AI Agent正在越过浏览器和代码仓库，第一次成体系地触碰真实世界。Anthropic与HHMI Janelia推出Model Hardware Standard（MHS）研究预览，让Agent通过同一套规则发现并操作显微镜、液体处理器、机械臂甚至量子计算设备。早期合作方称，原本需要数周的设备集成可被压缩到数小时，部分简单连接甚至按分钟计算。

MHS不是给机械臂接一个聊天框

传统设备集成的问题不只是接口不同。每台仪器能测什么、允许改什么、速度和温度上限在哪里，往往散落在手册、厂商软件和工程师经验里。MHS把这些信息写进可发现的设备描述，并通过驱动暴露读取、写入和执行等基础动作，同时把禁区、范围和前置条件留在机器可检查的约束里。

这相当于在厂商SDK与Agent之间增加一层“可执行设备说明书”。上层不必记住每个品牌的私有命令，下层也不必把全部控制权直接交给模型。驱动可以先拒绝越界参数、未满足条件的动作和危险组合，再把合法指令送给机器。统一的不是设备能力，而是描述能力、执行动作和报告状态的方法。

Agent可以经由MCP、命令行或API调用设备，也可以在流程稳定后生成确定性脚本，让毫秒级动作不必等待模型逐步思考。标准本身不绑定Claude，理论上任何Agent框架都能接入；但设备必须拥有可编程接口，没有驱动的老旧设备仍要由厂商或集成团队补课。

一个蛋白实验，暴露了物理Agent真正的工作量

在Genentech的概念验证中，MHS协调液体处理器、机械臂和微孔板读数仪，完成用于测量蛋白浓度的BCA实验。Agent不仅要安排移液、转运和读数顺序，还要面对液体黏度和气泡造成的误差。项目披露的优化结果显示，水样流速约为每秒140微升，黏稠蛋白样本则降到每秒10微升。

这些数字的意义不在于Agent“发明了”实验方法，而在于它能把设备调用、观察、调参和异常处理串成闭环。类似试点还覆盖了激光校准、显微成像和跨计算机设备编排。对企业来说，价值往往不在单机自动化，而在不同厂商设备之间那段长期靠人盯守的交接缝隙。

真正的生产指标也因此要从“模型回答正确”换成“样品是否按规范抵达、流程能否在时限内完成、异常有没有安全停机”。一条链上任何传感器延迟、耗材不足或抓取失败，都可能让上游的正确计划变成下游的错误动作。

最大的风险不是API报错，而是模型误解了现实

软件Agent失败时可以回滚文件，物理Agent一次错误动作却可能损坏样品、设备或人员安全。早期实验已经暴露边界：Claude最初可能把泡沫引起的检测异常理解成软件问题，而不是需要改变物理操作。文本和图像训练带来的常识，不能替代材料、力学和工艺知识。

因此MHS目前只向少量实验室和制造伙伴开放，Anthropic计划先共同建立安全评估和最佳实践，再将标准开源。供应商披露的提速也来自早期样本，不能直接外推到受监管生产线。没有安全联锁、设备级权限和人工接管，统一接口反而会把错误放大到更多机器。

编辑判断：物理世界的FDE要同时懂流程与失效模式

MHS真正改变的是交付边界。过去FDE主要连接数据、模型和软件工具；现在还要把设备状态、耗材、节拍、碰撞区、紧急停机和责任人写进同一张验收表。第一阶段不应追求全天无人值守，而应选择低风险、可重复、能人工复核的搬运或检测环节，先测任务完成率、人工介入率、故障恢复时间和样品损耗。

可靠的上线顺序应是模拟环境、只读观察、受限写入、单机操作，再到多设备编排；高风险动作必须保留审批，稳定步骤则固化为脚本。每次调用都要记录模型版本、设备状态、参数和结果，并准备断网、传感器漂移与工具失联时的安全降级。MHS给Agent一把进入实验室的钥匙，但谁能开哪扇门、出了问题如何停手，仍是企业必须自己完成的工程。