新智元报道
Fable 5.1这周鸽了，但A社再次甩出了王炸。
今天，是值得载入大模型史册的一天。
AI，终于长出手，接管物理世界了！
A社最先拿自家Claude「试水」，让它去真正操控实验室的硬件。
机械臂、液体处理仪、显微镜、摄像头，甚至量子计算机的激光系统，全部可以直接上手。
通过不断优化移液器的设置，Claude在药物发现中自主跑实验，修bug。
更疯狂的是，一项原本需要耗费数周的成像实验，也被AI硬生生压缩到了1天之内。
就在这一刻，A社直接把这项「标准」——MHS（模型硬件标准），开放第一阶段研究预览。
一时间，全网炸开了锅。有人认为，这可能是今天最被低估的发布之一。
MHS，就相当于「硬件版MCP」，真正给AI装上了眼睛和双手！
AI「接管」物理世界
一个新标准诞生
MCP，A社最重要发明之一，无人不知。
它的出现，为如今的大模型接上了数据库、浏览器和各种软件工具。
如今，A社又把这一思路，同样搬到了现实世界。
MHS（模型硬件标准），就是一个「通行证」，Agent可直接上手去操控现实中的硬件。
这可和上半年爆火全球「龙虾」不同，那一次还只停留在工具层面，这一次是AI真的接入硬件了！
A社想做的，是让所有机器，都可以被大模型「读懂」。
毕竟，实验室自动化听起来早就不新鲜了。真正磨人的，一直是设备接不起来。
一个实验室里，显微镜来自一家厂商，机械臂来自另一家，移液工作站又使用另一套接口。
每多接一台机器，工程师就要重写一套「翻译程序」。
所以，搭好一套自动化的实验流程，往往需要数周甚至数月。MHS的出现，直接把桌子掀了。
MHS是物理世界的MCP，也是AI设备时代的USB-C
只要设备有个编程接口，MHS就能用极简指令，让所有硬件都能听懂AI在说什么。
最离谱的是，它自带「大白话说明书」。
比如一台新机器接上来，AI只需要读一下这台硬件自研语言标签——
这台仪器最多能加热到几度，机械臂有多重，最大速度是多少......
全世界的AI便能瞬间，掌握一台它这辈子都没见过的机器！
等设备全部接好，Agent就能通过MCP、命令行或API统一调度。不同机器，终于可以在同一工作流协同工作。
MHS听着或许抽象，看完Claude被丢进实验室的战绩，便一目了然。
Claude会「开」机器了
碾压人类专家
一家量子公司QuEra，其中性原子量子计算机，需要用激光精准控制原子量子比特。
这些激光非常「娇贵」，频率一旦漂移，机器就可能停摆。
有些故障，人类专家修一次要5-10分钟。新工作的调试，还要拖上几个星期。
QuEra曾让4名专家连轴转了两三周，手搓出一套恢复Python脚本。结果，这套程序只能预设的故障。
他们又把同一道题，扔给了Claude。
通过MHS，Claude直接读取了「激光系统」的状态，在专用测试台上调节参数，再通过摄像头观察光束有没有回到正确的位置。
就这样，Claude跑了整整一晚，主动制造、识别和修复了数百种故障情况。
最后成绩非常亮眼，Claude直接把激光稳定率，干到了99.3%。而人类专家仅58%。
令人震惊的是，同样一次校准，人上手要5-10分钟，Claude练熟之后直接压到6秒。
另一家基因公司Genentech，同样让Claude去做药物发现实验。
没想到，Claude全程自己给自己打分，还能不断优化优化移液器的设置，出bug还能实时自我修复。
在HHMI Janelia研究园区，一项极其复杂的「脑成像」实验，团队平时搞完要花好几周。
Claude接管多设备后，直接一天收工。
HuggingFace研究员LeRobot也提前内测了MHS研究预览版。
令他惊叹的是，未经过任何训练，Claude Code直接操控一台真实的机械臂，完成了积木颜色分类的任务。
评论区下，网友表示，简直难以置信，这种泛化从何而来。
当然，现在就宣布「黑灯实验室」真正到来，还太早。
Claude
还是「栽」在了泡沫上
成绩固然亮眼，在实验记录中我们也能看到肉眼可见的局限性。
Genentech做蛋白浓度检测时，粘稠的蛋白溶液在移液过程中起泡，气泡挤占管道空间，实际转移量偏低。
Claude 的本能反应是在同一孔位重试，结果液体越搅泡沫越多...
研究人员不得不上手亲自告诉它：「这是物理问题，不是算法存在 Bug，你得换个干净孔位、减少混合次数才行。」
Claude听懂后保持了正确操作，但它自己始终想不到这一步。
这是MHS目前最根本的瓶颈：Claude通过文本和图像理解世界，没有物理直觉。
换言之，我们需要真正的世界模型！
QuEra的测试同样印证了这一点：Claude能一夜跑完数百次激光校准，但遇到光束被物理遮挡，只会停下来等人确认，实验可能在凌晨空转数小时。
这看起来也未免太蠢了...
安全第一，谨慎有余，效率不足。
这也是具身智能目前很大程度上的困境。
物理推理之外，还有三道现实门槛
第一，设备覆盖。
MHS只能接管有编程接口的硬件。
CMU的案例里，一台板式读数仪连API都没有，MHS只能模拟人类点击GUI 来操作，这大大制约了在全球实验室能真正落地的自动化效率。
祖传老设备才是大多数实验室的常态。
第二，计算成本。
让AI持续在线监控，计算开支需要和省下的研究时间放在一起权衡。
对预算紧张的学术实验室，这不是小数目。
毕竟，一个月2000块，你就可以得到一个超高学历的能工智人，任劳任怨，还能为教授提供情绪价值。
Claude API价格
第三，监管真空。
MHS 的工作方式，是在驱动文件里写清楚一台机器的安全边界。
比如这条机械臂最快只能转多快、最大角度是多少，AI读完就知道哪些动作不能做。
问题在于，这份文件本质上就是一道安全阀：写对了，机械臂不会撞到人，很好；可写错了，后果由谁承担？目前没有标准答案。
想要大规模真实落地，把法律责任捋清楚很重要——但也可能会反过来影响技术的实现，为了安全而妥协一部分。
世界的底层接口
这一次，A社想要争夺的，是AI进入物理世界最底层的「接口」。
在这个Agent时代，它先用MCP连接起工具，现在又用MHS打通AI进入真实世界的大门。
过去，大模型只能告诉人类怎么做。现在，它开始亲手做了。
参考资料：
https://www.anthropic.com/news/model-hardware-standard-research-preview
编辑：桃子 马可
热门跟贴