点击下方卡片，关注“具身智能之心”公众号
大事件，朋友们。今天，Anthropic 宣布推出硬件用 MCP：Model Hardware Standard（MHS），简单说，它就是一套硬件用MCP。
Claude要开始进军具身了？
按照官方定义，这是一套让 AI Agent 安全操作物理设备的共享规范。显微镜、机械臂、液体处理器、激光器，只要拥有可编程接口，都可以通过 MHS 向 Agent 公开自己的状态、能力和安全限制。
Anthropic 给出的结果是：过去需要数周甚至数月完成的设备集成，MHS 希望缩短到数小时或数分钟。Claude 可以同时协调多台设备，根据实时结果修改参数，遇到部分故障时还能自行恢复。
这里我用人话再翻译一下MHS，如果把 MCP 理解为 Agent 使用软件工具的通用接口，MHS 想做的，就是让一台机器也能向 Agent 说清楚：我是谁、我能做什么、我现在是什么状态、你最多可以让我做到哪一步。
更重要的是，这个游戏已经有了一大批头部玩家：AWS、Danaher、Doosan Robotics、Universal Robots、Hugging Face、Raspberry Pi，以及多家实验室和仪器厂商都已经开始测试或适配 MHS。
看起来，这是把 MCP 从软件世界接到了物理世界。
但问题也正出在这里。
Anthropic 是一家基础模型公司。它不生产机械臂，不开发伺服器，也没有像 Google DeepMind、NVIDIA、Physical Intelligence 那样推出一套面向机器人动作生成的 VLA。
一家模型公司，为什么突然开始定义 AI 应该怎样使用硬件？
如果只是为了让 Claude 多做几个机器人 demo，Anthropic 没必要设计一套模型无关的标准，更没必要同时拉来实验室、工业机器人和硬件厂商。
我们把 Anthropic 过去一年的机器人实验、MHS 的技术设计，以及当前具身智能的系统路线进行了梳理，得到的一个初步判断是：
大模型公司正在撞上一道新的能力边界。模型已经会推理、写代码和调用软件，但它仍然很难把这些能力稳定地传递给物理设备。
MHS 想补的就是这一层。
Anthropic 没有想也没有必要训练一双自己的手，但是它在教 Claude 怎样使用别人已经造好的手。
01.
模型已经会调用软件，
下一步自然是调用机器
过去两年，大模型最明显的变化，是从“回答问题”走向“执行任务”。
Claude Code 可以读代码库、修改文件、运行测试和调用开发工具。OpenAI 的 Codex、Google 的编程 Agent 也在做类似的事。MCP 则把数据库、本地文件、GitHub、Slack 等外部系统整理成模型可以发现和调用的工具。
一旦 Agent 在软件环境里学会了这套循环——观察状态、选择工具、执行动作、检查结果、继续调整——物理设备就会成为下一类工具。
区别在于，软件调用失败，通常只是一个报错；硬件调用失败，可能撞坏机械臂、烧毁样本，甚至伤到人。
这也是 Anthropic 过去一年反复测试的问题。
2025 年 8 月，Anthropic 做了第一轮 Project Fetch。8 名没有丰富机器人经验的员工被随机分成两组，目标是给一台四足机器狗编程，让它识别并找回沙滩球。
有 Claude 的团队完成了 8 项任务中的 7 项，没有 Claude 的团队完成了 6 项。在双方都完成的任务上，Claude 团队平均用时大约减半。
真正拉开差距的环节，并不是机器狗怎样迈腿。
Claude 团队更快找到正确的设备连接方法，更顺利地接入摄像头和激光雷达，也较少被网上错误的硬件资料误导。Anthropic 在报告里特别指出，Claude 最明显的优势出现在“连接和理解硬件”上。
到 2026 年 6 月，Anthropic 使用 Opus 4.7 重做实验。研究人员只负责把电脑接到机器狗上、输入初始任务并批准关键操作。官方披露，在上一轮参与者完成的那组任务上，Claude 的速度约为最快人类团队的 20 倍。
但机器狗依然没有稳定把球捡回来。
这条边界非常清楚：Claude 擅长读设备资料、寻找接口、编写工具和调试程序；涉及精确操作和高频运动，能力仍然有限。
Anthropic 后续的 Claude Plays Robotics 又把这个结论验证了一遍。
在机械臂、Unitree Go2 四足机器人和 Unitree G1 人形机器人上，研究人员测试了直接控制、代码控制、强化学习训练和预训练策略监督等多种接口。模型直接操作机械臂时，完整任务成功率最高约为 5.5%；面对倒地的 G1，没有一个模型成功让它站起来。
延迟差距更明显。Go2 的低层控制约需 83Hz，当时通用模型在非推理模式下只有约 0.2～0.4Hz，相差约两个数量级。
大模型无法进入这样的实时控制环。
可一旦允许模型编写控制程序、调用预训练运动策略或监督 VLA，表现就会明显改善。同一个模型到底有多强，很大程度上取决于它通过什么接口连接机器人。
MHS 的出发点由此浮出水面。
Anthropic 看中的不是让 Claude 替代运动控制器。它要把 Claude 已经很强的工具使用和编程能力，接到机器人系统的上层。
02.
MHS 做的事情，
是把机器变成 Agent 可以理解的工具
再来看看MHS 到底做了什么。
在传统实验室或工厂里，显微镜、机械臂、传感器和检测设备通常来自不同厂商。每台设备都有自己的软件、数据格式和编程接口。有的使用现代 API，有的还停留在 Windows ActiveX/COM，有的通过任务文件工作，还有的只能操作厂商提供的图形界面。
让这些设备协同起来，长期依赖自动化工程师逐台开发适配程序。
MHS 在设备和 Agent 之间增加了一层标准化驱动。按照 Anthropic 目前公开的说明，MHS 主要提供四类能力：
设备状态：温度是多少、机械臂在哪里、相机是否在线、样本是否到位。
设备能力：可以测量什么、调整什么、执行哪些过程。
物理属性：机械臂的重量、工作范围、负载以及其他单靠代码未必能看出来的特性。
安全限制：激光功率上限、机械臂速度范围、哪些动作需要人工确认。
设备不会天然理解 MHS。开发者或厂商仍然要编写驱动，把这套标准操作映射到底层的 ROS、OPC UA、串口协议或厂商 API。MHS 解决的是上层一致性。
简单来说，一份普通 API 文档只告诉 Claude 哪个函数可以调用；MHS 还想告诉它这台机器适合做什么、当前能不能做、做的时候不能越过哪些边界。
设备接入后，Agent 可以通过 MCP、命令行或代码文件进行控制。需要探索时，Claude 逐步调整参数并观察结果；过程稳定后，它再把命令组合成确定性程序，让设备本地运行。
Anthropic 披露过一个激光校准案例。Claude 调整激光器，通过摄像头观察光束移动，再继续修改参数。等它摸清输入和结果的关系后，便把校准流程写成脚本，后续可以作为一条命令执行。
大模型负责慢速探索，程序负责稳定重复，实时控制器继续处理高频动作。
这套分工，才是 MHS 技术上最关键的地方。
03.
具身系统开始分层：
大模型负责慢思考，VLA 负责快动作
关注具身方向的朋友应该已经注意到，高层推理模型与低层动作模型分工，正在成为一条越来越清楚的系统路线。
Google DeepMind 在 Gemini Robotics 2 中把系统拆成了两部分。
Gemini Robotics ER 2 是高层大脑，负责理解人的指令、观察环境、规划几分钟的多步任务、判断是否完成，以及协调多台机器人。具体动作再交给 Gemini Robotics 2 VLA。后者把视觉、语言和本体状态转换成电机动作，底层安全控制器继续处理碰撞规避、力限制和动态稳定。
NVIDIA GR00T 押的是另一侧。GR00T VLA 接收相机视频、自然语言和机器人关节状态，输出连续的 action chunk；Jetson、Isaac 和控制运行时负责让这些动作在本地稳定执行。
AWS 的 Strands Robots 则把两边接到一起：Claude 等通用 Agent 处理高层任务，GR00T、π0、SmolVLA、传统运动规划器负责产生动作，ROS 2 和边缘设备承担实时执行。
MHS 落在这套分层的上半部分。
它不训练机器人怎样抓杯子，也不输出一串关节轨迹。它帮助 Agent 理解有哪些设备和技能可用，选择下一步调用谁，并在设备之间组织工作流。
可以把这套架构粗略画成四层：
用户目标 → Claude 等高层 Agent → MHS 描述的设备与技能 → VLA/运动规划器/确定性程序 → 实时控制器与本体。
行业过去两年把大量注意力放在 VLA 上，这是合理的。没有动作数据、跨本体迁移和高频控制，机器人连基本任务都做不稳。
但当任务从“把苹果放进篮子”变成“检查一组样本，发现异常后选择合适设备处理，再根据结果修改下一轮实验”，单个 VLA 就不够了。任务规划、工具选择、成功判断、异常恢复和多设备协同会重新成为系统问题。
我们的判断是，大模型与 VLA 大概率会长期共存。
VLA 决定一台机器人能否把动作做出来；高层 Agent 决定它在长任务里为何做、何时做、失败之后还可以找谁一起做。
04.
Claude 的第一批“身体”，
为什么集中在实验室？
MHS 的合作名单里有人形机器人，也有 Doosan Robotics、Universal Robots 和 Hugging Face LeRobot。但 Anthropic 公布得最详细的案例，几乎都在科研实验室。
这不是巧合。
实验室里的液体处理器已经会移液，显微镜已经会调焦，机械臂已经会按轨迹移动。底层动作多数有成熟控制程序。真正昂贵的部分，是把不同设备接到一起，并根据实验结果动态修改流程。
华盛顿大学的研究人员在官方案例里算过一笔账：设计一个新蛋白的成本可以低至 0.01 美元，把它拿到实验台上验证却可能需要约 100 美元和一周时间。一次要测试 1000 个候选时，实验吞吐立刻成了卡点。
CMU 的案例更直观。
团队需要协调液体处理器、微孔板读取器、机械臂和摄像头。设备分布在 3 台电脑上，底层分别使用任务文件、旧式 Windows 接口和其他控制方式。研究人员称，他们用约 8 小时完成了 MHS 驱动和 Agent 编排层；传统供应商方案通常需要数周。接入后，串行稀释实验的整体速度约提高到原来的 3 倍。
这仍然是早期案例，数据来自 Anthropic 与合作团队，不能直接外推到所有实验室。但它解释了为什么 MHS 在这里成立。
实验室的决策频率低，单次判断价值高；环境相对结构化，设备又高度碎片化。Claude 不需要以 83Hz 控制电机，却可以花几十秒判断浓度范围是否合适、曲线是否饱和、下一轮应该调用哪台设备。
更有意思的是异常处理。
在 Genentech 的蛋白质实验中，Claude 一开始把移液产生的泡沫当成可以通过重试解决的软件错误。它在同一个孔位继续操作，反而制造出更多气泡。研究人员解释背后的物理原因后，团队再把处理经验写成可复用的液体操作 Skill。
这段失败比一个流畅 demo 更有信息量。
它说明 Claude 的物理直觉仍然有限，也展示了一条可能的数据回路：执行任务、遇到异常、由专家完成诊断、把经验固化成规则或 Skill，下一次直接复用。
这首先是系统经验的积累，还不能等同于 VLA 的动作数据飞轮。但对需要长期运行的机器人系统来说，它同样重要。
05.
MHS 补上的一层，
是可被发现、组合和约束的硬件能力
写到这里，MHS 和 ROS 2、OPC UA、SiLA 的关系也该讲清楚了。
机器人和工业自动化领域从来不缺标准。ROS 2 已经有硬件抽象、状态接口、命令接口和控制器管理；OPC UA 覆盖工业设备的信息建模、通信、认证和审计；实验室也有 SiLA 2，用于设备发现、能力描述和跨仪器自动化。
因此，Anthropic 所说的“此前没有标准化集成方式”，更适合看作它对 AI Agent 场景的判断，不能理解成物理设备领域此前一片空白。
从目前公开信息看，MHS 更像站在这些系统之上的 Agent 语义层。它关心的不只是一个变量能否读写，还包括这台设备的能力、物理属性、自然语言说明和安全边界能否被模型理解。
这项设计如果成立，会带来三个具体变化。
机器人 SDK 需要向“Agent 可读”演进。除了位置、速度和关节接口，本体还要说明工作空间、负载、末端执行器、可调用技能与禁止条件。
高层技能可能更容易跨设备复用。任务可以先描述“把样本以指定相对离心力处理 5 分钟”，再由系统寻找兼容设备并完成参数换算，而不用在流程里绑定某一台离心机。
多设备异常恢复有机会被程序化。摄像头发现气泡，Agent 判断需要离心，系统寻找可用离心机，机械臂负责搬运，设备执行经过限制的确定性程序。
这才是 MHS 目前最有价值的想象空间：它把单机机器人任务，抬到了跨设备工作流。
06.
对具身公司的现实提醒：
本体要开始为 Agent 提供接口
国内具身行业现在谈得最多的是本体、数据和 VLA。MHS 提醒了另一件容易被低估的事：机器人进入工厂、实验室和复杂工作站后，交付难度不会只由模型成功率决定。
设备怎么接入，技能怎么公开，权限怎么划分，异常怎么恢复，运行记录怎么审计，都会变成产品能力。
对本体公司来说，只提供关节 SDK 大概率不够。面向 Agent 的接口至少还需要三部分：
机器可读的本体描述，包括自由度、工作空间、负载、传感器和安全边界。
稳定的高层技能接口，例如抓取、搬运、扫描、校准、复位和故障恢复。
可审计的执行链，记录每一步由谁提出、谁批准、调用了什么设备，以及是否触发安全限制。
这部分是我们自己的行业判断，过几个月回来翻，可能会被新的端到端模型打脸。但至少在今天，真正部署过机器人系统的人都知道：动作模型只是入场券，系统工程决定它能不能连续工作一整天。
当然，现在还不能把 MHS 当成已经确立的行业标准。
完整规范尚未公开，外部开发者需要申请研究预览资格；它与 ROS 2、OPC UA、SiLA 的兼容边界还缺少独立验证；设备标签中的安全限制，也不能替代硬件急停、PLC、安全控制器、碰撞检测和功能安全认证。
MHS 降低的主要是硬件接入和高层编排成本。动作数据、灵巧操作、实时控制和物理泛化，仍然要由具身行业自己解决。
结尾
所以，大语言模型确实开始长出手了。
但 Claude 现在长出的，还不是一双能稳定穿针、叠衣服、端水杯的灵巧手。
它更像一个第一次走进实验室的系统工程师：会读设备手册，会接传感器，会写控制程序，会观察结果，也会把成功的过程保存下来。真正的动作继续交给 VLA、运动规划器和实时控制器。
MHS 的价值，是让这些原本互不相识的模型、程序和设备，开始在同一套系统里工作。
Claude 没有先训练一双自己的手。它先学会了调用整个实验室。
而对具身公司来说，接下来一个很具体的问题是：当高层 Agent 真正来到工厂和实验室，你的机器人准备好让它理解、调用，并且在必要时拒绝它了吗？
