Anthropic 模型硬件标准 (MHS)

抛开发布时的宣传包装，MHS 实际上是一个相当窄的基础设施：一个位于代理与物理设备之间的驱动层，搭配一个描述文件，说明设备能测量什么、能改变什么以及其安全边界在哪里^[1]。Anthropic 设计它可通过 MCP 本身、命令行、代码和 API 运行，并且具有模型无关性——不仅限于 Claude，也可供 OpenAI 模型和开源大语言模型使用^[2]。Anthropic 的 Alek Kemeny 用一句话概括了其雄心：‘MCP 对软件世界做了什么，MHS 就要对硬件世界做同样的事。’^[2]这种传承并非仅是营销话术：MCP 是 Anthropic 于2024年11月推出的，解决了模型以一致方式调用软件工具的问题^[3]。MHS 将同一模式——标准化握手协议而非定制化集成代码——应用于物理执行器、传感器和实验室仪器。其核心理念是，过去存在于纸质手册或专家头脑中的安全与操作知识，现在只需在机器可读的描述文件中编码一次，而无需为每个新设备配对从头重建^[1]。

模糊的集成速度宣称容易做出；MHS 的早期测试者却提供了难以忽视的具体数据。在卡内基梅隆大学，原本分布在三台计算机上、接口互不兼容的液体处理仪、微孔板读数仪、机械臂和摄像头，仅用约8小时便完成整合，之后剂量反应实验的运行速度提升了约3倍^[1]。在华盛顿大学，六台仪器在不到一周内完成连接，取代了此前耗时数月的平台评估工作^[1]。QuEra Computing 的量子实验室使用基于 MHS 的代理自主重新锁定激光器的工作频率，在约700次试验中，成功率从58%提升至99.3%，恢复时间从约150秒缩短至6至14秒^[4]。Tetsuwan Scientific 在300种不同液体类型上执行了9,143次分配转移，最终模型在未见过的实验中准确率比设备制造商自身规格高出12%^[1]。不过并非所有结果都完美：Genentech 团队让 Claude 成功将粘稠溶液的移液流速从约140微升/秒降至10微升/秒，但模型最初误将起泡现象判断为软件错误而非物理问题，需人类干预纠正方向^[1]。

MHS 描述文件中嵌入的设备级安全限制是真实的，但并非安全问题的全部。Kingy.ai 的 Curtis Pyke 指出，尽管他认同集成而非模型智能才是真正的瓶颈，但目前尚无公开指南说明谁可以发现设备、谁有权发出指令、凭证如何限定范围，或当代理从连接的数据源接收到恶意指令时，如何撤销被攻破的驱动程序^[5]。他还强调，安全约束本身具有领域依赖性——机器人速度限制或温度边界在保护设备时可能是安全的，但一旦工具变更或应用于生物样本，这些限制可能失效甚至变得危险，这意味着静态的每设备限制本身无法构成完整的安全架构^[5]。监管也尚未跟上：现有框架仍假设责任主体为人类操作员，而首个明确针对机械中基于AI的安全功能的法规——欧盟《机械条例》——要到2027年1月才全面生效，比 MHS 预览版的发布晚了数月^[2]。

社区反应清晰地分裂为两个阵营，值得直接点明。一派认为 MHS 是真正的里程碑——AI终于拥有了‘手’，从终端与聊天机器人阶段迈向物理基础设施。另一派技术性评论则反驳称，MHS 并未明显实现任何新功能；它只是像 MCP 那样标准化了一个协议，一个此前无法自动化的设备不会仅仅因为接口改变就能实现自动化。更具体的批评指出，MHS 可能无法支持需要严格延迟保证的实时、嵌入式、确定性工业控制回路——这一点在讨论中实际上已被承认，标准的适用范围被重新界定为生物实验室自动化和多设备协调，而非毫秒级控制。这是一条合理的边界，但也削弱了‘不过是个标准’这一最强形式的否定论点：QuEra 的激光重锁结果和卡内基梅隆大学的集成时间骤降并非协议优雅性的体现，而是真实设备上的实测成果。更诚实的判断应介于两者之间——MHS 并未让模型变得更聪明，但试点项目表明，仅一个共享的驱动接口就足以消除足够多的非模型摩擦，从而改变今年而非下一个十年内实验室中实际可自动化的任务范围。