摘要：Anthropic 发布的模型硬件标准 MHS，把大模型与显微镜、液体处理器、机械臂、量子计算设备之间的连接问题，抽象成统一驱动、设备描述、状态反馈和安全约束。它与 MCP 的关系并非替代，而是把 MCP 已经验证过的工具调用思路进一步向物理设备延伸。对工业智能而言，MHS 最值得关注的地方不在于“自然语言控制机器”，而在于设备能力是否能够被机器读取、边界是否能够被程序执行、异常是否能够进入闭环，以及探索性任务能否沉淀成确定性工艺脚本。
摘要
Anthropic 发布的模型硬件标准 MHS，把大模型与显微镜、液体处理器、机械臂、量子计算设备之间的连接问题，抽象成统一驱动、设备描述、状态反馈和安全约束。它与 MCP 的关系并非替代，而是把 MCP 已经验证过的工具调用思路进一步向物理设备延伸。对工业智能而言，MHS 最值得关注的地方不在于“自然语言控制机器”，而在于设备能力是否能够被机器读取、边界是否能够被程序执行、异常是否能够进入闭环，以及探索性任务能否沉淀成确定性工艺脚本。
从工具调用走向物理执行
过去两年，智能体与软件工具的连接已经形成一套相对清晰的工程路线：模型不直接操作数据库、代码仓库或业务系统，而是通过结构化接口读取状态、调用工具并接收结果。工具描述决定模型能做什么，权限系统决定模型可以做到哪一步，日志系统负责留下过程证据。问题在于，软件世界的接口远比物理设备整齐。实验室和工厂里的设备来自不同年代、不同厂商，有的提供现代 API，有的依赖 Windows COM，有的只能通过目录投递任务文件，还有相当一部分设备只有图形界面。
Anthropic 在 8 月 27 日开放研究预览的 Model Hardware Standard，试图为这类碎片化设备增加一层统一接口。其基本结构可以概括为三部分：驱动负责翻译设备原生接口；标准化描述向智能体暴露设备状态、操作过程和物理限制；MCP、命令行和代码文件则承担上层控制。设备因此不再只是一组函数，而成为一个可发现、可查询、带约束的能力对象。
这个思路与工业自动化并不陌生。OPC UA、PLC 功能块、设备信息模型和工业互联网平台都在处理异构设备互联。MHS 的差异在于，它默认调用者可能是一个能够阅读自然语言说明、规划多步任务、生成程序并根据反馈修改动作的模型。传统接口强调确定性控制，MHS 还要让设备对模型“可理解”。设备重量、量程、运动范围、测量对象、安全限值等过去散落在手册和工程师经验里的信息，需要进入机器可读的描述中。
“读”和“写”只是最薄的一层
MHS 使用 read、write 等简单原语统一设备操作，这种设计有利于快速接入，却不意味着复杂设备真的可以压缩成几个简单动词。工业现场需要表达的至少还包括设备状态机、前置条件、互锁关系、动作持续时间、资源占用、失败类型和恢复策略。例如机械臂移动托盘之前，液体处理器必须结束动作；机械臂离开工作区之后，下一轮加样才可开始。这里的核心不是生成一串正确的 API 调用，而是保证多个设备在共享空间和共享资源上不会发生冲突。
Anthropic 公布的案例说明了这种抽象如何工作。华盛顿大学团队把机械臂和液体处理器接入 MHS，由 Claude Code 根据设备完成信号协调托盘交接。重复测试中，机械臂没有在加样结束前进入，液体处理器也没有在机械臂离开前重新启动。卡内基梅隆大学的系统更能体现遗留设备接入的现实：三台计算机分别控制机械臂、液体处理器、酶标仪和摄像头，底层接口包括目录监听、ActiveX/COM 和只有 GUI 的设备。MHS 将这些差异包装为统一的状态与过程清单，上层智能体再依据测量结果决定是否调整浓度区间并重复实验。
这表明 MHS 的价值主要发生在控制层以上。实时运动控制、伺服回路和毫秒级安全互锁仍应由 PLC、机器人控制器或设备固件承担。大模型更适合处理分钟级、小时级的任务编排：选择实验参数，等待设备完成，分析返回数据，判断是否重试，调用已有工艺脚本。若把每一个低层动作都交给在线推理，不仅成本高，延迟和随机性也会破坏系统稳定性。
从探索动作到确定性脚本
MHS 案例里一个很有工程意味的细节，是模型先通过观察和试错完成任务，再把有效过程封装成代码文件。Claude 在激光校准中调整参数、通过相机观察光斑移动，逐步理解控制量与结果之间的关系，随后生成确定性脚本，使校准过程能够以单条命令重复执行。
这接近工业智能体应有的双层结构。上层负责探索、诊断和规划，允许使用模型的推理能力；下层负责稳定执行，由经过验证的脚本、规则和控制程序完成。探索结果只有经过验证、版本化和审批，才能进入可复用技能库。这样既能利用模型处理新问题，也不会让生产系统长期依赖不可预测的逐步推理。
基因泰克的蛋白测定案例提供了另一种闭环。液体处理的误差与流速、黏度和气泡密切相关。Claude 根据酶标仪读数计算与专家样本之间的均方根误差，分别为水和黏稠蛋白溶液寻找合适流速。模型能够完成参数搜索，但在气泡引发异常时，最初只会反复重试，结果使液体受到更多扰动。工程师解释物理原因后，系统才学会换到干净孔位、减少混合次数，并把经验沉淀为可复用技能。
这个过程揭示了物理智能体的能力边界。日志和错误码只描述“发生了什么”，领域模型还要解释“为什么发生”。如果缺少流体、材料、热力学或设备退化知识，模型可能在逻辑上连续，在物理上却不断放大故障。未来的设备标准不能只描述接口，还要能够挂接物理约束、故障树、工艺规则和经验模型。
安全边界需要写进驱动
软件智能体调用错误工具，常见后果是生成错误文件或修改错误配置；物理智能体的错误可能造成样品损坏、设备碰撞和人员风险。因此，安全不能只依赖提示词。设备驱动应明确硬限位、软限位、允许状态、禁用组合和授权等级，高风险动作需要双重确认，急停与安全 PLC 必须独立于模型运行。
一套可用于生产的架构至少应包含五道边界。第一道是能力白名单，模型只能看到被授权的设备动作。第二道是参数校验，速度、温度、压力和运动范围由确定性代码检查。第三道是状态互锁，动作只有在设备和环境满足前置条件时才能执行。第四道是人机审批，对换线、放行、设备复位等高风险操作保留人工确认。第五道是全链路留痕，将提示、计划、工具参数、设备返回值和最终结果关联起来。
MHS 目前仍是研究预览，Anthropic 也明确提出先与科研和制造伙伴共同开发安全评估，再考虑开源。它还没有取代成熟工业协议的条件。设备模型的语义一致性、实时性、认证机制、功能安全等级、供应商责任划分，都需要更长时间建立。但它提出的问题很准确：智能体要进入实验室和工厂，行业缺少的并非又一个聊天入口，而是一层能够把设备能力、知识和安全边界同时交给机器理解的协议。
对工业智能平台的启示
国内工业智能体平台可以从 MHS 中吸收三点。其一，MCP 接入不能停留在 MES、ERP 和知识库，设备侧需要一套轻量驱动与统一描述；其二，设备经验要从文档检索升级为可执行约束，将工艺规则、故障逻辑和安全限值挂到操作接口上；其三，智能体产生的成功操作应能固化为 Skill、脚本或工作流，经过测试后再进入生产环境。
设备连接时间从数周缩短到小时甚至分钟，是 MHS 最吸引人的叙事。更深的变化在于，自动化系统的开发对象可能从固定产线转向动态任务。实验室每年更换几十种实验流程，小批量制造频繁换型，传统集成的成本很难摊薄。若设备能力能够被智能体发现和组合，柔性自动化会获得一种新的软件基础。不过，规模化落地仍取决于标准能否覆盖遗留设备，以及安全、验证和责任体系能否跟上。