AI卷完软件,开始抢实验室的手艺活了

AI这些年吹过的牛，能绕地球三圈。写代码、做PPT、聊天哄人，样样精通——但有个共同点：全都停在屏幕里。

8月27日，Anthropic发了个东西，把这块屏幕捅破了。

模型硬件标准，Model Hardware Standard，简称MHS，研究预览版。名字很无聊，内容很吓人：给AI智能体一个统一接口，让它安全地操作实验室和工厂里的真实设备。

圈内给它起了个外号——「硬件版MCP」。

物理世界终于有USB-C了

讲MHS之前，先看看实验室有多惨。

显微镜说MATLAB，相机说Python，电生理设备说C#。每台设备一个接口，谁也不理谁。想把它们串起来干活？要么自己动手操作，要么雇自动化工程师写几个月定制代码，还只能适用场景。

于是就出现了科研圈的经典景观：一个博士生，每90分钟换一次PCR板，凌晨4点爬起来，顶着黑眼圈给仪器当人肉机械臂。

MHS干的事，说白了就三层——

每台设备装一个标准驱动，用「读取」「写入」这种极简指令统一语言，设备还能跨网络被Agent自动发现；

把「这台机械臂多重、最快转多快、能加热到几度」这种散落在纸质手册和老师傅脑子里的物理信息，用大白话写进标签。AI读完标签，就能操作一台它这辈子从没见过的机器；

Agent通过MCP、命令行或API统一调度，一行代码协调多台设备协同干活。

一句话：物理世界的USB-C，即插即用。

而且注意，MHS跟底层模型无关，不是Claude的专属配件，任何Agent框架都能接。Anthropic摆明了不是在给Claude卖外设——它在抢「硬件行业标准」这个位置。

四个Claude，一通宵，完事

最有戏剧性的案例来自QuEra，做中性原子量子计算机的公司。

量子计算机靠激光控制原子量子比特。这激光娇贵到什么程度？锁定精度要求一万亿分之一——什么概念？相当于测地月距离，误差不能超过一根头发丝。

温度飘一点、振动一下，甚至有人开了个门，激光就「失锁」了。恢复这活，人类专家要5到10分钟，还得同时盯好几台仪器，判断先动哪个旋钮。

QuEra不是没试过自动化。四个专家，花几个月，手搓了一套恢复脚本。成果：成功率58%，单次恢复约150秒。

然后他们把这事交给了Claude。

四个Claude实例组了个循环：一个提假设，一个改脚本，一个跑实验，一个读日志。就这么自己折腾了一整夜，迭代了几百次。

第二天早上，成绩单出来了——

恢复时间，150秒干到6秒。

成功率，58%干到96%。后续700次盲测，成功695次，99.3%。

Claude的核心改进，是把人类专家的线性排查步骤改写成了决策树：先读仪器状态，判断扰动类型，再走对应分支。人为什么做不到？因为人必须「查过才能确认」，每个旋钮都得摸一遍。Claude靠反复自己制造扰动，硬是把规律摸出来了——这种不要命的试错频率，任何操作员都跟不起。

调参环节更夸张。激光伺服环路12个PID参数，专家调出来的残余误差15.7mV。Claude用16小时跑了363次实验，压到1.55mV，直接降一个数量级。独立验证显示：Claude的参数连续19小时不失锁，专家的参数平均每小时失锁1.6次。

哦对，Claude还顺手找到了一个约220kHz的共振峰——专家调参漏掉的地方，那里的噪声高了差不多一千倍。为什么漏？因为人靠近似判断，Claude每次调整后直接算全频谱。

这对比有多残酷？人类熬夜调参，收获的是咖啡因和一堆没用的日志；Claude熬一夜，直接把专家团队几个月的活干成了历史遗留问题。

发个PDF，实验自己跑完了

基因泰克的玩法，更贴近「未来实验室」该有的样子。

科学家把实验方案PDF发给Claude，它就能指挥移液机器人、机械臂、酶标仪，把整个BCA蛋白定量实验跑完。自己试流速、自己测吸光度、自己跟专家结果对误差。两轮下来，最优参数自己摸出来了：水140微升每秒，粘性蛋白样品10微升每秒。专家确认——合理。

以前这种参数优化，得自动化专家为每个参数集写定制逻辑。现在？发个PDF的事。

华盛顿大学Baker实验室那位博士生，就是前面凌晨4点起床换板的那位。他之前试过传统自动化路线：花几周评估平台、追着厂商要支持、写胶水代码——最后放弃了。

用MHS连六台仪器，不到一周，含写驱动的时间。现在qPCR的扩增曲线实时分析，到了合适的点，AI主动问研究者：要不要停？机械臂和移液器自动协作换板，全程零碰撞。

他的原话：「MHS的搭建速度和难度都远超我的预期。相比之下，我之前几次尝试自动化都以失败告终。」

翻译一下：不是我不行，是以前那套真的不行。

还有CMU，三种设备三种画风：机械臂只认文件目录，液体处理器走老古董COM脚本，读板器压根没有编程接口、只有图形界面。MHS统一收编，从零到跑通，8小时。厂商做类似集成，通常要几周。

中间第一轮实验拟合度不达标，AI自己判断不合格，倒掉重来，调完参数第二轮直接拉满，全程没人插手。研究者还故意使坏，诱导了六种故障——板子缺失、板子放反、读板器忙、相机断连、设备不可达、急停生效——系统全部在设备动作之前拦下。

一个细节：MHS的出身挺草根。最早是HHMI Janelia研究所一位博士后Arco Bast，嫌实验室显微镜设备不互通，写了个共享内存字典。Anthropic的人参与进来，把AI模型接了上去。今天的行业标准，起点是一个博士生的「忍不了」。

AI也有今天

先别急着喊「人类实验室打烊」。翻车实录也是有的。

基因泰克的实验里，液体出了气泡。Claude的第一反应？原地重试。结果越搅气泡越多。研究员介入，告诉它换到干净孔位、减少混合次数，它才反应过来：哦，这是物理问题，不是软件bug。

Anthropic自己也承认：Claude对物理世界的理解来自文本和图像，空间和物理推理有限，得专家盯着。

QuEra还补了一刀：Claude对硬件的理解是程序化的，真遇到硬件故障不会排查；而且它过度谨慎，自认为有风险的操作会停下来等人批准——有几次实验整夜停滞，就因为AI在那儿等着人类点头。

不过QuEra说了句挺实在的话：「过度谨慎的代理，总好过不够谨慎的。」让AI操作激光器和机械臂，我举双手赞成它怂一点。

社区里质疑声也不少。最损的一句：「连Strawberry里有几个r都数不清，现在就要操作工厂设备了？」还有人问：为什么不先发RFC公开讨论，直接甩出一个标准？

Anthropic的回应是：研究预览先圈在核心合作方里跑，把安全边界捋清楚再开源。想拿自己设备当小白鼠的，可以去MHS官网（modelhardwarestandard.com）申请。

标准这盘棋，比模型狠

往大了看，这事有两层。

第一层，路线之争。物理AI现在有两条路：Physical Intelligence、谷歌Gemini Robotics、英伟达GR00T走端到端机器人模型，教AI「身体本身怎么动」；MHS完全不碰机器人的「小脑」，让大模型当指挥官，用标准驱动调度现成的硬件控制系统。

一条路难在数据和运动控制，一条路难在生态。我更看好后者先跑通——改造接口，可比改造身体便宜太多了。当然，更大可能是互补：小脑归机器人模型，指挥官归MHS，各干各的。

第二层，卡位之争。实验室自动化不是没有老标准，SiLA 2、OPC UA都跑了好些年。但它们是给「人写的代码」设计的，不是给AI原生设计的。MHS这一跳，跳的是从「机器可读」到「模型能懂」。

谁定义了接口，谁就定义了下一个时代。这话不是我说的，是历史说的——USB统一了外设，TCP/IP统一了网络，HTTP统一了信息。这仨都不生产具体价值，但所有价值都得从它们身上流过去。

硬件厂商的嗅觉也很灵：AWS要把MHS集成进Strands Robots库，Universal Robots、Doosan Robotics在测机械臂联动，Tecan和QIAGEN在自家液体处理和核酸纯化平台上搞集成，连树莓派都凑上来了。首批合作名单拉出来，半本行业目录。

尾声

科学圈有个尴尬的账：AI设计一个蛋白质，成本0.01美元；实验室验证一个候选，100美元。一万倍的成本倒挂。AI一天能吐一万个漂亮假说，实验室一年只能验几百个。

科学的瓶颈，早就不在「想不出」，而在「验不起」。

MHS要捅破的就是这层。当设备接入成本从几个月掉到几分钟，实验第一次有机会7×24小时跑——科学发现的速度，头一回不用被人类的生理极限卡着。不是智力极限，是生理极限：8小时工作制、手的稳定度、凌晨四点响个不停的闹钟。这个限制，人类科学背了几百年。

软件智能体卷了三年，卷到浏览器、终端、代码库一个不剩。

现在，物理世界的门开了。

凌晨四点换板的研究生终于能睡了。而那些以为AI只会动嘴的人，最好再想想——

它已经动手了。