知谱 Spectra
AI Agent 通过 MHS 连接显微镜、液体分注设备、机械臂和其他物理设备

当现实世界变成 API：AI Agent 正在走出电脑

Anthropic 的 MHS 正在尝试把显微镜、机械臂和实验设备变成 AI Agent 可调用的 Tool。真正值得关注的，不是 AI 又聪明了多少，而是现实世界开始变得 programmable。

过去两年，我们谈 AI Agent，基本还在谈一个“住在电脑里”的物种。

它会写代码、查资料、读邮件、操作浏览器，也可以调用各种 API。能力越来越强，但无论怎么折腾，它面对的本质上还是数字世界。

2026 年 8 月 27 日，Anthropic 发布了一个不太起眼、但我认为值得关注的新东西：Model Hardware Standard，简称 MHS。

它想解决的问题很简单：能不能像调用软件 API 一样，让 AI Agent 操作显微镜、机械臂、液体处理设备、激光器，甚至量子计算机里的实验设备？

如果答案最终是“可以”，事情就开始变得有意思了。

从 MCP 到 MHS

理解 MHS，可以先看它的前辈 MCP。

MCP 做的事情，本质上是给 AI 和软件世界之间安装一个“万能插座”。以前 Agent 要访问数据库、文件系统或者各种 SaaS，需要分别开发接口；有了统一协议以后，Agent 可以用相对标准化的方式发现和调用这些工具。

MHS 想把这个思路往前推一步：

如果软件可以成为 Agent 的 Tool，为什么机器不可以？

于是，一台显微镜在 Agent 看来，不再是一台复杂仪器，而是一组可以理解和调用的能力：

读取温度。

移动镜头。

调整参数。

拍摄图像。

机械臂也是如此：读取状态、移动、抓取、停止。

现实世界第一次开始被翻译成 Agent 能够理解的“函数”。

这件事真正重要的地方，不是 Claude 学会了操作机械臂，而是物理世界正在变得 programmable。

从 Web API 到 MCP，再到 MHS：软件、数字世界与物理世界逐步变成可调用能力

软件产业已经发生过一次

今天我们习以为常的 Stripe、Twilio、AWS，本质上都做过类似的事情。

以前，收款是一整套银行业务；后来它变成一次 API 调用。

以前，打电话需要电话系统；后来它变成一个函数。

以前，购买服务器需要采购、安装和运维；后来变成几行代码。

每当一个复杂现实能力被 API 化，它就获得一个非常重要的新属性：

可组合性。

开发者不必再理解底层所有细节，只需要调用它。

MHS 如果真正成熟，可能意味着同样的事情开始发生在实验室和工厂。

未来，一个 AI Agent 不一定需要“拥有”实验室。它只需要知道：

这里有一台显微镜。

那里有一台液体处理器。

另一边有一台机械臂。

然后把它们组合成一个工作流。

这时出现的就不仅是 Robot-as-a-Service，而可能是：

Lab-as-a-Service，甚至 Factory-as-a-Service。

真正值得关注的是“闭环”

今天的 AI 已经很擅长提出假设。

比如它可以阅读几千篇论文，然后告诉研究人员：“我认为这个蛋白质值得用这个条件做一次实验。”

问题在于，接下来还是要人去做实验。

所以现在的科研循环是：

AI 提出假设 → 人做实验 → 人整理结果 → AI 再分析。

真正慢的往往不是 AI 思考，而是中间这一大段现实世界。

如果实验设备也成为 Agent 可以调用的 Tool，循环就可能变成：

提出假设 → 设计实验 → 操作设备 → 获取结果 → 修改假设 → 再实验。

整个循环里，人第一次有可能不再是每一步的必经节点。

Anthropic 公布的早期合作案例已经涉及药物发现实验、成像实验和量子计算机激光校准。当然，这些目前主要还是 Anthropic 及合作伙伴报告的早期结果，离成熟工业标准很远。

但方向值得注意：

AI 的瓶颈可能正在从 intelligence，转向 action。

模型已经越来越会“想”，下一场竞争可能是谁能让它真正“动手”。

AI 驱动的实验闭环：假设、实验设计、执行、数据获取、分析与下一轮假设

但物理世界没有 Ctrl+Z

这也是事情危险的地方。

Agent 写错一封邮件，可以道歉。

写坏一段代码，可以回滚。

但机械臂撞坏设备、实验参数设置错误，甚至化学实验发生事故，现实世界没有 Ctrl+Z。

所以我反而觉得 MHS 最值得观察的不是“AI 控制机器”，而是它背后的另一个设计思想：

不要假设 AI 永远不会犯错，而要限制错误能够造成多大的后果。

比如机械臂能转多少度、速度上限是多少、哪些参数绝对不能修改，这些限制不应该只写在 Prompt 里，而应该成为设备和控制层本身的边界。

换句话说：

不是努力制造一个“永不犯错的 AI”，而是设计一个允许 AI 犯错、但不会因此失控的世界。

这可能比不断给模型增加安全提示更现实。

AI 真正走出电脑的那一天

过去几年，我们一直在讨论 AI 会不会替代程序员、咨询顾问、分析师。

这些问题当然重要，但多少仍然局限在知识工作的框架里。

如果 MHS 代表的方向成立，更大的变化可能是：

现实世界本身开始成为 AI 的 Tool Space。

Web API 让软件变得可编程。

MCP 正在让数字世界变得 Agent 可调用。

而 MHS 试图做的，是让物理世界也进入同一个体系。

到那时，一个 Agent 不只是“知道应该做什么”。

它可以观察现实，采取行动，看到结果，再决定下一步。

Think → Act → Observe → Think again。

这才是我认为真正值得关注的分界线。

AI 革命的下一阶段，也许并不是模型又聪明了 20%。

而是某一天，我们突然发现：

整个世界，都开始有 API 了。

参考来源

← 返回首页