Anthropic 推出 Model Hardware Standard，讓 AI 代理親手操作實驗室設備

2026 年 8 月 27 日，Anthropic 開放了 Model Hardware Standard（MHS，模型硬體標準） 的研究預覽版——一套讓 AI 代理安全操作實體設備的共用規格——供首批科學研究實驗室與先進製造商使用。這是該公司從聊天機器人與程式碼跨入實體 AI 最具體的一步，而且伴隨著 Genentech、華盛頓大學、卡內基美隆大學、HHMI Janelia、QuEra Computing 與 Tetsuwan Scientific 等合作夥伴異常扎實的早期成果。

MHS 究竟解決了什麼問題

走進任何現代生物或材料實驗室，你會看到來自十幾家廠商的儀器：液體處理工作站、盤式讀取器、機械手臂、顯微鏡、雷射器。每台設備都有自己的程式介面、資料格式，甚至程式語言——Anthropic 公告中描述的一套顯微鏡系統，就同時橫跨 MATLAB 的偵測器、Python 的相機與 C# 的電生理設備。要把它們整合起來，專業人員得花上數週甚至數月的時間撰寫客製化膠水程式碼；而即使連上了，仍然沒有一套標準方式讓 AI 代理與設備交換資料或安全地操作它們。

MHS 用三個元件來解決這個問題：

1. 標準化驅動程式。 在作業系統與每台硬體設備之間進行轉譯的軟體，使用任何設備都能理解與執行的簡單原語——「read」（讀取溫度）或「write」（設定溫度）。設備以標準格式被探索（discoverable），代理與儀器能在網路上互相尋找，中間不再需要客製化的「翻譯器」程式。
2. 自然語言設備描述。 驅動程式帶有標籤（tags），讓使用者用平常的文字寫下機器特性——例如機械手臂的重量，或必須強制執行的安全限制。驅動程式會依據這些標籤自動產生一份參考文件，描述設備能測量什麼、能調整什麼、適用哪些安全限制。關鍵在於，這把過去只存在紙本手冊、個人電腦檔案或技師腦海中的知識正式化了。
3. 三種控制機制。 代理透過 MCP（Model Context Protocol）、命令列介面或程式碼檔案（API）來操控硬體，三者協同運作，可以用「一行程式碼」協調多台設備。對於長時間執行或高速的任務，代理可以把驅動指令串接成確定性的腳本，讓設備自行執行。

這套設計刻意做到模型無關（model-agnostic）——任何代理框架都能使用，不限 Claude——而且適用於任何具備可程式介面的設備。它建立在 Anthropic 於 2024 年推出、如今已成為代理連接軟體工具事實標準的 MCP 之上。可以把 MHS 想像成 MCP 的兄弟：一個管位元，一個管原子。

早期合作夥伴的實測數據

研究預覽的合作夥伴公布了具體數字，而這是整個公告最有說服力的部分：

• Genentech 用 MHS 加上 Claude 自動化了 BCA 蛋白質定量分析，協調液體處理工作站、機械手臂與盤式讀取器。Claude 以專家操作的「標準答案」為基準，自主優化了移液流速——對純水收斂到約 140 µL/s（RMSE 0.016），對黏稠的 BSA 蛋白溶液收斂到 10 µL/s（RMSE 0.181）。它還能自行從吸頭吸取失敗、液體偵測錯誤中恢復，而這是大多數科學儀器根本不具備的能力。
• 華盛頓大學（Baker 與 Pinglay 實驗室） 在一週內（含自行撰寫驅動程式）連接了六台儀器。一支基於 LeRobot 的開源機械手臂與液體處理工作站協調，完成了無碰撞的微盤交接；代理監督的 qPCR 盯著擴增曲線，在恰到好處的時機中止反應。博士生 Zihao Song 的結論是：過去凌晨四點起來顧 qPCR 曲線的時間，現在拿去規劃實驗。
• 卡內基美隆大學 把連續稀釋的劑量反應實驗加快了約三倍，協調 CyBio Felix 液體處理器、Varioskan LUX 盤式讀取器、Spinnaker 機械手臂與監控攝影機——這些設備散佈在三台電腦上，介面根本不相容（ActiveX/COM 時代的腳本介面、目錄監看式的工作佇列，以及完全沒有 API、只有 GUI 的讀取器）。總整合時間約八小時，而廠商客製通常要數週。第一次跑出的曲線飽和了（R² < 0.9），代理自行判斷廢棄該盤、壓縮濃度範圍重跑，最終在完全無人介入下達到 R² > 0.98。
• HHMI Janelia 統一了一套過去必須按固定順序啟動七個廠商程式的雙光子顯微鏡系統。MHS 把每台設備的變數放進共享記憶體的狀態字典；新增一台相機從多天的工程變成幾分鐘。這套標準的起源也值得一提——MHS 源自 Anthropic 的 Alek Kemeny 與 Janelia 博士後 Arco Bast 的合作，Bast 為了解決自己腦造影實驗的痛點而開發的共享記憶體字典，成為整個標準的種子。
• QuEra Computing 把中性原子量子電腦內的雷射穩定控制交給了 Claude。原本專家打造的恢復腳本成功率 58%、每次約 150 秒。經過一整夜無人值守的最佳化循環後，Claude 改寫的決策樹控制器約 6 秒完成重鎖定、成功率 96%——而在 700 次誘發干擾的盲測中達到 99.3%。Claude 接著花 16 個小時無人值守調校 12 個相互依賴的 PID 參數，把殘餘雜訊從 15.7 mV 降到 1.55 mV，在 220 kHz 共振點上比人類專家的調校低了三個數量級。
• Tetsuwan Scientific 用 MHS 協調 qPCR 工作流程，分析加州聖佩德羅溪的糞便污染來源——當攝影機偵測到黏稠 master mix 中出現氣泡時，系統掃描網路上所有 MHS 連線裝置尋找幫手，把樣品管放到離心機低速旋轉以消除氣泡。在 9,143 次測試分注中，他們用 MHS 精煉過的編譯器模型對移液精度的預測，比原廠規格書還準約 12%。

硬體廠商已經排隊加入

同樣重要的訊號是：設備廠商正原生建置 MHS 支援。AWS 將透過 Strands Robots 支援；Automata 正加入其 LINQ 平台；Danaher 正探索用於智慧儀器與自主實驗室；Doosan Robotics 正在其機械手臂上測試自動化品質檢驗；MBF Bioscience 正為 ScanImage（全球數百間神經科學實驗室使用的雷射掃描顯微鏡軟體）打造驅動程式；QIAGEN 在 QIAsymphony Connect 上完成了概念驗證；Tecan 正為 Fluent 液體處理平台加入支援；Universal Robots 已取得早期存取權。開源陣營方面，Hugging Face 正在 LeRobot 機器人函式庫中加入 MHS 支援，Raspberry Pi 在相機 MHS 驅動程式測試成功後，正讓多款產品支援 MHS 整合。

誠實面對限制

Anthropic 對 MHS 與現有模型的不足異常坦白。Claude 對物理直覺仍然吃力：在 Genentech，氣泡造成執行期錯誤時，它的直覺是在同一個孔位重試不同參數——結果只讓液體更加激烈晃動、產生更多氣泡，直到研究人員解釋背後的物理原理。在 QuEra，Claude 有時會為了等待人類核准稍有風險的動作而整夜暫停，也無法排除源於硬體而非程式的問題。MHS 目前也不支援完全沒有程式介面的設備，而且標準要等預覽期產出安全評估與部署指引後才會開源——Anthropic 表示正在建立實體安全路線圖，把防護政策延伸到實體世界的濫用風險。

為什麼重要

MCP 的類比是最恰當的框架。MCP 出現之前，每個代理與工具的連線都是客製整合；之後，它變成了基礎建設。MHS 想在實體世界做同樣的事——而實體世界的整合問題更嚴重，回報也更大：全天候自主實驗、自我調校的儀器、能自己產生科學資料的實驗室。從上面的廠商名單來看，產業要的是標準，而不是另一座圍牆花園。模型無關、原生支援 MCP 這兩點，讓它有真正的機會成為基礎建設，而不只是 Claude 的附屬功能。

研究預覽目前採申請制，承諾在安全評估完成後開源。對實驗室與製造商來說，訴求很簡單：過去要花數週或數月的整合工作，現在只要數小時或數分鐘——而且你的儀器得到一個永不睡覺的操作員。