AI 开始动手了
Anthropic 发布了一套叫 MHS 的标准,让 AI 程序直接操作显微镜、移液器、机械臂这类真实仪器,而不只是在屏幕上生成文字。
Anthropic 把这套规范叫做 Model Hardware Standard(模型硬件标准,简称 MHS),眼下只向一小批科研实验室和先进制造企业开放研究预览,还没有开源。它最早是 Anthropic 和 HHMI Janelia 研究园区合作做出来的,那是霍华德·休斯医学研究所在弗吉尼亚的一个神经科学研究中心。
按 Anthropic 的说法,一个 agent(能自己拆解任务、连续干活的 AI 程序)可以同时操作多台仪器,从常规的药物筛选实验,一直到给量子计算机里的激光做校准。
关键限定是:设备必须有可编程接口。也就是说,这台机器本来就能被电脑用代码指挥。纯手动的旋钮和拨杆,MHS 管不着。
原来的痛点在哪
实验室里的仪器基本互不通话,把它们接到一起要花几周甚至几个月,每一对设备都得专门写一段对接程序。
根源是:每台设备都有自己的一套编程接口,而且从来没有统一过。显微镜说一种话,移液器说另一种话,机械臂说第三种。要让它们配合,就得有人手写一个中间的翻译程序,而且是一对一地写。
HHMI Janelia 的博士后科学家 Arco Bast 就卡在这上面。他做复杂的脑成像实验,台面上摆着激光器、电动调焦装置和专业相机,来自不同厂商,没有任何共同接口。同一个研究所的科学家 Virginie Ruetten 更极端,她那套装置涉及 七个不同厂商的程序,彼此之间毫无共享接口可言。
Anthropic 说,MHS 把这类对接工作从数周数月压缩到 数小时甚至几分钟。
一套统一的驱动
MHS 的核心是一个标准化驱动,把所有设备的指令简化成「读」和「写」两类基本动作,再让设备和 AI 能互相发现彼此。
驱动(driver)是操作系统和硬件之间的翻译层。你插上打印机能直接打印,靠的就是驱动。MHS 做的是给所有实验仪器定一套共同的驱动规范。
它用的指令简单到有点朴素:read(读)和 write(写)。「读」比如获取当前温度,「写」比如设定温度。任何硬件都能理解这两个动作。
更要紧的是第二件事:MHS 让每台设备以标准格式「可被发现」。设备和 agent 能在网络上自己找到对方并对话,中间不需要再塞一个定制的翻译程序。这就是数周变数分钟的来源,不用一对一写胶水代码了。
用大白话写说明书
MHS 让人用自然语言把设备的物理特性直接写进驱动里,AI 因此知道一些光看代码看不出来的事,比如这条机械臂有多重。
这是 MHS 里最不像技术方案的一部分。代码能告诉 agent 这台设备有哪些指令,却告诉不了它 机械臂的重量,而重量决定了该怎么安全地挪动它。
这类信息过去存在哪?纸质手册里、某个人的电脑里,或者干脆只在老员工脑子里。MHS 驱动里留了一组标签,让用户用人话把这些直接写进去。写法有两种:自己敲,或者跟一个 agent 聊天,由它来「采访」你的设备配置。
填完之后,MHS 驱动会自动生成一份参考文件,内容包括这台设备:
- 能测什么
- 哪些参数可以调
- 会强制执行哪些安全上限
这份文件就是 agent 操作这台设备所需要知道的全部。
Claude 像科学家一样试错
测试中 Claude 调整激光后会用摄像头看结果、再调、再看,搞明白规律后把经验写成一个脚本,之后一条命令就能对准激光。
Anthropic 描述的这个过程值得细看,它和「执行预设程序」完全不是一回事。
Claude 先动手拧一下激光,通过摄像头观察光束被自己挪到了哪里,然后重复这个动作,目的是搞清楚因果关系。摸清之后,它把学到的东西打包成代码文件,写出一个确定性脚本,从此对准激光不再需要边想边做,整个流程跑一条命令就完事。
这背后有个实际考量。agent 的实时推理是有速度上限的,遇到长任务或者需要快过它思考速度的操作,就得把驱动指令串成代码文件,让设备自己连续执行。把探索出来的经验固化成脚本,等于把慢的部分一次性做完。
合作方拿它做了什么
生物制药巨头基因泰克、卡内基梅隆、华盛顿大学、量子公司 QuEra 都试用了 MHS,其中卡内基梅隆把一类实验跑快了约三倍。
几个具体项目:
基因泰克(Genentech) 的研究人员用 MHS 做了一个概念验证,自动化 BCA 蛋白质测定。这是测样本总蛋白浓度的标准流程,需要移液器、机械臂和酶标仪三台设备配合。
卡内基梅隆大学 跑系列稀释的剂量-反应实验,比以前 快了约三倍。一个 agent 同时调度移液器、酶标仪、机械臂和监控摄像头,这些设备分散在三台电脑上,接口彼此根本不兼容。
华盛顿大学 Baker 和 Pinglay 实验室的博士生 Zihao Song 做了三件事:用 MHS 搭了一个远程监控仪器的面板;让 AI agent 盯着 qPCR(通过反复升温降温来复制目标 DNA 片段的技术)的扩增曲线,在恰当时刻自动叫停;还打通了机械臂和移液器,让它们交接培养板时不会撞上。
QuEra Computing 造的是用中性原子做的量子计算机。他们把机器里部分激光系统的控制权交给了一个 agent,这个 agent 自己开发出一套控制器,在 99.3% 的情况下无需人工干预就能把激光的「锁定」找回来。所谓锁定,是激光必须保持的那个极精确频率,偏了就没法和原子相互作用。
还有 Tetsuwan Scientific,把 MHS 接进了自家自动化生物实验平台 ResearchOS,用 qPCR 流程去分析加州 San Pedro Creek 的污染状况,参与的是一个公民科学项目。
设备厂商在跟进
亚马逊云、Tecan、优傲机器人、QIAGEN 等一批硬件厂商和平台方,正在把 MHS 支持做进自家产品。
判断一套标准能不能活下来,关键信号是:造设备的人愿不愿意支持它。目前的名单:
亚马逊云科技(AWS) 将通过 Strands Robots 支持 MHS,那是它连接 AI agent 和物理设备的库,研究预览期间会给参与者一个未公开的预发布版本。
Tecan 正在为自家 Fluent 移液平台加 MHS 支持,让 agent 能直接发现并操作它们。优傲机器人(Universal Robots) 已提前拿到 MHS,计划把支持加进自家机器人平台。斗山机器人(Doosan Robotics) 在用机械臂测试 MHS,包括自动质检和多机协同。
MBF Bioscience 在给 ScanImage 做 MHS 驱动,这个软件驱动着全球数百个神经科学实验室的激光扫描显微镜。QIAGEN 在自家核酸纯化平台 QIAsymphony Connect 上做概念验证,想看看 agent 能不能帮实验室更快排查仪器故障、指导操作员恢复。Automata 在给实验室自动化平台 LINQ 加 MHS 支持,用于自主实验室里的智能错误处理。
开源机器人库 LeRobot 的维护方 Hugging Face 和 树莓派(Raspberry Pi) 也是早期采用者。树莓派用自家的 Camera MHS Driver 测试成功后,正在多个产品上启用 MHS 集成。
Claude 不懂物理世界
Anthropic 自己承认:Claude 靠文字和图像理解世界,空间和物理推理有硬伤,现在仍然离不开专家盯着。
这是文章里最该被读到的一段,因为它出自厂商自己的笔下。
Anthropic 写道,作为一个大语言模型,Claude 是通过文本和图像学习物理世界的,这意味着它的空间推理和物理推理存在局限,仍然需要专家监督。
举的例子很具体。基因泰克的研究人员处理蛋白质样本时,必须引导 Claude 认识到:样本起泡导致的错误是物理故障,不是软件 bug。这类问题只能靠物理手段纠正,改代码没用。一个只见过文字的模型,默认会往代码方向想。
把这件事放大看:MHS 的价值在于打通接口,让 agent 能指挥设备;但「能指挥」和「判断对了」是两回事。设备听话的那一刻起,判断失误的代价就从跑错一段程序,变成了弄坏一批样本、一台仪器,或者更糟。 Anthropic 说正在制定一份物理安全路线图,并要在研究预览期间和合作方一起建安全评估,也就是说,那些评估现在还不存在。这套标准放出来的顺序是:先在受控范围内试,补上安全评估,再开源。目前它停在第一步。