先说一个所有实验室都懂的痛

走进任意一间现代化的实验室，你会看到这样一幅景象：

显微镜来自一家厂商，机械臂来自另一家，移液工作站又是第三家的产品，离心机、酶标仪、培养箱各说各话。每一台设备都很好用，但它们之间没有共同语言。

于是，每多接一台机器，工程师就要重写一套"翻译程序"。

这就是过去几十年实验室自动化的真实处境——不是没有好设备，是集成的成本吃掉了自动化本该带来的收益。

所以自动化实验室一直是有钱机构专属的奢侈品，而不是每个实验室都能用的基础设施。

图：CMU 实验室的 CyBio Felix 液体处理仪（左）与 Thermo Varioskan LUX 板式读数仪（右）——不同厂商、不同接口，是实验室的常态

而在 CMU 的案例中，更现实的难题是：一台板式读数仪连 API 都没有——想让它参与自动化流程，只能让程序去模拟人类点击图形界面。这大大制约了自动化在全球实验室真正落地的效率。

祖传老设备，才是大多数实验室的常态。

就在这个背景下，Anthropic 放出了一个名为 MHS（模型硬件标准 / Model Hardware Standard） 的东西。

它的目标听起来很朴素：让所有机器，都能被大模型"读懂"。

具体做法有两层。

第一层，统一的通信语言。给所有设备一套共享的通信格式，让它们能被同一个智能体理解和调度，中间不需要任何定制化的翻译程序。

第二层，也是最巧妙的一笔——设备自带一份"自述文件"。

图：MHS 让显微镜、机械臂、移液器、离心机、摄像头等不同厂商设备，统一接入同一工作流

等设备全部接好，智能体就能通过 MCP、命令行或 API 统一调度。不同品牌的机器，第一次真正协同工作。

你可能会问：给设备定标准，这事以前没人做过吗？

做过。业内早有实验室设备通信标准，由安捷伦、赛多利斯这样的真巨头推动，规范发布至今已有数年。

但它没有引爆行业。原因值得琢磨：

这才是关键一跃——从 machine-readable 到 model-comprehensible。

当适配一台新设备的成本趋近于零，那些过去"不值得接"的老设备、小众设备、长尾设备，第一次变得经济。而长尾，恰恰是实验室的绝大多数。

这也解释了为什么业内会把它称作"硬件版的 MCP"。

今年上半年，"龙虾"爆火全球——那一次，AI 还只是停留在工具层面：帮你写代码、画图、做 PPT、整理文档。聪明，但它碰不到这个世界。

Anthropic 用 MCP 给大模型接上了数据库、浏览器和各种软件工具，让 AI 第一次能真正"动手"处理数字世界的任务。

现在 MHS 把同一套思路搬进了物理世界。一个协议管数字世界，一个协议管物理世界。

图：开发者 @ns123abc 的总结——"比人类构建的系统快 25 倍"

有开发者把这次发布浓缩成一句话：给 AI 一间属于自己的实验室，让它整夜无人看管，第二天早上，它比人类构建的系统快 25 倍，也更可靠。

而 Anthropic 的回应更值得玩味：

MHS 不是 PPT 上的概念。它已经被丢进真实的实验室里跑过了，而且不止一家。

量子计算 · QuEra这家做中性原子量子计算机的公司，机器靠激光控制原子量子比特，而激光极其娇贵，频率一漂就可能停摆。公司曾让 4 名专家连轴转两三周，手搓出一套恢复脚本——只能处理预设的几种故障。

换成 Claude 通过 MHS 接管后：读激光系统状态、在测试台调参、用摄像头确认光束是否归位。它跑了整整一晚，主动制造、识别、修复了数百种故障，把激光稳定率做到了 99.3%——人类专家是 58%。单次校准，人上手要 5–10 分钟，它练熟后压到 6 秒。

药物发现 · Genentech这家做出首个获 FDA 批准基因工程药物的老牌药企，用移液器、机械臂、酶标仪三台设备配合，由 Claude 统一指挥做 BCA 蛋白测定。两轮测试后，它自己摸索出最优参数：水 140 μL/s、BSA 10 μL/s——经专家确认合理。

图：实验室中的 96 孔板操作——过去这类重复劳动需要研究人员亲手完成，甚至凌晨起床换板

神经科学 · HHMI Janelia一项极其复杂的脑成像实验，团队平时要搞好几周，Claude 接管多设备后一天收工。

图：HHMI Janelia 的脑成像实验——显微镜采集、数据处理、结果分析，多设备协同把数周工作压缩到一天

蛋白质设计 · David Baker 实验室一位博士生曾要在凌晨 4 点起床换 PCR 板，因为仪器每 90 分钟就要换一次。现在机械臂和移液器通过 Claude Code 调度配合完成换板，全程零碰撞，他只需远程观看。他的原话是："MHS 的搭建速度和难度都远超我的预期。相比之下，我之前几次尝试自动化都以失败告终。"

机器人 · Hugging Face LeRobot研究员提前内测了 MHS 预览版。未经任何专项训练，Claude Code 直接操控一台真实机械臂，完成了积木颜色分类任务。评论区一片惊叹：这种泛化能力从何而来？

图：Anthropic 官方宣布启动 MHS 研究预览——"让 AI 智能体在科学研究和先进制造中安全操作物理设备"

开源硬件 · 树莓派通过 Camera MHS Driver 测试成功后，正在为多款产品启用 MHS 集成。

要理解 MHS 的分量，得看清 AI for Science 这些年卡在哪。

在 David Baker 实验室——那个拿过诺贝尔化学奖、如今用 AI 从零设计蛋白质的地方——有这样一组数字：

过去几年，算力的边际成本在暴跌，湿实验的边际成本纹丝不动。结果是：AI 一天能吐出一万个漂亮的假说，而实验室一年只能验几百个。

一旦实验能被 AI 7×24 调度执行，验证的成本曲线就会第一次开始下滑。这意味着：

不是摆脱智力极限，是摆脱生理极限——8 小时工作制、手的稳定度、注意力的持续时长、一个人一年只能做那么多组实验。这个限制，人类科学背了整整几百年。

第一，黑灯实验室不再是概念。7×24 小时连续运转、无人值守、故障自动排查——这些过去停留在 PPT 上的词，现在有了可运行的样本。人类不再需要为"仪器半夜会不会出问题"而留守。

第二，科学家的角色在被升级。从亲手操作仪器的人，变成设定目标、设计实验、判断结果的人。凌晨 4 点换板的博士生，把时间用来读论文和想问题。这不是被替代，是被解放。

图：Anthropic 向全球 1 万名科学家开放 Claude 席位，标准席免费 / 高级席 $15/月

第三，自动化不再是特权。Anthropic 同时宣布向全球 1 万名科学家开放 Claude 席位，为期一年——标准席免费，高级席每月 15 美元（5 倍用量）；AI for Science 项目另可申请最高 5 万美元算力 credits。

过去，能玩得起自动化实验室的只有少数头部机构。现在，一个发展中国家的课题组，只要有一台能编程的离心机，就有可能接入同一套能力。这是 MHS 作为"标准"最值得期待的地方——它把能力变成了基础设施。

第四，复现危机可能迎来转机。科学长期受困于结果不可复现，很大一部分原因极其 mundane——记录不全。人不会记下那次手抖、那次犹豫、那次"好像多等了三十秒"。AI 会。MHS 天然产生结构化的、可回放的操作序列，一个由 AI 执行的实验，完整轨迹可以逐帧回放。

第五，一座负样本的金矿正在被挖出来。科学文献有严重的发表偏倚——失败几乎从不发表，而 80% 的真实实验结果是失败的。

晶泰科技的数据能说明这座矿的分量：累计沉淀超过 50 万条真实实验记录，其中约 80% 是公开文献里极度稀缺的失败负样本，每月还在新增 5 万条产率数据、30 万条过程数据。

当然，现在就说"黑灯实验室"全面到来还早。有三道现实的门槛——但请注意，它们全都是工程问题，不是原理问题。

门槛一：设备覆盖。MHS 只能接管有编程接口的硬件。CMU 那台板式读数仪连 API 都没有，MHS 只能模拟人类点击 GUI 来操作。祖传老设备是大多数实验室的常态，这会制约落地效率。

门槛二：计算成本。让 AI 持续在线监控实验，计算开支需要和省下的研究时间权衡。对预算紧张的学术实验室，这不是小数目。

门槛三：安全与责任归属。MHS 在驱动文件里写清机器的安全边界——机械臂最快转多快、最大角度多少，AI 读完就知道哪些动作不能做。这份文件本质是一道安全阀：写对了很好，写错了后果由谁承担？目前还没有标准答案。

但 Anthropic 已明确：MHS 将在研究预览之后开源，届时一并发布安全部署指南。生物领域的安全闸门也已设好——Fable 屏蔽、Mythos 需美国政府准入，这条能力曲线由政策决定，不由技术决定。

在这轮变局里，中国的位置其实不差。

晶泰科技已在全球部署 300+ 台自动化工站，覆盖 20 余类研发场景，服务 100+ 药物与新材料项目；2026 年上半年 AI4S 智慧解决方案收入同比增长 136.4%；已获礼来等头部药企交付与复购；能力延伸至钙钛矿、锂电、分子筛等新材料赛道。7 月，他们把内部跑通的整套科研基础设施对外开放，发布 XtalPi Science 平台与 Genius Agent 智能体矩阵。

图：Anthropic AI for Science 三层完整布局 — 从模型到软件到物理设备的智能闭环

MHS 让"把设备接起来"这件事对所有人都变便宜了——这对中国是好事，因为我们最强的恰恰是制造能力与规模化执行。

但也要清醒：协议可以开源，跑出来的数据不能。

回看技术史，真正改变世界的，往往不是某一款惊艳的产品，而是一个不起眼的标准。

USB 统一了外设接口，TCP/IP 统一了网络通信，HTTP 统一了信息传递——它们都不生产具体的价值，却决定了价值以什么方式流动。

MHS 想做的，就是实验室里的那一层。

上半年，MCP 让 AI 接上了数字世界的所有工具；

今天，MHS 要让它接上物理世界的所有设备。

当设备接入的成本从几个月掉到几分钟，实验室的形态就会被重新定义。

支持单位：