Anthropic 模型硬件標準（MHS）研究預覽

簡要重點

Anthropic 宣布推出模型硬件標準（MHS）的研究預覽版本，這是一種共享的驅動程式與通訊協定，讓 AI 代理能與任何可程式化儀器通訊，將整合時間從數週縮短至數分鐘，並實現全天候的自主實驗。

什麼是模型硬件標準？

MHS 是一種 與模型無關、與裝置無關的規格，定義了一組最小的基元（例如 read、write）與發現格式，使任何具備可程式化介面的硬體都能透過單一標準驅動程式，由 AI 代理存取。此標準與 HHMI Janelia 研究園區共同開發，並建立在現有的模型上下文協定（MCP）之上。

主要特性：

標準驅動程式：將作業系統呼叫轉譯為裝置特定指令。
自然語言標籤：允許使用者或代理標註物理特性（例如機械臂重量），這些特性並未在程式碼中公開。
安全限制：由驅動程式強制執行，防止代理發出危險指令。
與模型無關：任何 Claude 或其他大型語言模型均可透過相同的 MCP 介面使用 MHS。

MHS 如何運作

裝置發現 – 每個儀器會發布類似 JSON 的描述檔，列出其可測量狀態、可控制參數與安全限制。
基元指令 – 代理發出簡單的 read/write 呼叫；驅動程式會將其對應至裝置的原生 API（CLI、SDK 或 GUI 自動化）。
狀態字典 – 所有裝置狀態皆儲存在共享記憶體字典中，任何程式皆可讀取，支援即時監控與跨裝置分析。
編排層級 – 代理可將指令串接成程式碼檔案（API）以執行高頻操作，或使用 MCP 進行互動式控制。
錯誤處理 – 驅動程式會根據安全標籤驗證每條指令，若偵測到違規，可自動暫停或中止。

早期合作夥伴示範

華生（Genentech）– BCA 蛋白質分析自動化

整合液體處理器、機械臂與微孔板讀出儀。
Claude 使用閉迴路 RMSE 反饋，優化水（約 140 µL/s）與黏稠 BSA（約 10 µL/s）的流速。
展示了在吸頭抓取與起泡故障下的自主錯誤恢復能力。

華盛頓大學 – 遠端監控與 qPCR 控制

控制面板透過 MHS 綜合所有儀器狀態。
AI 監督的 qPCR 在最佳擴增曲線時自動中止，大幅減少人工監看時間。
在液體處理器與機械臂之間協調微孔板交接，避免碰撞。

卡內基梅隆大學 – 快速劑量反應曲線

結合 CyBio Felix 液體處理器、Varioskan LUX 微孔板讀出儀、機械臂與相機。
MHS 將整合時間縮短至約 8 小時，並使連續稀釋實驗加速三倍。
自主安全檢查在任何動作前，成功阻擋六種模擬故障情境。

HHMI Janelia – 显微鏡系統整合

將七個不同供應商的程式整合至單一 MHS 字典。
數分鐘內新增相機；相機的光束位置資料直接傳送到電動鏡以實現亞微米級對準。
支援線上分析流程，無論原始語言為 MATLAB、Python 或 C#，皆可從共享字典讀取資料。

QuEra Computing – 量子雷射穩定化

MHS 讓 Claude 控制鈦藍寶石雷射鎖定系統。
透過迭代代理迴圈重寫恢復腳本，將鎖定恢復時間從約 150 秒（成功率 58%）縮短至約 6 秒（成功率 96%），最終在盲測中達成 99.3% 成功率。
Claude 同時調校 12 個 PID 參數，使 RMS 噪音降低十倍，並在 19 小時運行中完全消除鎖定中斷。

鐵丸科學（Tetsuwan Scientific）– 公民科學水質監測用 qPCR

透過 MHS 整合相機、離心機與液體處理器。
Claude 透過電腦視覺偵測氣泡，指示離心機旋轉離心管，並自動恢復流程。
閉迴路編譯器優化使多點分液精準度提升約 12%（p ≈ 0.001）。

安全性、限制與持續工作

物理推理缺口：Claude 仍會誤解氣泡形成等現象；需人類指導以教導正確處理策略。
介面需求：MHS 僅適用於具備可程式化介面（API、CLI 或 GUI）的裝置；非可程式化硬體正透過客製驅動程式進行改造。
人機協作：針對高風險操作，Claude 會暫停等待人類批准；未來模型升級將致力於減少不必要的暫停，同時維持安全。
安全路線圖：Anthropic 正起草物理安全政策，擴展故障注入測試，並計畫在開源前建立正式的安全評估基準。

未來路線圖與開源計畫

開源釋出 – 完成安全評估並擴展驅動程式覆蓋後，MHS 將以開源授權釋出。
更廣泛的裝置支援 – 加入離心機、培養箱、qPCR 熱循環器及其他非 API 裝置。
標準驅動程式程式庫 – 提供常見實驗室與製造儀器的預建驅動程式公共程式庫。
社群沙盒 – 提供主機測試環境，讓研究人員可提交新驅動程式、分享安全案例並評估 AI 驅動工作流程。
與其他 Anthropic 工具整合 – 與 Claude Code、Claude Opus 及模型上下文協定緊密整合，實現端到端無縫流程。

如何參與研究預覽

有興趣的實驗室或製造商可透過 MHS 官方入口網站申請：https://www.modelhardwarestandard.com/。
獲選參與者將取得 Strands Robots 程式庫（AWS）的私密預釋出版本與早期驅動建置版本。
參與者需共同撰寫安全評估報告，並與 Anthropic 團隊分享整合經驗。

致謝

此標準源自 Alek Kemeny（Anthropic Beneficial Deployments）與 Arco Bast（HHMI Janelia）的合作。其他貢獻者包括 Aaron Boswell、Ben Arthur、Boaz Mohar、Gagan Bhat、Mark Kittisopikul、Nadine Yasser、Nick Purcell、Takashi Kawase 與 Virginie Ruetten。

結論

MHS 展示了統一的硬體抽象層如何將整合週期從數週縮短至數分鐘，讓 AI 代理能自主執行複雜的多儀器實驗，並為未來 AI 驅動的實驗室與工廠奠定安全優先的基礎。研究預覽邀請社群協助驗證、擴展與強化此標準，使其成為 AI-儀器互動的開源基石之前，先完成全面的驗證與優化。