的博士生 Zihao Song 使用 MHS 搭建了一个仪器远程监控 dashboard；还构建了由 AI agent 监督的 qPCR（通过反复加热和冷却循环复制目标 DNA 序列），实时监测扩增曲线并在适当时机停止实验；此外，他还实现了机械臂与液体处理器的协同，让实验板能够在两者之间无碰撞交接。

卡内基梅隆大学：通过快速自动化测定剂量-反应曲线

卡内基梅隆大学的研究人员使用 MHS 开展系列稀释剂量-反应实验，速度约为以往的三倍。AI agent 负责协调液体处理器、读板机、机械臂和监控摄像头——这些设备分布在三台采用完全不兼容接口的计算机上。

HHMI Janelia：利用 MHS 加速显微镜研究

在 HHMI Janelia 研究园区，研究人员正使用 MHS 加速一系列显微镜相关项目。Ahrens 实验室科学家 Virginie Ruetten 研究睡眠如何帮助身体从压力中恢复。她分享了如何利用 MHS 统一并协调一套此前依赖七种不同厂商软件、彼此没有共享接口的实验系统。

QuEra Computing：利用 MHS 稳定量子激光器

QuEra 是一家使用中性原子构建量子计算机的公司。该公司利用 MHS 让 AI agent 能够控制量子计算机内部激光系统的部分组件。AI agent 开发出的控制器无需人工干预，就能在 99.3% 的情况下恢复激光器的“锁定”状态——也就是激光器必须保持的超高精度频率，只有这样才能与原子发生交互。

Tetsuwan Scientific：利用 MHS 运行 qPCR 分析当地污染

Tetsuwan 的研究人员将 MHS 集成到其自动化生物实验室平台 ResearchOS 中。借助 MHS，他们协调完成了一套 qPCR 工作流程，为公民科学项目提供支持，用于分析加利福尼亚州 San Pedro Creek 的污染情况。

01 / 06

硬件厂商及其配套软件公司也在设备中加入对 MHS 的支持，让 AI agent 更容易发现并操作这些设备。例如：

• Amazon Web Services 将通过 Strands Robots 支持 MHS。Strands Robots 是一个用于将 AI agent 连接到物理设备的库。在 MHS 研究预览期间，AWS 将为参与者提供 Strands Robots 软件包的专属预发布版本。
• Automata 正在为其实验室自动化平台 LINQ 增加 MHS 支持，用于在自主实验室中智能处理仪器错误。
• Danaher 与 Anthropic 正在积极探索 MHS 支持的能力如何赋能智能仪器和自主实验室，推动生物医学研发规模化。
• Doosan Robotics 正在使用机械臂测试 MHS，包括执行自动化质量保证，以及协调多台机器人之间的任务。
• MBF Bioscience 正在为 ScanImage 开发 MHS 驱动程序。ScanImage 是一款用于运行激光扫描显微镜的软件，全球数百家神经科学实验室都在使用。借助 MHS，AI agent 可以参与实时数据分析和实验。
• QIAGEN 正通过其核酸纯化平台 QIAsymphony Connect 开展 MHS 概念验证，探索 AI agent 如何帮助实验室更快排查仪器问题、指导操作人员完成故障恢复，并在降低生物样本风险的同时提高仪器运行时间。
• Tecan 正在为 Fluent 液体处理平台增加 MHS 支持，让 AI agent 能够直接发现并操作这些设备。
• Universal Robots 已提前获得 MHS 访问权限，并计划为其机器人平台增加支持。

加入研究预览

合作伙伴取得的这些早期成果令人鼓舞，但在开源这一标准之前，我们还有不少工作要做。作为大型语言模型，Claude 主要通过文本和图像了解物理世界，因此在空间推理和物理推理方面仍存在局限，工作过程中仍需要专家监督。例如，在处理蛋白质样本时，Genentech 的研究人员必须引导 Claude 认识到，样品起泡导致的问题属于物理故障而非软件 bug，只有采取适当的物理修正措施才能缓解。

目前，MHS 还无法支持没有编程接口的硬件，因此我们正与相关设备制造商合作，为这些设备集成 MHS 驱动。许多开发者已经在使用 Claude Code 操作各种实体设备；在 MHS 的下一阶段，我们希望将标准扩展到开发者常用的更多设备。早期采用者包括 Hugging Face——他们正在为机器人库 LeRobot 添加 MHS 支持；以及 Raspberry Pi——在使用其 Camera MHS Driver 成功完成测试后，正推动 MHS 集成到旗下多款产品中。

我们还将借助此次研究预览，与首批合作伙伴开展更多安全评估，进一步加强 AI 在现实物理环境中的安全防护。我们正在制定实体世界安全路线图，进一步完善安全防护政策，并扩大针对滥用风险的监管与执行覆盖范围。未来开源 MHS 时，我们会将研究预览阶段的发现纳入标准安全部署指南。

我们诚邀各行业的相关方加入 MHS 研究预览的候补名单。如果你有意参与，请在这里提交意向。

致谢

MHS 最初由 Anthropic 有益部署团队的 Alek Kemeny 与 HHMI Janelia Research Campus 博士后科学家 Arco Bast 合作发起。当时，Bast 正在一套复杂的脑成像实验装置上开展实验。这套装置组合了不同厂商生产的激光器、电动调焦器和专业相机，但彼此之间没有通用接口。为了加快实验进程，他开发了一个共享内存字典，让这些仪器能够以接近内存的速度相互通信。Kemeny 和 Bast 随后合作，将 AI 模型接入这一接口。

感谢迄今为止为这项工作作出贡献的所有人，包括但不限于 Aaron Boswell、Ben Arthur、Boaz Mohar、Gagan Bhat、Mark Kittisopikul、Nadine Yasser、Nick Purcell、Takashi Kawase 和 Virginie Ruetten。我们期待与行业合作伙伴携手推进 MHS，并很快与开源社区共同推动其发展。