Fable 5.1本周未能如期发布，但A社再次推出了重磅举措。
今天，是大模型发展史中值得铭记的一天。
AI，终于具备了物理交互能力，开始掌控现实世界！
A社率先在其自家产品Claude上进行了尝试，让它实际操作实验室中的硬件设备。
机械臂、液体处理仪、显微镜、摄像头，乃至量子计算机的激光系统，都能被它直接操控。
通过持续调整移液器的参数，Claude在药物研发过程中自主完成了实验操作并修复了错误。
更令人惊讶的是，一项原本需要数周才能完成的成像实验，被AI强行压缩到了24小时内完成。
就在此刻，A社将这项名为MHS（模型硬件标准）的规范，开放了第一阶段的预览。
消息一出，整个网络迅速沸腾。有观点认为，这可能是今天最被低估的发布之一。
MHS，就像是“硬件领域的MCP”，真正赋予了AI视觉和操作能力！
AI“接管”物理世界 一个新标准诞生
MCP，作为A社最重要的创新之一，无人不晓。
它的诞生，让大模型得以连接数据库、浏览器以及各类软件工具。
现在，A社将同样的理念，应用到了现实世界中。
MHS，即模型硬件标准，如同一张“通行证”，让智能体能够直接操控现实中的硬件设备。
这与上半年风靡全球的“龙虾”项目不同，那次还停留在工具层面，而这次是AI真正与硬件进行连接！
A社的目标，是让所有机器都能被大模型“理解”。
毕竟，实验室自动化这一概念早已不新鲜。真正的难点，始终在于设备之间的连接。
在一个实验室里，显微镜来自一家厂商，机械臂来自另一家，而移液工作站又使用着不同的接口。
每增加一台设备，工程师就需要编写一套新的“翻译程序”。
因此，搭建一套自动化的实验流程，往往需要数周甚至数月的时间。MHS的出现，彻底改变了这一局面。
MHS是物理世界的MCP，也是AI设备时代的USB-C。
只要设备具备编程接口，MHS便能通过极其简单的指令，让所有硬件都能理解AI的意图。
最令人惊叹的是，它自带“通俗易懂的说明书”。
例如，当一台新设备接入时，AI只需读取该硬件自带的描述标签——
这台仪器最高能加热到多少度，机械臂的负载能力如何，最大运行速度是多少......
全球的AI便能瞬间掌握一台它从未见过的设备！
当所有设备连接完毕后，智能体便能通过MCP、命令行或API进行统一调度。不同设备，终于可以在同一个工作流程中协同运作。
MHS听起来可能有些抽象，但看到Claude被投入实验室后的表现，一切就变得清晰明了。
Claude学会“操作”机器了 超越人类专家
一家名为QuEra的量子公司，其中性原子量子计算机需要利用激光来精确控制原子量子比特。
这些激光非常“敏感”，一旦频率发生偏移，机器就可能停止工作。
有些故障，人类专家修复一次需要5到10分钟。而新任务的调试，则可能拖延数周之久。
QuEra曾让4名专家连续工作了两三周，手动编写了一套用于恢复的Python脚本。结果，这套程序只能处理预设的故障。
他们把同样的任务，交给了Claude。
通过MHS，Claude直接读取了“激光系统”的状态，在专用测试台上调整参数，再通过摄像头观察光束是否回到了正确位置。
就这样，Claude运行了一整晚，主动制造、识别并修复了数百种故障情况。
最终的成绩非常出色，Claude将激光的稳定率提升到了99.3%。而人类专家仅为58%。
令人难以置信的是，同样的校准操作，人类需要5到10分钟，而Claude在熟练后直接缩短到了6秒。
另一家基因公司Genentech，也让Claude参与了药物发现实验。
出乎意料的是，Claude全程自行评估结果，还能不断优化移液器的设置，遇到错误时也能实时自我修复。
在HHMI Janelia研究园区，一项极其复杂的“脑成像”实验，团队通常需要花费数周时间才能完成。
Claude在接管多个设备后，直接在一日内完成了任务。
HuggingFace的研究员LeRobot也提前体验了MHS的研究预览版。
令他惊讶的是，未经任何训练，Claude Code直接操控一台真实的机械臂，完成了积木颜色分类的任务。
评论区中，网友表示，这种泛化能力简直难以置信，不知从何而来。
当然，现在就宣称“黑灯实验室”已经到来，还为时过早。
Claude 还是在“泡沫”上栽了跟头
成绩虽然亮眼，但在实验记录中也能看到明显的局限性。
Genentech在进行蛋白浓度检测时，粘稠的蛋白溶液在移液过程中产生了气泡，气泡占据了管道空间，导致实际转移量偏低。
Claude的本能反应是在同一个孔位重试，结果液体越搅拌泡沫越多...
研究人员不得不亲自告诉它：“这是物理问题，不是算法存在Bug，你需要更换一个干净的孔位，并减少混合次数。”
Claude理解后保持了正确操作，但它始终无法自己想到这一步。
这是MHS目前最根本的瓶颈：Claude通过文本和图像理解世界，缺乏物理直觉。
换言之，我们需要真正的世界模型！
QuEra的测试也印证了这一点：Claude能在一夜之间完成数百次激光校准，但遇到光束被物理遮挡时，只会停下来等待人类确认，实验可能会在凌晨空转数小时。
这看起来未免有些迟钝...
安全第一，谨慎有余，效率不足。
这也是具身智能目前面临的主要困境。
物理推理之外，还有三道现实门槛
第一，设备覆盖。
MHS只能接管具备编程接口的硬件。
在CMU的案例中，一台板式读数仪连API都没有，MHS只能通过模拟人类点击图形界面来操作，这大大限制了其在实际实验室中实现自动化的效率。
老旧设备才是大多数实验室的常态。
第二，计算成本。
让AI持续在线监控，计算开支需要与节省的研究时间进行权衡。
对于预算紧张的学术实验室，这不是一笔小数目。
毕竟，每月2000元，你就可以获得一个高学历的“能工智人”，任劳任怨，还能为教授提供情绪价值。
Claude API价格
第三，监管真空。
MHS的工作方式，是在驱动文件中明确一台机器的安全边界。
例如，这条机械臂最快只能转多快、最大角度是多少，AI读取后就知道哪些动作不能执行。
问题在于，这份文件本质上就是一道安全阀：写对了，机械臂不会撞到人，很好；可写错了，后果由谁承担？目前没有标准答案。
想要大规模真实落地，厘清法律责任很重要——但也可能会反过来影响技术的实现，为了安全而妥协一部分。
世界的底层接口
这一次，A社想要争夺的，是AI进入物理世界最底层的“接口”。
在这个智能体时代，它先用MCP连接起工具，现在又用MHS打通AI进入真实世界的大门。
过去，大模型只能告诉人类怎么做。现在，它开始亲手做了。
参考资料： https://www.anthropic.com/news/model-hardware-standard-research-preview
本文来自微信公众号“新智元”（ID：AI_era），作者：ASI启示录，编辑：桃子 马可，36氪经授权发布。
珍妮·琼
官方客户端，安全稳定，操作便捷，让您随时随地畅享体育乐趣。