Anthropic 开放 Model Hardware Standard 研究预览

我们正在向首批科研实验室和先进制造商开放模型硬件标准（MHS）的研究预览版，这是一项供 AI 智能体安全操作物理设备的共享规范。MHS 使 AI 智能体能够并行操作多台实验室和制造仪器，例如显微镜、液体处理机和机械臂，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 的开发始于 Anthropic 与 HHMI Janelia Research Campus 的合作。

实验室或制造设施通常需要数周甚至数月来搭建和集成其硬件。大多数设备之间无法相互通信，反而需要专家构建定制集成方案。MHS 将这一集成工作缩短至数小时或数分钟。通过将 AI 融入这些工具，MHS 还帮助研究人员和工程师更便捷地编排自主的、全天候的实验和工作流程，智能体能够对实验的每一步进行推理、实时更新参数，并在某些情况下无需人工干预即可从硬件错误中恢复。

我们正与科学、机器人、电子和制造领域的合作伙伴分享 MHS 的早期版本，以便在将该标准开源之前，共同构建安全评估并制定 AI 系统操作物理设备的最佳实践。MHS 适用于任何具有可编程接口的设备。它也与模型无关，任何智能体框架都可以使用标准协议访问它，例如 Model Context Protocol。如需申请研究预览版访问权限，请点击此处。

MHS 的工作原理

模型硬件标准（MHS）推出之前与之后。

让实验室或工厂车间中的多台设备相互通信可能颇具挑战，即便抛开将 AI 集成到该配置中的额外难度也是如此。每台设备往往都有自己的编程接口，而迄今为止还没有标准化的方式来集成它们。而且一旦设备连接起来，它们也没有通用的方式与 AI 智能体共享数据，也无法让智能体安全地操作它们。

MHS 通过引入标准化驱动程序来应对这些挑战：这是一种在计算机操作系统与硬件设备之间进行转换的软件。MHS 驱动程序使用一组简单的原语——诸如“读取”（例如“获取温度”）或“写入”（例如“设置温度”）之类的命令——任何硬件设备都能理解并执行。它还使每台设备都能以标准格式被发现，这样设备和智能体就能在网络上相互发现并通信，而无需在中间使用定制的“翻译器”程序。

MHS 驱动还能帮助 AI 智能体理解如何使用一台它从未见过的设备，向它提供仅凭代码可能无法辨别的机器特性信息（例如机械臂的重量，这对于了解如何安全地操作它至关重要）。迄今为止，这类信息大多存储在纸质手册、用户的电脑中，或作为隐性知识存在。但 MHS 驱动包含一些标签，让用户可以直接用自然语言写入这些信息（用户可以自己写，也可以通过和智能体对话，由智能体就他们的硬件配置进行访谈）。借助这些标签提供的信息，MHS 驱动随后会自动生成一个参考文件，其中包含设备的一般特性信息，例如它能测量什么、什么可以调整，以及将强制执行哪些安全限制。这个文件为智能体提供了操作该设备所需了解的一切。

在设备连接好、智能体知道如何使用每一台设备之后，智能体还需要一种控制硬件的方式。对于 MHS，有三种这样的机制：MCP、命令行界面和代码文件（API）。它们协同工作，通过一行代码即可实现跨多个设备的编排。

一旦智能体能够控制这些设备，它就能接收每台设备的运行数据，并在高层面上监督和指导工作。智能体可以跨仪器编排步骤、监控结果，并在条件实时变化时调整参数。当智能体需要执行长时间运行的任务，或以快于其在线推理速度的方式操作设备时，它可以在代码文件中把来自一个或多个设备的驱动命令串联起来。这让设备能够自行执行操作，而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 会以探索性的方式与实验和硬件交互，就像科学家一样。例如，我们观察到 Claude 对激光器做出调整，通过摄像头观察结果以评估其调整如何移动了激光束，并重复这一过程，试图理解事件发生的顺序。随后，Claude 将它学到的东西打包成代码文件，编写了一个确定性脚本，让它无需在每一步都进行推理就能对准激光，从而使整个过程可以作为单条命令运行。

MHS 的早期示例

我们才刚刚开始看到人们能用前沿模型和 MHS 做些什么，但我们希望这一标准能够帮助研究人员、工程师以及其他从业者，在任何使用带可编程接口设备的领域加快发现和实验的进程。

在开发 MHS 的过程中，我们与生物技术、机器人、量子计算及其他领域的少数实验室和硬件制造商分享了它。在这些早期项目中，我们看到 MHS 缩短了集成设备所需的时间，使在各种实验环境中更快迭代成为可能，并协助了机器的实时运行和实时故障检测。下面，我们的合作伙伴分享了他们一些涉及 MHS 的早期项目的细节。

Genentech：为实验室自动化实施 MHS

Genentech 的研究人员将 MHS 作为概念验证实现并测试，用于自动化 BCA 蛋白测定——这是一种测量样本中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 和 Pinglay 实验室：将 AI 智能体引入实验台

华盛顿大学 Baker 和 Pinglay 实验室的博士生 Zihao Song 使用 MHS 构建了一个仪表盘，用于远程监控他的仪器；一个由 AI 智能体监督的 qPCR（通过反复加热和冷却循环复制目标 DNA 序列），可监测扩增曲线并在恰当时机停止流程；以及一个机械臂与液体处理工作站之间的集成，用于无碰撞的板转移。

卡内基梅隆大学：通过快速自动化确定剂量-反应曲线

卡内基梅隆大学的研究人员使用 MHS 运行系列稀释剂量-反应实验，速度比之前快约三倍，由 AI 智能体协调液体处理工作站、酶标仪、机械臂和监控摄像头，这些设备分布在三台接口根本不兼容的计算机上。

HHMI Janelia：使用 MHS 加速显微镜研究

在 HHMI Janelia 研究园区，研究人员正在使用 MHS 加速一系列与显微镜相关的项目。在这里，Ahrens 实验室研究睡眠如何帮助身体从压力中恢复的科学家 Virginie Ruetten 分享了她如何使用 MHS 统一并协调一套此前涉及七个不同厂商程序、没有共享接口的设备。

QuEra Computing：在量子激光稳定中使用 MHS

QuEra 是一家使用中性原子构建量子计算机的公司，它使用 MHS 让 AI 智能体控制其量子机器内部激光系统的部分组件。该智能体开发了一个控制器，可在 99.3% 的情况下无需人工干预即可恢复激光的“锁定”——即激光与原子相互作用时必须保持的超精确频率。

Tetsuwan Scientific：使用 MHS 运行 qPCR 以分析当地污染

Tetsuwan 的研究人员将 MHS 与其自动化生物学实验室平台 ResearchOS 集成。MHS 帮助协调了一个 qPCR 工作流程，为表征加利福尼亚州圣佩德罗溪污染的公民科学工作做出贡献。

01 /

硬件厂商及其支持的软件公司也在将 MHS 支持构建到其设备中，以便 AI 智能体能够更轻松地发现和操作其设备。例如：

Amazon Web Services 将通过 Strands Robots 支持 MHS，这是一个将 AI 智能体连接到物理设备的库。AWS 将在 MHS 研究预览期间向参与者提供 Strands Robots 包的私有预发布版本。
Automata 正在为其实验室自动化平台 LINQ 添加 MHS 支持，以在自主实验室中对仪器执行智能错误处理。
Danaher 和 Anthropic 正在积极探索 MHS 支持的能力如何使其智能仪器和自主实验室能够扩展生物医学研发。
Doosan Robotics 正在用其机械臂测试 MHS，包括执行自动化质量保证和协调多个机器人之间的任务。
MBF Bioscience 正在为 ScanImage 构建 MHS 驱动，ScanImage 是运行全球数百个神经科学实验室中激光扫描显微镜的软件，旨在将 AI 智能体集成到实时数据分析和实验中。
QIAGEN 正在通过其核酸纯化平台 QIAsymphony Connect 上的工作概念验证来试验 MHS，展示 AI 智能体如何帮助实验室更快地排查仪器问题、指导操作员完成恢复流程，并提高仪器正常运行时间，同时降低对生物样本的风险。
Tecan 正在为其 Fluent 液体处理平台添加 MHS 支持，以便 AI 智能体能够直接发现并操作这些平台。
Universal Robots 已获得 MHS 的早期访问权限，并计划在其机器人平台上添加支持。

加入研究预览

来自合作伙伴的这些早期结果令人鼓舞，但在我们开源该标准之前，还有更多工作要做。作为大型语言模型，Claude 通过文本和图像了解物理世界，这意味着其空间和物理推理存在局限性，仍需要专家监督。例如，在处理蛋白质样本时，Genentech 的研究人员不得不引导 Claude 认识到，样本起泡导致的错误是物理故障，而非软件缺陷，只能通过适当的物理纠正来缓解。

MHS 目前也尚不支持缺乏编程接口的硬件，因此我们正在与这类设备的制造商合作，内置 MHS 驱动。许多开发者已经使用 Claude Code 来处理单个物理设备；对于 MHS 的下一阶段，我们希望扩展该标准，以覆盖开发者所构建的更多设备。早期采用者包括 Hugging Face，他们正在其机器人库 LeRobot 中添加 MHS 支持，以及 Raspberry Pi，他们在使用其 Camera MHS Driver 成功测试后，正在其多款产品中实现 MHS 集成。

我们还将利用研究预览与发布合作伙伴一起构建额外的安全评估，并加强对 AI 在物理世界中使用的保护。我们正在制定物理安全路线图，以进一步加强我们的保障政策和执行覆盖范围，防范滥用风险。当我们开源 MHS 时，我们将发布研究预览的发现，作为安全部署该标准的指南的一部分。

我们邀请各行业的利益相关者加入 MHS 研究预览的等待名单。如果您想参与，请在此提交您的意向。

致谢

MHS 最初源于 Anthropic Beneficial Deployments 团队的 Alek Kemeny 与 HHMI Janelia Research Campus 的博士后科学家 Arco Bast 之间的合作。Bast 当时正在一套由来自不同供应商的激光器、电动调焦器和专用相机组成的设备上运行复杂的脑成像实验，这些设备没有通用接口。为了加速实验，他开发了一个共享内存字典，使仪器能够以内存速度相互通信。Kemeny 和 Bast 合作将 AI 模型集成到该接口中。

我们感谢迄今为止为这项工作做出贡献的所有人，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一起推进 MHS，并很快与开源社区携手前行。