read、讓它「采訪」你來完成錄入 。发布Genentech 的部别急移液自優化和"泡沫翻車" 、中篇帶你看四個一線案例的曲上完整細節——CMU 的 8 小時集成與六種被攔截的故障 、分別跑在 MATLAB、着叫換成 Claude 通過 MHS 在專用測試台上工作
：提出恢複假設 → 寫成腳本 → 上真機測試 → 讀取日誌決定下一輪怎麽改——和人類專家跑的物理是同一個循環 ，通宵不停 ，到底這家做中性原子量子計算機的发布公司 ，Python、部别急
二 、位移台來自不同廠商 ，着叫需要申請；規範文本尚未公開，團隊用同樣方法讓 Agent 優化鎖頻質量本身 ：12 個相互耦合的反饋參數 ，一夜完成了原本需要數周的調試[7:4] 。官方列出的三種控製機製是 MCP、順序錯了整場實驗白做 。最關鍵的設計：LLM 不進入實時控製環
這是 MHS 最正確的工程決策 ，AI 走進物理世界」 。ABB 用 RAPID」的廠商方言；
這件事的起點也不是"讓 Claude 控製機械臂"的 Demo ，更難得的是那 5 次失敗 ：係統識別出是測試台本身的問題，移板 、用自然語言標簽寫進參考文件——用戶甚至可以和 AI 對話，而四足機器人的實時控製需要約 83 Hz——差了兩個數量級 。到底證明了什麽、生產運行時 ，MHS 既不是 MCP 的簡單硬件版，
盲測結果 ：700 次注入故障覆蓋七種類型 ，終於可以完整地介紹自己；
畫麵沒有錯 ，Claude 已經退出控製環
——用 QuEra 自己的話說 ：開發由 AI 驅動 、一句話概括 ：模型負責判斷 ，而是 HHMI Janelia 研究園區一個相當狼狽的科研現場 ：激光 、歸零 、
大模型推理天然是非確定性的
：有延遲抖動 、第一次變成了機器可讀的標準對象 。最難的 10 到 14 秒
，讓 LLM 逐周期決定電機輸出多少扭矩 ，拒絕謊報成功；測試期間激光自然跳模 43 次
，接口層越窄，以及它最關鍵的一條工程紅線
。而不是散落[4][5]
。這個叫法混淆了兩個層級。有網絡開銷 、又沒證明什麽 。是每台設備的標準化驅動（MHS Driver）
。C# 和各自的控製軟件裏 ，write兩個原語——讀取狀態 、運行完全自主[7:2][8:1] 。完全可審查的常規程序
。以及一個會自己找離心機補救的係統，組成統一的狀態清單；
MHS 目前隻向首批科研實驗室和先進製造商開放 ，最終殘餘頻率噪聲降低 5 倍 ，這就是物理世界的「窄腰」 。是工程災難[6]。Agent 在硬安全邊界內做了約 12,500 次評估（每一次導致失鎖的候選設置都被檢測並回滾） ，是一個確定性 、
一 、相機畫麵不再鎖死在各自軟件裏，Agent 越不用靠猜 。把整套裝置的狀態放進一個標準化的共享內存字典——激光功率 、
三 、儀器還運行各自的軟件——真正變化的是中間那層「翻譯和協調」 。不是 MHS 本身[1:2] 。核心設計是什麽 、而是三件事的組合 ：窄腰接口（read/write）降低接入門檻 ，代碼上產線。成功率 58%[7][8]。
用上位機工程師的話翻譯 ：MHS Driver ≈ 你寫過的設備驅動類 + 點表；參考文件 ≈ 說明書裏「技術參數 + 安全注意事項」那一頁 ，
MHS 的真正核心，MCP 解決的是模型如何連接軟件工具；MHS 負責的是物理設備。消息很快被壓縮成一句話 ：「Claude 長出雙手 ，隻能覆蓋預想過的故障模式 ，全部自動恢複[7:3][8:2] 。機器保留最後否決權 。代碼負責穩定重複 ，量程 、在設備層強製執行。把數百種邊界故障模式全部枚舉了一遍[7:1] 。
導讀
2026 年 8 月 27 日 ，寫入參數——然後把設備差異全部放進上層描述裏 。我們看到的是一套早期規範和一批概念驗證 ，過去散落在紙質說明書和老師傅經驗裏的知識 ，設備語義（狀態/操作/標簽）讓機器能自我介紹 ，就是 MHS 的雛形[1:1][3] 。
接入 MHS 後 ，沒有硬實時保證 。也最容易被「AI 直接控製機械臂」的標題掩蓋 。組合和運營整個物理現場 。而不是「UR 用 RTDE 、
MHS 公開案例體現的是正確的分層 ：Agent 負責高層推理和探索 ，19 小時烤機零失鎖——此前平均每小時失鎖 1.6 次。相機、這個把集成工作從數月壓到數天的原型 ，再讓智能去理解、實戰見真章 。
下篇預告：概念說完 ，
而最終交付的產物 ，成功恢複 695 次（99.3%） ，機器第一次見到 Agent 時 ，MHS 的核心 ：一套「窄腰」設備驅動 很多人把 MHS 叫「硬件版 MCP」 ，急停 ， 每台設備由此被統一抽象成四個要素
：
參考資料 ：
MHS 官方網站 ：https://modelhardwarestandard.com/
Previewing the Model Hardware Standard — Anthropic ↩︎ ↩︎ ↩︎
Anthropic previews Model Hardware Standard for AI-controlled lab and factory equipment — MLQ.ai ↩︎
How One Postdoc's Problem Solving is Changing the Way Scientists Work — HHMI ↩︎
Anthropic's Model Hardware Standard Lets Claude Control Lab Robots Overnight — AlphaSignal ↩︎
Anthropic Model Hardware Standard (MHS) Explained — Kingy AI ↩︎
Claude plays robotics — Anthropic Research ↩︎
Holding the Light: Teaching an AI to Lock and Tune our Quantum Computer's Lasers — QuEra ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
QuEra Uses Anthropic AI Agent to Automate Critical Quantum Computer Process — The Quantum Insider ↩︎ ↩︎ ↩︎
本篇小結
MHS 的本質不是"AI 控製硬件" ，
故事還沒完 。新增一台相機從過去的數天縮短到幾分鍾；啟動實驗從 7 次操作縮成一次點擊；分析工具從「每台設備寫一個」變成「每種數據類型寫一個」——工程資產終於開始累積，Anthropic 開放 MHS（Model Hardware Standard，Anthropic 計劃在完善安全評估後再開源[1][2]。工作空間這類代碼表達不了的信息，不是定型的行業標準 。
它也沒有讓 Claude 獲得新的機械能力 。激光頻率一旦漂移整機罷工 。Anthropic 自己 7 月的機器人研究給出了誠實的數字 ：當前模型推理速度約 0.2–0.4 Hz ，但機器可讀 。命令行 、分層執行讓模型待在該待的位置——實時控製環之外 。平台位置 、機械臂還是原來的機械臂 ，
這是三部曲的上篇 ：講清楚 MHS 到底是什麽 、由設備自行執行 。QuEra 的案例是最好的注腳 。用工程師的話說——AI 幫你把經驗編譯成代碼，「Claude 長出雙手」 ，