Anthropic开源MHS标准：AI Agent安全操控物理设备的驱动规范

人工智能

Anthropic 推出了 Model Hardware Standard（MHS）研究预览版，这是一份共享规范，让 AI Agent 能够发现并操作物理设备。它要解决的核心问题是「管道工」工作——实验室台面或工厂单元由众多从未规划过互联互通的厂商拼凑而成，因此每台仪器都自带接口，而专家只能在每对设备之间手工编写定制转换器。据 Anthropic 团队介绍，传统这套流程通常需要数周乃至数月，而 MHS 能将其压缩到数小时甚至数分钟。

每台仪器都自带编程接口，所以专家只能在每对仪器之间手工编写定制转换器。即使连接完成，设备与 Agent 之间也缺乏通用的状态传递方式，更不用说安全地被 Agent 操作了。Anthropic 表示，传统集成通常需要数周至数月；MHS 将其缩短至数小时甚至数分钟。

MHS 将驱动程序——即操作系统与设备之间的那层——进行了标准化。它对外暴露一组极简原语：read（读取，如获取温度）、write（写入，如设置温度），以及 discovery（发现），使设备与 Agent 能够在网络上相互发现，无需中间转换器。

它还承载着代码本身无法编码的知识——例如机械臂的重量。Driver Tag 允许用户用自然语言写入这些信息，或者让 Agent 询问用户来完成采集。Driver 将这些 Tag 编译成一份参考文件：设备测量什么、可调什么、强制执行哪些安全限制。

控制通过三种机制完成：Model Context Protocol、CLI 和代码文件。MHS 与模型无关——任何 Agent 框架都可以通过标准协议访问它。

合作伙伴的实测数据

Genentech 在移液工作站、机械臂和板式读数仪上自动化了 BCA 蛋白定量实验。Claude 在染 色液转移试验中运行，由其读取吸光度、依据专家的板结果用 RMSE 给自己打分，最终收敛到约 140 µL/s（水，RMSE 0.016）和 10 µL/s（高粘度 BSA，RMSE 0.181）——其自动化专家确认这些参数值合理。

QuEra Computing 的数据最为亮眼。一个由四人团队历时数月构建的定制激光重锁定脚本，每次尝试耗时约 150 秒，成功率仅约 58%。通过 MHS 接手同一问题后，一个四人角色的 Agent 循环通宵无人值守运行，生成了一份确定性 Python 脚本，在 700 次尝试中成功恢复锁定 695 次——达到 99.3%，最困难案例的恢复时间为 10–14 秒，而人类需要 5–10 分钟。Claude 还将该伺服电机的残余误差从专家的 15.7 mV 降低到 1.55 mV；在一次 19 小时的连续运行中，它的调谐始终保持锁定，而专家的调谐每小时约脱锁 1.6 次（据 QuEra 博客）。

卡内基梅隆大学 的剂量响应实验提速约三倍，在移液工作站、板式读数仪、机械臂和摄像头之间进行编排，这些设备跨越三台互不兼容的计算机——其中一台甚至完全没有编程接口。从编写 Driver 到完成一条曲线（包括 Agent 在 R² < 0.9 时自动重新运行），整个过程约耗时 8 小时，而厂商来完成同等工作通常需要数周。六个诱发故障条件均在任何设备移动之前被成功拦截。

华盛顿大学，Baker 和 Pinglay 实验室的一名博士生在不到一周内连接了六台仪器，包括 Driver 编写在内。Tetsuwan Scientific 将 MHS 与其 ResearchOS 平台结合，用于 qPCR 污染分析。Janelia 研究所的一座显微镜设备从需要按固定顺序启动七个程序，变为一次仪表盘点击即可完成。

一份让 AI Agent 能够发现并操作任何具有可编程接口的设备的共享 Driver 规范。

集成周期从数周缩短至数小时：CMU 在 8 小时内完成了一条完整的剂量响应曲线。

QuEra 的激光重锁定：从约 150 秒一次、成功率 58%，提升到 700 次试验中 99.3% 的成功率，以确定性脚本形式交付。

与模型无关、兼容 MCP；安全限制写在 Driver 中，而非提示词里。

仍有门槛限制，仍需人工监督——Claude 在物理推理方面存在明显差距。

查看完整公告并申请预览资格。也欢迎关注我们的 Twitter，别忘了加入我们 15 万+人的 ML SubReddit 并订阅我们的通讯。另外，你在用 Telegram 吗？现在也可以加入我们了。

想与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等吗？请联系我们

Asif Razzaq 是 Marktechpost Media Inc. 的首席执行官。作为一位有远见的企业家和工程师，Asif 致力于将人工智能的潜力用于社会公益。他最新的项目是推出一个人工智能媒体平台 Marktechpost，该平台专注于深度报道机器学习和深度学习新闻，内容既有技术深度又通俗易懂。该平台月均浏览量超过 200 万次，彰显其在受众中的受欢迎程度。