继 MCP 统一 AI 与软件工具的对话方式之后，Anthropic 把同一套逻辑推向了物理世界——Model Hardware Standard（MHS）预览版发布，Agent 开始直接读写显微镜、机械臂与量子计算机。在 QuEra 的实测中，激光失锁恢复从 150 秒压缩到约 6 秒，700 次盲测成功率 99.3%。
在一间自动化实验室里，成像相机可能基于 Python 开发，探测器跑在 MATLAB 环境下，电生理设备是 C# 架构，而机械臂、共聚焦显微镜、移液工作站各有各的专属驱动、私有数据格式和封闭控制软件。
多数情况下，相邻的两台仪器都无法感知彼此的运行状态。
想实现"相机识别样本后，通知机械臂去抓取"？对不起，得为这两台设备单写一套定制连接代码。设备越多，集成越复杂。为了打通壁垒，行业挣扎了二十多年，先后诞生了 SiLA、OPC UA、AnIML 等多套公开标准，却没一套真正成为通用语言。
它们都败在同一件事上：试图用死板的代码规则，框住无限的硬件世界。
试图定义万物。描述一个"加热模块"，恨不得把最高温度、升温速率全部规定好格式。世界上设备千千万，每出一个新品，标准委员会就得开会改文件，迭代效率极低。
改造成本极高，经常逼着厂商手写成千上万行底层代码，大批中小设备商被挡在门槛之外。
定位是实验数据格式标准，只统一输出数据格式，不涉及设备控制逻辑——相当于"光记账，不干活"。
三套标准的失败路径各不相同，但结论一致：靠人类工程师逐行修补接口，这条路只会越走越窄。
MHS 的核心逻辑变了——不逼硬件改底层代码，在中间加一层"统一翻译器"，让大模型来包容设备的多样性。
这套体系里，Agent 可以给设备写"使用说明书"——reference file，记录每台设备的实时状态、参数与传感器数据。AI 下达指令前，读取这一份文件，就能掌握全实验室的设备状态，无需逐个对接。
但能连上设备，只是第一步。MHS 真正的价值，是让 AI 代理在物理世界跑通"观察—判断—执行—迭代"的完整闭环。
四组数字来自两所机构的公开实测，覆盖"多设备协同"与"极端精度控制"两类场景；均为相对提升值，不构成跨场景对比。
既然 AI 这么强，为什么不把设备直接交给 Claude 实时操控？
答案藏在物理世界的约束里。设备动作极快，大模型在云端推理却有几十到几百毫秒的延迟；幻觉更是无法预知的不确定因素，稍有差错设备就会损毁。所以 MHS 从设计上就把模型推理层与设备执行层严格分离：Claude 动脑想方案，确定性代码动手控设备。
AI 调一步、看一步。比如调整化学反应搅拌速度，Claude 改一下参数，通过摄像头看一眼结果，在试错中摸索物理规律。
一旦摸清规律、或面对需要极速的场景，Claude 把几十步动作打包成确定性 Python 脚本一次性下发，设备本地离线跑完，彻底绕开网络延迟。
两种模式解决的是同一枚硬币的两面：既要用大模型理解复杂物理过程，又要用确定性代码保证实时与安全。
硬件是一个比软件工具大得多的市场，也是一个更严肃的战场。预览版刚发布，生态圈已经拉起：生物科技巨头 丹纳赫、QIAGEN、Tecan，工业机器人公司 斗山机器人，以及 AWS，都已加入 MHS 生态。
Anthropic 的角色正在从"工具提供商"向"行业规则制定者"演进。过去几天，Claude 已经展现了自主设计蛋白质结合剂、23 分钟处理完化学家半小时的工作量等能力——"大脑"就位了，MHS 补上的是触碰仪器的"双手"。
未来，无论谁的硬件设备在市场上胜出，想接入 AI 的能力，就得跟着这个接口走。
这是生意，更是权力。
从 MCP 到 MHS，Anthropic 正在复制一条"接口即标准、标准即权力"的路径。软件工具层它已经赢了一场；物理世界这一仗，它选择从门槛最高的科研实验室切入——那里设备碎片化最痛，也离 AGI 最近。科学发现的计量单位，或许很快就会从"年"变成"天"。
MHS 以研究预览版发布，已进入全球顶尖实验室的显微镜、机械臂与量子计算机。生物科技、机器人、云计算的头部玩家已经入局。
研究实验室与设备厂商，可关注 Anthropic 官方发布渠道的接入说明。
MHS Research Preview → 接入以官方说明为准