Anthropic 发布 MHS 模型硬件标准：让 AI 像插 USB-C 一样操控真实世界设备

过去，让 AI 控制一台实验室设备，意味着每个硬件厂商各写一套私有 SDK 与协议。换一家显微镜、换一台移液机械臂，集成就要从零再来——一个自动化流程往往要写数周的胶水代码。MHS 想解决的正是这种碎片化：它定义了一套所有设备都能说、所有智能体都能懂的「共同语言」。

MHS 的核心分三层。其一「驱动（Driver）」：把设备的真实能力——能测什么、能调哪些参数、哪些操作有强制安全限制——收敛成一组统一原语；其二「自然语言说明书」：开发者用大白话描述设备特性，MHS 据此自动生成一份参考文件；其三「三通道」交互：对话通道、文件通道与结构化通道，智能体可以边试边学、先探索再固化流程。

效果已经可验证。在基因泰克（Genentech）的 BCA 蛋白检测中，接入 MHS 后检测均方根误差（RMSE）较手工流程下降约 76%；在多个实验室自动化场景里，原本数周的集成被压缩到数分钟。发布当日，AWS、优傲（Universal Robots）、斗山、Tecan、丹纳赫、Hugging Face LeRobot、树莓派等约 10 家厂商宣布适配，生态初步就位。Anthropic 还同步放出 1 万个免费 Claude 席位，并在 6 月 Claude Science 的商业闭环上，把「AI + 实验」变成可采购的能力。

但 MHS 仍是研究预览，而非已发布的强制规范，边界必须讲清。物理动作后果不可逆——配错试剂、动错机械臂都可能造成真实损失，因此协议层内置了强制安全限制与人工确认。能力也有上限：在 FrontierChallenge 基准（arXiv:2608.24979）上，即便最优智能体配置，也只有约 1/5（20/97≈20.6%）的科研流程能完整跑通，这反映的是科学智能体普遍的早期瓶颈，而非 MHS 独有缺陷。规范本身也尚未开源。

对开发者与站长而言，MHS 的意义在于把「物理世界的 API」标准化——正如 USB-C 统一了接口。我们已整理出完整的中英对照技术文档，覆盖原语拆解、案例数据、生态对比与同期配套动作，欢迎延伸阅读。