AI Agent（AI 代理）已經能寫程式、規劃實驗，甚至連續工作數小時，但當它真的走進實驗室或工廠進一步控制器材時，可能會遇到設備來自不同廠商，各有不同控制介面、軟體與資料格式等問題。AI Agent 就算知道下一步怎麼做，也未必有一致的方法將指令送到每一台設備，而整合這些硬體往往需要花上數週甚至數月的時間。
Anthropic 在美國時間 8/27 發表「模型硬體標準（MHS, Model Hardware Standard）」的研究預覽版，正是要解決這個問題，並宣稱能將整合工作縮短至數小時甚至數分鐘。究竟 MHS 做到了什麼，進而能縮短整合時間呢？
先讓不同機器「說同一種語言」
根據 Anthropic 定義，MHS 是一項供 AI Agent 安全操作實體設備的共享規範，核心做法是在設備與 AI Agent 之間加入標準化驅動程式。不同硬體原本各自有一套操作方式，經過 MHS 後，會被整理成 read、write 等基本指令，並以共同格式描述設備目前狀態、能執行哪些操作，以及必須遵守的安全限制。
設備接入 MHS 後，會以共同格式被 Agent 發現；Agent 則可透過 MCP、命令列介面（CLI）與程式碼檔案（API）控制硬體，進一步協調多台設備完成工作。MHS 本身不綁定 Claude，其他 AI Agent 也能使用。由於 MHS 可透過 Anthropic 先前推出的 Model Context Protocol（MCP）存取，也可以看出 Anthropic 正把標準化介面的思路，從軟體與資料連接進一步推向實體硬體。
MHS 是否真能降低硬體整合門檻？卡內基美隆大學（CMU）的測試提供了一個實際案例。該研究團隊原本要讓液體處理機、微孔盤讀取儀（plate reader）、機械手臂與攝影機共同完成藥物劑量反應實驗，但這些設備分散在 3 台電腦上，控制方式也各不相同，有的透過檔案傳送指令、有的使用舊式 Windows COM 介面，還有設備只能透過圖形介面操作。按照 CMU 團隊說法，若採用傳統由供應商進行的自動化整合，通常需要數週才能完成。
導入 MHS 後，研究團隊改為替不同設備建立標準化驅動程式，再透過共同的協調層讓 AI Agent 操作整套系統。Anthropic 表示，團隊從零完成這套整合約花 8 小時，之後執行完整劑量反應實驗的速度也提高約 3 倍。
不只做工具，Anthropic 開始拉硬體生態系
Anthropic 已開始拉更多硬體與開發生態系加入。官方公布的合作名單包括 AWS、Doosan Robotics、Universal Robots、Tecan 等；Hugging Face 也準備把 MHS 支援加入機器人開源函式庫 LeRobot，Raspberry Pi 則正在部分產品整合 MHS。
這些合作目前還不足以證明 MHS 會成為產業標準，但可以看出 Anthropic 的目標已不只是一套內部工具，而是希望把 MHS 推成 AI Agent 與實體設備之間可被不同廠商採用的共同介面。
看得懂機器，不等於懂物理世界
需要留意的是，MHS 並沒有消除 AI 操作實體設備的風險。Anthropic 公布的 Genentech 蛋白質實驗中，Claude 遇到液體起泡造成的錯誤時，一開始持續更換參數重試，結果反而產生更多泡沫；研究人員最後必須告訴它，錯誤來自液體的物理特性，以及應該如何調整操作。
Anthropic 因此也承認，目前大型語言模型的空間與物理推理仍有限，需要專家監督；MHS 現階段也無法直接支援缺乏可程式控制介面的硬體。這套標準目前仍只是研究預覽，Anthropic 正與合作夥伴進行安全評估，完成更多測試後才計畫開源。
MHS 現在證明的主要是「設備介面可以被標準化」，距離 AI 能可靠自主操作複雜實體環境仍有一段距離。但它最後能不能從 Anthropic 的研究預覽變成真正的產業共同標準，也將取決於硬體廠商採用程度，以及 AI 操作實體設備的安全與可靠性能否跟上。
從實驗室到產線，機器人正重新定義產業的樣貌。如果你也想站在第一線追蹤這場變革、寫出有觀點與洞察力的報導，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
【推薦閱讀】
◆ AI 代理進晶圓廠：SK 海力士綁 KPI 衝 2030，三星要求供應商「列為標配」
＊本文開放合作夥伴轉載，資料來源：Anthropic、《WIRED》、《SiliconANGLE》、《CNBC》、《Financial Times》，首圖來源：Anthropic
