AI智能体正在从屏幕走向真实的物理世界。8月27日，Anthropic发布面向硬件的模型硬件标准（Model Hardware Standard，简称MHS）研究预览版，为AI智能体提供了一套统一、安全的接口规范，让Claude等模型可以直接发现、连接并操控显微镜、机械臂、液体处理器、激光器等实验室与制造设备。这套标准把硬件集成的周期从数周压缩到数小时甚至数分钟，被视为软件连接协议MCP向物理世界的延伸，具身智能时代的连接层标准之争由此拉开序幕。
MHS的核心设计思路是标准化。过去让AI模型操控一台物理设备，需要针对每台设备的私有协议单独开发驱动和适配层，一套实验装置往往要耗费数周时间才能打通。MHS基于读取、写入等基础命令提供标准化的设备驱动接口，AI智能体只需理解一套统一的抽象命令，就能与不同厂商、不同类型的物理设备交互。标准同时支持通过MCP、命令行与API三种方式协同操作，兼容现有软件生态，降低了开发者的迁移成本。
这种标准化的价值在实验室场景中体现得尤为直接。早期测试中，量子计算公司QuEra的激光重锁成功率从58%跃升至99.3%，几乎翻了一倍。激光校准是量子计算实验中最精细、最耗时的环节之一，过去依赖研究人员手动调整，如今Claude可以通过MHS标准接口直接操作激光器，在毫秒级时间内完成校准动作。Anthropic还展示了药物发现实验、压缩成像工作流等场景，Claude能够自主完成从设备发现、参数设置到实验执行的全流程，人类研究员只需负责实验设计和结果解读。
MHS的开放姿态同样值得关注。Anthropic明确表示，标准未来计划开源并做到模型无关，AWS、Hugging Face、Raspberry Pi、Universal Robots等机构已参与适配工作。这种开放策略与MCP如出一辙，先建立连接层标准，再吸引生态各方共同参与，最终把标准变成事实上的行业规范。对Anthropic而言，掌握物理设备接入协议，就等于掌握了具身智能时代的USB-C，这种战略卡位的价值远超标准本身。
MHS的发布标志着AI智能体的能力边界从纯数字世界扩张到物理世界。过去的智能体无论多强大，都只能在浏览器、终端、数据库等数字环境中活动，面对现实世界的物理设备无能为力。MHS打通了这道墙，让Claude可以像使用软件工具一样使用硬件设备，读取传感器数据、执行机械动作、调节实验参数，AI第一次拥有了统一的操作物理世界的接口。这种能力对科研自动化、工业制造、实验室无人化等场景意义重大。
从技术路线看，MHS补上了Anthropic在物理AI布局上的关键一环。Anthropic此前已在蛋白质设计、药物发现等科学研究领域展现出AI能力，但这些能力主要集中在计算与推理环节，物理实验的执行仍依赖人类。MHS让AI能够把计算结果直接转化为物理动作，完成从设计到验证的闭环，科研效率有望实现数量级提升。Anthropic同时强调，MHS在设计上把安全放在首位，设备连接需要经过明确的授权与验证流程，AI对物理设备的操作受到权限边界约束，避免失控风险。
更深远的意义在于产业协同。实验室自动化设备厂商、工业机器人制造商、科研仪器供应商，都在MHS的潜在生态范围内。一旦标准被广泛采用，不同厂商的设备将实现即插即用式的AI兼容，整个物理AI产业链的连接成本将被系统性降低。Anthropic选择与研究机构、设备厂商联合推进，而非单方面制定标准，正是看到了生态共建的价值。
MHS的出现，让物理AI领域的竞争多了一条新的战线。过去具身智能的竞争焦点在机器人本体、运动控制与模型能力，如今连接层标准成为新的制高点。谁定义了设备接入协议，谁就掌握了设备生态的入口，这种平台级的影响力远胜单一产品。Anthropic之外，英伟达的Isaac与Omniverse、谷歌的机器人基础模型也在争夺物理AI生态的话语权，但MHS选择了从设备接口标准切入，路径更为底层。
对开发者与科研机构而言，MHS的实用价值已经开始显现。实验室自动化是物理AI商业化最快的场景，MHS把设备集成的时间成本从数周降到数小时，意味着科研团队可以用更低的门槛尝试AI驱动的实验自动化。随着标准开源和生态扩大，设备接入的边际成本将持续下降，物理AI的应用范围也将从高端实验室扩展到更广泛的工业场景。这场连接层标准之争才刚刚开始，但方向已经清晰，AI与物理世界的融合，将从一套统一的握手协议开始。
从竞争态势看，连接层标准的争夺已经聚集了多位重量级玩家。Anthropic之外，微软正推动其机器人开发框架与云平台的深度绑定，特斯拉在人形机器人上坚持端到端自研路线，英伟达则凭借Isaac平台整合硬件与软件生态。各家路径虽有不同，但共识正在形成，物理AI的规模化落地离不开标准化的设备接入层。MHS以开源姿态切入，试图在标准形成期抢占定义权，其研究预览版已经在药物发现、量子计算激光稳定等场景跑通验证，先发优势正在转化为生态吸引力。
让AI直接操控物理设备，安全是不可回避的前提。MHS在设计之初就把权限控制纳入标准核心，设备的连接需要经过明确的授权与验证流程，AI智能体对设备执行的操作受到细粒度权限边界的约束，哪些设备可以访问、哪些参数可以修改、哪些动作需要人工确认，都可通过配置进行管理。Anthropic方面强调，MHS支持完整的操作日志记录，每一次设备访问与参数变更都有迹可循，便于事后审计与异常追溯，这在药品研发、精密制造等对合规性要求严苛的场景中尤为重要。
这种安全设计回应了行业对物理AI失控风险的普遍担忧。软件领域的提示注入攻击，在物理世界可能演变为对实验设备的错误操控，后果远超数据泄露。MHS通过标准化驱动层隔离了模型与设备底层的直接交互，即使模型输出异常指令，驱动层的验证机制也能拦截风险操作，为物理AI的应用加上了一道关键保险。随着标准生态扩大，安全机制也将持续演进，为AI进入更多高风险物理场景扫清障碍。
对科研机构与设备厂商而言，尽早适配MHS意味着在标准形成期占据有利身位。AWS、Hugging Face、Raspberry Pi、Universal Robots等机构的率先参与，已经为标准的生态扩张打下了基础。可以预见，随着标准正式开源，围绕MHS的驱动库、适配层与工具链将快速丰富，物理设备接入AI的门槛将持续降低，实验室自动化、智能工厂、科研无人化等场景的落地速度将显著加快。