过去两年，AI最常见的形态是聊天框：你提问，它回答；你给文档，它总结。现在，这条边界正在往现实世界移动。

8月27日，Anthropic开放了一项名为“模型硬件标准”的研究预览。它的目标不是让Claude再多会一种聊天技巧，而是让AI智能体能够通过统一方式操作显微镜、移液器、机械臂等真实设备，并协调多个机器共同完成实验或生产任务。

它像是给实验设备做了一个USB接口

今天的实验室和工厂里，不同厂商的设备往往各说各话。一台机器用旧式软件，另一台只有图形界面，第三台可能需要工程师专门写程序。把它们连起来，常常要花几周甚至几个月。

Anthropic提出的MHS，可以把它理解成“AI和硬件之间的通用插头”。设备接入后，会用统一格式告诉AI：我能测量什么、可以调整什么、有哪些安全边界。AI再通过“读取温度”“设置速度”这类基础命令操作设备，而不必先学会每一家厂商完全不同的控制方式。

它还允许工程师用自然语言补充机器重量、运动范围、禁止操作等信息。这样，AI第一次接触一台设备时，不只是看到几个按钮，还能读懂原本散落在说明书和老师傅经验里的注意事项。

AI已经在实验室里做了什么

在Anthropic公布的案例中，Genentech让Claude协调移液器、机械臂和酶标仪，完成蛋白浓度测量流程。AI会尝试不同液体流速，根据读数调整参数，也曾在遇到吸头和液体检测错误时自行恢复。

另一个案例来自卡内基梅隆大学。研究人员把分布在三台电脑、接口完全不同的液体处理设备、读数设备、机械臂和摄像头接到一起，让AI自动完成剂量反应实验。合作方称，建立控制程序花了约8小时，而传统集成通常要几周；实验速度约提升到原来的3倍。

这些数据来自Anthropic和合作方的早期项目，还不是大规模第三方评测。但它们至少说明，AI智能体的价值开始从“生成一段内容”变成“调度一套真实流程”。

这件事为什么值得普通人关注

普通人短期内不会在家里用AI控制显微镜，但它可能先影响药物研发、材料测试、芯片制造和精密生产。

实验室最昂贵的资源往往不是某一次计算，而是设备等待、人工值守和重复调试。如果AI能在夜间持续监控实验、发现异常后暂停、自动换参数再试，研究人员就能把更多时间放在提出问题和解释结果上。新药筛选和材料试验的周期，也可能因此缩短。

对设备厂商来说，未来竞争点可能不只是机械精度，还包括“是否容易被AI安全调用”。就像智能手机时代的应用接口决定了生态，AI时代的硬件接口也可能决定一台设备能否进入自动化工作流。

真正难的不是让机械臂动起来

现实世界比软件复杂。Anthropic也披露，Claude在处理黏稠液体时会因为缺乏物理直觉反复重试，结果制造更多气泡；研究人员解释原因后，它才调整策略。这说明模型会推理，不代表它天然理解摩擦、碰撞、液体和生物样本的全部规律。

更重要的是，软件报错最多让程序停止，机械臂或激光设备操作错误却可能损坏样本和设备，甚至伤人。因此，安全限制不能只写在提示词里，还需要急停、位置限制、双重确认和人工接管等独立机制。

现在离“无人实验室”还有多远

目前MHS只是面向少数科研机构和先进制造企业的研究预览，尚未全面开源。不同设备的驱动仍要有人编写，复杂实验也需要专家设定目标、审核结果。长时间运行AI还会带来算力成本和新的网络安全风险。

所以，真正的变化不是科学家马上被替代，而是AI正在从“会给建议的助手”变成“能动手执行的协作者”。当统一接口、安全规则和设备生态逐渐成熟，实验室和工厂很可能会成为智能体最早大规模进入现实世界的地方。

资料说明：本文依据Anthropic于2026年8月27日发布的MHS研究预览及其中合作案例整理，案例数据属于官方与合作方披露，正文为中文原创解读，并由AI辅助校对。