Claude 开始操控机械臂和量子激光：Anthropic MHS 的技术细节与真实边界

昨天下午刷到 Anthropic 官网的公告时，我盯着标题看了三秒——"Previewing the Model Hardware Standard"。

点进去往下翻，越看越坐不住。Claude 在 QuEra 的量子计算机上做激光校准，稳定率从人类专家的 58% 干到了 99.3%，单次校准从 5-10 分钟压到 6 秒。Genentech 的药物发现实验里，Claude 自己操控移液器跑实验，出了错还自己修。

这不是 Demo，这是真刀真枪在生产环境里跑出来的。

有人说这是"硬件版 MCP"，我觉得不对。MCP 是让 AI 能调用软件工具，MHS 是让 AI 能直接操作物理设备——这中间差了整整一个次元。

一、MHS 到底解决了什么问题？

实验室和工厂里的设备，通信接口一直是个老大难。显微镜用 MATLAB 控制，相机走 Python 脚本，电生理设备跑 C#，机械臂又有自己那套 SDK。你想让它们协同工作？先花几周写胶水代码吧。

Anthropic 跟 HHMI Janelia 研究园区合作开发 MHS，核心思路说白了就一句话：给每台设备写一份"设备说明书"，让 AI 能读懂。

这份说明书（MHS 管它叫 Device Description File）里写清楚： - 这台设备有哪些可操作的接口 - 每个接口的输入输出是什么 - 安全阈值在哪（比如机械臂不能转超过多少度，激光不能超过多少功率） - 设备的状态怎么读

然后通过标准化的驱动层（Standard Drivers），把各家的私有协议统一成一套读写原语（Read/Write Primitives）。AI 不需要知道底层是串口、USB 还是以太网，MHS 帮你屏蔽了。

这套思路跟 MCP 一脉相承。MCP 把各种软件工具统一成 Resources / Tools / Prompts 三个抽象，MHS 把各种硬件设备统一成 sensor reads 和 actuator writes。区别在于，MHS 多了一层安全约束——你让 AI 调个 API 最多把数据搞乱，让 AI 动机械臂是真能砸到人的。

二、三个落地案例，看 MHS 的"真实体感"

Anthropic 这次公布了三个合作方的实测数据，我挑最关键的列出来：

QuEra 那个案例最让我意外。量子计算机的激光系统校准，以前全靠资深工程师凭经验手动调，稳定率才 58%——也就是说将近一半的校准结果是不合格的。Claude 通过 MHS 读取激光系统的实时状态，微调参数，再读反馈，循环优化，把稳定率拉到了 99.3%。

这不是"AI 比人强"的问题，是"AI 能 24 小时不间断地做精细调节，而人不行"。

Genentech 那边的情况更贴近实际。药物发现实验里移液器的设置经常需要微调，以前得研究员盯着，发现问题→打电话叫工程师→工程师来调→重新跑。Claude 接上 MHS 后，自己读实验数据，发现移液量偏差，自动调整参数，重新跑——整个闭环在几秒内完成。

三、MHS 的架构，到底长什么样？

我仔细读了 Anthropic 的技术文档，MHS 的分层架构大概是这样：

底层：设备驱动层（Standard Drivers） 为每类硬件定义标准化的驱动接口。不管底下是显微镜还是机械臂，暴露给上层的就是 read() 和 write() 两个原语，外加一个 describe() 返回设备描述文件。

中间层：安全沙箱（Safety Sandbox） 设备描述文件里定义的安全边界在这里强制执行。比如"激光功率最大 500mW"、"机械臂关节角度 0-270°"，AI 发出的指令如果越界，沙箱直接拦截，不给硬件发送。

上层：MCP 桥接层 MHS 通过 MCP 协议跟 AI 模型通信。也就是说，AI 调用硬件设备的方式跟调用一个软件工具完全一样——tool call 的格式都不需要改。Anthropic 在这层加了一个 hardware: 命名空间前缀，方便做权限管理。

跨层：设备发现与注册 新设备接入时，自动广播自己的描述文件。AI 能实时感知到"多了台设备"、"这台设备能做什么"、"它的安全限制是什么"。

这个架构最聪明的地方在于，它没有重新发明轮子。MCP 已经跑通了，开发者社区也接受了，MHS 在 MCP 的基础上加了一层硬件抽象，让存量工具链可以直接复用。

四、冷静一下：MHS 的真实边界在哪

说了这么多好的，也得说说问题。

第一，MHS 目前还是研究预览版，不是正式标准。 Anthropic 只向首批合作实验室和制造商开放了试用，普通开发者还碰不到。官方说预览期结束后会开源，但没给时间表。

第二，设备描述文件谁来写？ 每台设备都需要一份 MHS 兼容的描述文件。如果设备厂商不主动支持，就得靠第三方或者 Anthropic 自己去写。初期覆盖的设备种类肯定有限——显微镜、机械臂、液体处理器这些实验室设备是第一批，工厂里的 PLC、CNC 机床、工业机器人呢？还早。

第三，延迟问题。 实验室环境网络条件好，延迟可控。但如果是工厂场景，设备分布在几百米的产线上，AI 在云端推理，控制指令走一圈回来，延迟能不能接受？QuEra 的激光校准是 6 秒，听起来很快，但有些工业场景要求毫秒级的响应。

第四，安全问题。 安全沙箱能拦截预设的越界操作，但 AI 的"创造性"是出了名的。如果 AI 通过一系列看似安全的操作组合，最终导致设备损坏或安全事故，谁来负责？Anthropic 在文档里提到了"graduated safety measures"（分级安全措施），但具体怎么落地，还没有看到详细方案。

五、MHS 对 AI 行业意味着什么

往回看，MCP 让 AI 学会了用软件工具，Cursor 和 Claude Code 让 AI 学会了写代码，Cowork 让 AI 学会了操作浏览器。每一步都是 AI 能力边界的扩展。MHS 是这条路径上最激进的一步——AI 终于走出了数字世界，开始触碰物理世界。

但我更关心的是另一个问题：当 AI 能同时操控软件、代码、浏览器和物理设备时，我们还在用"工具"这个词来理解它，是不是已经不够了？

MHS 的长期影响，可能不在于它让 Claude 能校准激光或跑实验，而在于它模糊了"数字"和"物理"之间的那条线。当一个 AI Agent 可以自己写代码、自己部署、自己调用 API、自己操作浏览器、再自己操控机械臂去完成一个物理任务时，它到底算工具还是算操作者？

这个问题的答案，可能比 MHS 本身更值得讨论。

你觉得呢？欢迎评论区聊聊。