Anthropic 推出模型硬體標準（MHS） 加速 AI 實驗室自動化
Anthropic 最近發表 模型硬體標準（Model Hardware Standard，簡稱 MHS），為人工智慧代理（AI agents）提供一套統一介面，讓它們能直接讀取與控制顯微鏡、機械手臂等實體裝置。公司聲稱，藉由 MHS，實驗室設備的整合時間可從傳統的數週甚至數月，縮減至數小時甚至數分鐘。
背景與技術核心
傳統科研與製造環境的儀器往往來自不同廠商，使用各異的 API、資料格式與控制軟體，導致工程師必須為每組裝置撰寫專屬的介面程式。MHS 的概念源自 Anthropic 先前推出的 模型上下文協定（Model Context Protocol，MCP）——一套讓 AI 模型存取外部資料與工具的標準。MHS 以相同思路延伸至實體硬體：每件設備配備一個 MHS 驅動程式，統一「讀取」與「寫入」等基本功能，並以共通格式公開設備資訊（如機械手臂的重量、安全限制等），使用者可用自然語言補充說明，系統會自動轉換成代理可辨識的參考檔案。
實驗驗證與初步成效
Anthropic 與 HHMI Janelia 研究園區合作，先行在數家實驗室與製造廠商進行測試。
- Genentech：AI 代理 Claude 同時操作液體處理器、機械手臂與板讀取器，完成蛋白質濃度測定的自動化流程。Claude 能自行調整不同液體的移液參數，但在高黏稠度溶液產生氣泡時仍會出錯，必須有人類介入說明「氣泡導致的物理原因」後才找到可行的修正方案。
- 卡內基梅隆大學：研究團隊將液體處理器、板讀取器、機械手臂以及多台監控相機跨三台電腦串接，這些裝置原本介面不兼容。透過 MHS 驅動與協調層，僅耗時約八小時完成整合；相較之下，傳統供應商的安裝通常需要數週。
MHS 被設計為 模型無關（model‑agnostic），只要硬體具備可程式化介面，即可與任何 AI 模型配合。完成的工作流程可儲存為傳統腳本，未來即使不使用語言模型，也能直接執行。
未來展望與讀者啟示
Anthropic 目前以研究預覽模式向特定實驗室與製造商開放 MHS，未來計畫以開源方式釋出，讓更多開發者貢獻驅動程式。若標準能在更廣泛的產業落地，將可能降低 AI 實驗自動化的門檻，促成跨領域設備的即插即用。對於科研人員而言，減少繁瑣的介面開發意味著可以更快將 AI 代理投入實驗設計與資料分析；對於企業則是提升生產彈性與降低人力成本的關鍵。
然而，Claude 在處理「物理因果」時仍顯露限制，顯示 AI 代理在面對複雜實體現象時仍需人類的直覺與經驗輔助。未來的挑戰在於如何讓模型更好地理解與預測實體世界的動態行為，並將這些認知自動化地嵌入 MHS 框架。
結語：MHS 為 AI 與硬體的橋樑奠定了標準化基礎，若能持續擴充驅動程式庫與提升模型的因果推理能力，將有望在科研、製造乃至醫療領域掀起新一波的自動化革命。