Anthropic 模型硬體標準：讓 AI 代理親手操作實驗室儀器

過去兩年，AI 代理大多活在螢幕裡。它們寫程式、寫報告、草擬 email——但你遞給它一支移液 pipette 或一隻機械臂，它們等於是瞎的。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：一套共享規範，讓 AI 代理能安全地探索、理解並操作實體設備——從自動分注器（liquid handler）、微孔盤讀取器，到量子電腦的雷射校準。它是 Model Context Protocol 在實驗室與工廠的對應物，也可能是自 MCP 以來 Anthropic 最重要的一次基礎設施押注。

沒人解決的整合難題

任何待過自動化實驗室或先進製造產線的人都知道一個殘酷事實：機器彼此之間根本不溝通。每台儀器都有自己的專屬程式介面，要讓兩台設備協作——例如機械臂把微孔盤遞給讀取器——就得靠專家撰寫客製化的整合軟體。Anthropic 指出，一座實驗室或工廠通常要花數週甚至數月才能完成硬體設定與整合。就算接好了，依然沒有一套通用方式讓 AI 代理與設備交換資料、安全地操作它們。

MHS 用標準化驅動程式（driver）來解決——這種軟體負責在作業系統與硬體設備之間轉譯。驅動程式暴露一組簡單的原語（primitive），例如「read（讀取，如：取得溫度）」與「write（寫入，如：設定溫度）」，任何硬體設備都能理解並執行。設備以標準格式變得可被探索（discoverable），代理與儀器能在網路上互相找到彼此，中間不需要客製的「翻譯官」程式。Anthropic 聲稱效果是：原本要數週或數月的整合工作，縮短到數小時甚至數分鐘。

Anthropic 與早期合作夥伴用的比喻是 USB-C 傳輸線。正如 USB-C 標準化了裝置之間的資訊傳輸，MHS 標準化了智慧在 AI 代理與機器之間的流動方式。

把紙本手冊裡的知識教給代理

MHS 最巧妙的設計，在於處理「內隱知識」。安全操作一台設備所需的資訊——機械臂的重量、關節極限、哪些參數可調、哪些是硬性安全上限——長年來都躺在紙本手冊、某位工程師的筆電，或維修技師的腦子裡。MHS 驅動程式內含標籤（tags）機制，讓使用者以自然語言直接寫入這些資訊，可以自己寫，也可以讓代理「訪談」你、問出你的硬體配置後自動填入。

依據標籤內容，驅動程式會自動產出一份參考文件，描述這台設備能量測什麼、什麼可以調整、哪些安全限制會被強制執行。這份文件就是代理的操作手冊——操作一台從未見過的設備所需的全部資訊。控制則透過三種機制流入：MCP、命令列介面，以及程式碼檔案（API），三者搭配起來可以用一行程式碼编排多台設備。

針對長時間執行或高速操作，代理可以把驅動指令串接成程式碼檔案，讓設備以確定性（deterministic）方式自行執行，不必每一步都靠模型推理。Anthropic 表示，他們觀察到 Claude 校準雷射的方式是：調整、用攝影機檢查結果、再調整——最後把學到的經驗打包成可重複執行的腳本，跟人類工程師的做法如出一轍。

Genentech 的閉環 BCA 蛋白定量實驗

最詳盡的早期驗證來自 Genentech：他們把 MHS 部署到自動分注器、機械臂與微孔盤讀取器三台設備上，自動化 BCA 蛋白質定量分析——量測樣本中總蛋白濃度的標準程序。科學家用自然語言描述實驗，Claude 負責規劃與编排，每道指令都經過 MHS 傳遞。

最引人注目的是閉環（closed loop）部分。在最佳化分注流速的任務中，Claude 用染色液體做試驗性轉移，以均方根誤差（RMSE）對照專家操作的「標準答案」自我評分，最後獨立收斂到水約 140 µL/s（RMSE 0.016）、黏稠 BSA 溶液 10 µL/s（RMSE 0.181）——Genentech 的自動化專家確認這些參數對該設備合理。這種最佳化通常需要專家為每一組參數撰寫客製邏輯、反覆分析資料才能完成。

實驗也暴露了現階段的限制。混勻時產生氣泡，Claude 的直覺是在同一孔位用不同參數重試——結果只會讓液體更劇烈晃動、生成更多氣泡。它缺乏「根源是泡沫而非邏輯」的物理直覺。一旦研究人員告訴它錯誤來自實體氣泡、應該換到乾淨孔位並放柔參數，Claude 就在後續整輪實驗中記住了這件事，相關經驗也被固化成可重用的分注技能。這個模式——模型是強大的通用推理器，但對物理、化學、生物限制很弱——是這場漂亮示範中心最誠實的但書。

在華盛頓大學 Baker 與 Pinglay 實驗室，一位博士生用 MHS 打造了遠端儀器監控儀表板、會盯著放大曲線並在正確時機終止程序的代理監督式 qPCR，以及機械臂與分注器之間的無碰撞交接——在他們的領域，設計一個蛋白質只要一分錢，但測試一個候選要一百美元加上一週人力。

為什麼這件事的意義超出實驗室

這次發布背後有三條戰略脈絡。

這是協定之賭，不是產品之賭。 MHS 與模型無關（model-agnostic）——任何代理框架都能透過 MCP 等標準協定使用它——而且 Anthropic 打算開源，就像 2024 年開源 MCP 一樣。如果 MHS 成為代理與機器溝通的通用語，Anthropic 就能用當年塑造資料連結慣例的方式，塑造實體世界 AI 的安全與介面慣例。標準化的機會是真實的：今天業界對「代理如何安全操作一台沒見過的設備」並沒有共同答案。

這是切入實體世界的楔子。 OpenAI、Amazon 等對手已砸數十億美元開發 AI 原生裝置與製造工具；Anthropic 則在組建晶片團隊，並挖來曾在 OpenAI、Meta、Apple 任職的硬體主管 Caitlin Kalinowski。MHS 讓 Anthropic 不必賣硬體也能推進硬體——掌控介面層，而不是賣機器。Anthropic 有益部署部門負責人 Elizabeth Kelly 向 CNBC 表示，公司「是為科學打造這套標準、展示 AI 的潛力，但對企業與產業也有巨大效益」。

目標是全天候自主運轉。 MHS 的重點不是遙控，而是無人監督的编排。能逐步推理實驗、即時更新參數、甚至在部分情境下自行從硬體錯誤中恢復的代理，才能解鎖整夜的實驗循環——這是「會睡覺的實驗室」與「不睡覺的實驗室」之間的差別。

待解的問題

研究預覽版開放給第一批科學實驗室與先進製造商，橫跨生物科技、機器人、量子運算與電子業，合作夥伴將共同建立安全評估與最佳實務，為開源做準備。真正的問題仍在：設備供應商若拒絕採用怎麼辦？面對對抗性或單純混亂的代理，安全上限守不守得住？一套自然語言標籤系統，能否完整捕捉機器的物理現實、避免設備損壞？Genentech 的氣泡事件就是模型推理與物理直覺分歧的小型預演。

但方向是對的。2024 到 2026 年，這個產業標準化了代理如何「讀」世界（MCP 負責資料與工具）。MHS 是第一場認真嘗試，要標準化代理如何「改變」世界。如果開源版本真的獲得供應商採用，實驗室工作臺——最終是工廠產線——將成為所有代理框架的可開拓市場，而不只屬於 Claude。機器已經等一套共同語言很久了；Anthropic 剛提出了候選方案。