MHS 三部曲（上）：别急着叫它「物理 MCP」——Anthropic 到底发布了什么

导读

2026 年 8 月 27 日，Anthropic 开放 MHS（Model Hardware Standard，模型硬件标准）研究预览版。消息很快被压缩成一句话：「Claude 长出双手，AI 走进物理世界」。

画面没有错，但结论跑得太快。MHS 既不是 MCP 的简单硬件版，也不意味着 Claude 已经能接管现实世界。它做的事情用一句话概括：让机器先学会"自我介绍"，再让智能去理解、组合和运营整个物理现场。

这是三部曲的上篇：讲清楚 MHS 到底是什么、核心设计是什么、以及它最关键的一条工程红线。

一、「Claude 长出双手」，这个说法快了一步

MHS 目前只向首批科研实验室和先进制造商开放，需要申请；规范文本尚未公开，Anthropic 计划在完善安全评估后再开源^[1][2]。我们看到的是一套早期规范和一批概念验证，不是定型的行业标准。

它也没有让 Claude 获得新的机械能力。机械臂还是原来的机械臂，仪器还运行各自的软件——真正变化的是中间那层「翻译和协调」。

这件事的起点也不是"让 Claude 控制机械臂"的 Demo，而是 HHMI Janelia 研究园区一个相当狼狈的科研现场：激光、反射镜、相机、位移台来自不同厂商，分别跑在 MATLAB、Python、C# 和各自的控制软件里，做一次实验要按固定顺序启动 7 个程序，顺序错了整场实验白做。博士后 Arco Bast 被逼急了，把整套装置的状态放进一个标准化的共享内存字典——激光功率、平台位置、相机画面不再锁死在各自软件里，而是以统一格式被任何进程读取。这个把集成工作从数月压到数天的原型，就是 MHS 的雏形^[1:1][3]。

接入 MHS 后，新增一台相机从过去的数天缩短到几分钟；启动实验从 7 次操作缩成一次点击；分析工具从「每台设备写一个」变成「每种数据类型写一个」——工程资产终于开始累积，而不是散落^[4][5]。

二、MHS 的核心：一套「窄腰」设备驱动

很多人把 MHS 叫「硬件版 MCP」，这个叫法混淆了两个层级。MCP 解决的是模型如何连接软件工具；MHS 负责的是物理设备。官方列出的三种控制机制是 MCP、命令行、代码 API——MCP 是入口之一，不是 MHS 本身^[1:2]。

MHS 的真正核心，是每台设备的标准化驱动（MHS Driver）。它的设计有个很妙的特点：最底部只收窄成 read、write 两个原语——读取状态、写入参数——然后把设备差异全部放进上层描述里。接口层越窄，厂商越容易接；语义层越完整，Agent 越不用靠猜。这就是物理世界的「窄腰」。

每台设备由此被统一抽象成四个要素：

• State（状态）：机械臂的关节角度、激光器的功率、相机的连接状态，组成统一的状态清单；
• Procedures（操作）：吸液、移板、归零、急停，Agent 面对的是统一能力模型，而不是「UR 用 RTDE、ABB 用 RAPID」的厂商方言；
• Metadata（语义）：机械臂的重量、量程、工作空间这类代码表达不了的信息，用自然语言标签写进参考文件——用户甚至可以和 AI 对话，让它「采访」你来完成录入。机器第一次见到 Agent 时，终于可以完整地介绍自己；
• Safety Guards（安全限值）：最高温度、速度上限、运动边界，在设备层强制执行。

用上位机工程师的话翻译：MHS Driver ≈ 你写过的设备驱动类 + 点表；参考文件 ≈ 说明书里「技术参数 + 安全注意事项」那一页，但机器可读。过去散落在纸质说明书和老师傅经验里的知识，第一次变成了机器可读的标准对象。

三、最关键的设计：LLM 不进入实时控制环

这是 MHS 最正确的工程决策，也最容易被「AI 直接控制机械臂」的标题掩盖。

大模型推理天然是非确定性的：有延迟抖动、有网络开销、没有硬实时保证。Anthropic 自己 7 月的机器人研究给出了诚实的数字：当前模型推理速度约 0.2–0.4 Hz，而四足机器人的实时控制需要约 83 Hz——差了两个数量级。让 LLM 逐周期决定电机输出多少扭矩，是工程灾难^[6]。

MHS 公开案例体现的是正确的分层：Agent 负责高层推理和探索，探索收敛后的操作链固化成确定性代码，由设备自行执行。QuEra 的案例是最好的注脚。

这家做中性原子量子计算机的公司，激光频率一旦漂移整机罢工。此前四名专家花两三周手写的恢复脚本，只能覆盖预想过的故障模式，成功率 58%^[7][8]。换成 Claude 通过 MHS 在专用测试台上工作：提出恢复假设 → 写成脚本 → 上真机测试 → 读取日志决定下一轮怎么改——和人类专家跑的是同一个循环，但以机器速度、通宵不停，把数百种边界故障模式全部枚举了一遍^[7:1]。

而最终交付的产物，是一个确定性、完全可审查的常规程序。生产运行时，Claude 已经退出控制环——用 QuEra 自己的话说：开发由 AI 驱动、过程由人类把关、运行完全自主^[7:2][8:1]。

盲测结果：700 次注入故障覆盖七种类型，成功恢复 695 次（99.3%），多数故障 6 秒内恢复，最难的 10 到 14 秒，而人类专家需要 5 到 10 分钟。更难得的是那 5 次失败：系统识别出是测试台本身的问题，拒绝谎报成功；测试期间激光自然跳模 43 次，全部自动恢复^[7:3][8:2]。

故事还没完。团队用同样方法让 Agent 优化锁频质量本身：12 个相互耦合的反馈参数，Agent 在硬安全边界内做了约 12,500 次评估（每一次导致失锁的候选设置都被检测并回滚），最终残余频率噪声降低 5 倍，19 小时烤机零失锁——此前平均每小时失锁 1.6 次。同一方法迁移到第二个波长，一夜完成了原本需要数周的调试^[7:4]。

一句话概括：模型负责判断，代码负责稳定重复，机器保留最后否决权。用工程师的话说——AI 帮你把经验编译成代码，代码上产线。

本篇小结

MHS 的本质不是"AI 控制硬件"，而是三件事的组合：窄腰接口（read/write）降低接入门槛，设备语义（状态/操作/标签）让机器能自我介绍，分层执行让模型待在该待的位置——实时控制环之外。

下篇预告：概念说完，实战见真章。中篇带你看四个一线案例的完整细节——CMU 的 8 小时集成与六种被拦截的故障、Genentech 的移液自优化和"泡沫翻车"、以及一个会自己找离心机补救的系统，到底证明了什么、又没证明什么。

---

参考资料：

MHS 官方网站：https://modelhardwarestandard.com/

---

1. Previewing the Model Hardware Standard — Anthropic ↩︎ ↩︎ ↩︎

2. Anthropic previews Model Hardware Standard for AI-controlled lab and factory equipment — MLQ.ai ↩︎

3. How One Postdoc's Problem Solving is Changing the Way Scientists Work — HHMI ↩︎

4. Anthropic's Model Hardware Standard Lets Claude Control Lab Robots Overnight — AlphaSignal ↩︎

5. Anthropic Model Hardware Standard (MHS) Explained — Kingy AI ↩︎

6. Claude plays robotics — Anthropic Research ↩︎

7. Holding the Light: Teaching an AI to Lock and Tune our Quantum Computer's Lasers — QuEra ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

8. QuEra Uses Anthropic AI Agent to Automate Critical Quantum Computer Process — The Quantum Insider ↩︎ ↩︎ ↩︎