刚刚，Claude接管物理实验室！巨头们抢着入局，AI4S游戏规则已变

一直以来，AI for Science被人诟病的问题是，AI可以提出无数个猜想，但没法自己做实验。

就在今天，AI巨头Anthropic拿出了杀手锏！

Anthropic高调宣布，发布模型硬件标准（Model Hardware Standard，简称 MHS）。

这等于直接给AI智能体装上「手和脚」，Claude不只提出科学猜想，分析实验数据，而是能够直接指挥真实世界里的实验设备。

更疯狂的是，Anthropic直接将一项原本需要耗费数周的成像实验，硬生生压缩到了1天之内。

不止如此，Anthropic还直接打出了一套组合拳！

它宣布，直接把Claude免费送给10000名科学家，如果需要升级服务，也仅需每月15美元，期限为一年。

至此，Anthropic在AI for Science的平台化布局非常清晰。

模型层，向科学家低价乃至免费开放算力；软件层，发布Claude Science平台，深度嵌入科学家的工作流程；物理层，通过MHS打通对物理实验设备的直接操控。

三者串联起来，实际上形成了一条从科学推理、实验设计到物理执行，再到数据反馈的完整链路。

AI for Science的游戏规则真的被改变了。

实验室，被Claude统一了

MHS不是单纯让 Claude 控制一台机器，而是在尝试解决一个更底层的问题。

如何让不同厂商、不同年代、不同接口的实验设备，都能够被同一个AI Agent理解和调度。

这放到以前是很难的一件事，因为一个实验室通常不止一个设备，来自A公司的移液器、B公司的机械臂、C公司的显微镜......

不同厂商的设备之间通常是闭源的，每接入一个仪器，需要工程师通过代码翻译，往往要花几周到几个月的时间。

而MHS负责把AI和硬件设备之间的通信统一成一套通用语言，这样任何设备都能被理解和调用，而不需要为每台设备单独写"翻译程序"。

通俗来讲，就是为每一个实验设备配备了一个USB接口，但是是软件层面的。

不管是显微镜、机械臂还是离心机，科学家仅仅通过语言对话，就能让claude自主运行和监测实验。

还有比较巧妙的一点。以前很多设备信息，比如机械臂的重量、最大温度里，只存在纸质说明书里，但AI能够自己生成一份操作说明书。

等设备全部接好，Agent就能通过MCP、命令行或API统一调度。不同机器，终于可以在同一工作流协同工作。

而一旦AI能控制设备，它就能实时看到每台设备传回来的运行数据，根据实验结果进行调整。

如果摸清了规律，AI智能体就把经验写成固定脚本交给设备自己执行，不用AI每次都停下来想一想再做。

有时候设备故障了，不需要人工干预，AI也能自己检查并解决问题。

最终，科学家有望大幅度解放双手。

两个例子，干翻此前实验室搭建流程

对于最看重的生命科学，Anthropic直接甩出了两个例子。

首先是基因泰克，一家有近50年历史的老牌生物制药公司，曾经做出首个获FDA批准的基因工程药物。

基因泰克选了BCA蛋白测定(测样品蛋白浓度)做概念验证，这个流程需要移液器、机械臂、酶标仪三台设备配合，由Claude统一指挥。

经过两轮测试，自己摸索出这项实验的最优参数。水用140微升/秒，BSA用10微升/秒，后来被专家确认合理。

过去，这种优化需要自动化专家为每组参数编写数据，并反复分析数据，直到找到合适的参数。

如今仅靠AI Agent在短时间内就能完成。

另一个实验来自著名的诺贝尔奖实验室——David Baker实验室。

如今，AI设计一个蛋白质成本仅0.01美元，但实验室测试一个候选蛋白却要100美元。

对于这个实验室的博士生Zihao Song而言，他面临两大瓶颈：监控难和产能不足。

仪器分散在实验室各处，出故障往往几小时后才发现，样品早已报废。而且大多数仪器只有一台，并且PCR每90分钟就要换一次板，他甚至凌晨4点还在实验室换板子。

传统自动化方案又太贵太死板，流水线可以重复运行一个流程上万次，但学术实验室一年要跑几十个方案，集成成本可能高达数百万美元。

于是，他尝试把MHS和AI智能体进行结合，有效缓解了这个问题。

一个是远程监控，所有仪器状态汇总到一个控制面板,不用再人工监测,AI还能自动识别qPCR的DNA扩增曲线，在合适时机提醒停止；

另一个则是自动进行机械臂板交接，机械臂和移液器通过Claude Code调度配合完成换板操作，全程零碰撞，他只需远程观看即可,不用亲自动手。

他本人表示：“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——花了好几周去比较平台、联系厂商支持、学写设备连接代码,最后还是放弃了。”

而这些脏活省下来的时间，他用来读论文，跑代码甚至享受生活了。

MHS并不是万能的

说尽了优点，但是MHS依然在实验中暴露了它的短板。

Claude虽然推理能力很强，但缺乏物理世界的直觉。

例如，做蛋白浓度检测时，粘稠的蛋白溶液在移液过程中起泡。

Claude一开始的反应是，换个参数在原来那个孔里重试，结果越搅越糟，泡沫反而更多。

因为它并不理解背后的物理原理。简单来说，气泡会占据空间导致实际转移液体变少，触发液位传感器误报，还会干扰最终的读数。

直到研究人员明确告诉它"这是气泡造成的物理问题,得换到干净的孔里、减少搅拌次数"，Claude才把这个经验记住，并且在后续操作中一直保持这个认知。

在量子企业QuEra案例里，如果硬件本身出了物理故障，Claude不知道怎么排查。

原因在于，Claude会默认问题出在程序层面，而不是物理层面。这种缺陷不是靠多喂数据就能马上补齐的，需要模型本身在物理推理能力上有代际进步。

不仅如此，MHS目前还无法兼容缺乏编程接口的硬件。一旦仪器完全没有API,只能靠MHS像人一样操作屏幕GUI。

大量实验室里用了十几年的老仪器根本没有数字接口，这部分存量设备的改造,需要厂商配合重新设计，不是软件层面能解决的问题。

还有一点是安全问题。

Claude经常因为觉得操作有点风险就暂停实验，等人工批准，结果实验有时候会因此卡一整晚。

这说明现在的安全策略还很粗糙。太谨慎会拖慢效率，不够谨慎又可能真出事故，但如果真的出了事故谁来承担呢？目前仍然是一个无解的问题。

谁影响，谁受益？

作为聚焦AI4S的产业媒体，我们试图回答一个问题：当Anthropic如同一头鲶鱼闯进自主实验室，会有谁受损，谁获益？

首先需要明确的是，MHS并不先锋，市场上已经有不少公司在做AI Agent驱动的自主实验室了。

有专业人士告诉智药局：MHS最值得关注的，是给出了一个生态雏形。

毕竟Anthropic发布MHS的同时，还官宣了一系列合作，却被许多人忽略了。

这些合作方，有云计算公司AWS，最核心的生命科学仪器公司QIAGEN（凯杰）、丹纳赫、MBF Bioscience、Tecan，还有机器人与机械臂公司Automata、斗山机器人、Universal Robots等。

这些软硬件公司，几乎是清一色的行业头部公司，并且都支持MHS，以便设备更容易被AI发现和调用。

而那些较小的公司，不仅在AI能力上不足，也难以获得一众行业巨头的生态支持。

对于硬件厂商，等于变相扩大了自己设备的可用场景；那些中间传统做实验室设备集成的公司，就很有可能受到影响了。

好在MHS还在闭门测试，目前主要是让学术实验室，以及有工程能力的公司率先使用。

同时，根据目前Anthropic发布的验证案例来看，主要还是用于简单、标准化的实验场景。

我们不妨来推演一下：短期内，对行业冲击有限，这段窗口期也正好被用来优化MHS，打磨安全标准；中期，如果开源MHS协议标准，中间集成层的竞争门槛会被进一步拉低。

长期来看，随着Claude对物理世界的理解和推理能力的飞跃，以及生态体系的不断搭建，这一套系统很有可能改变行业规则。

— The End—