Anthropic推出MHS标准，旨在定义AI控制物理设备的方式，但面临安全与生态挑战。AI获得执行权后，需明确权限边界，防止过度信任。对中国厂商，MHS是潜在机会，应准备设备描述与安全语义，而非急于宣传AI自主控制。未来工程师需懂工程与AI，成为系统边界设计者。

卡内基梅隆大学利用MHS在8小时内完成设备接入与流程编排，替代了厂商数周的工作。系统能自动调整实验参数，并成功拦截六种故障。Genentech的AI自我校准成功，但泡沫问题暴露了物理理解的不足。其他案例展示了跨设备协作和成本考量。MHS在硬件层强制安全，不依赖模型，确保设备异常时自停。

Anthropic发布MHS（模型硬件标准）预览版，旨在让AI理解并协调物理设备，而非直接控制。其核心是标准化驱动，通过read/write原语统一设备接口，并分层执行：AI负责高层推理，确定性代码执行实时控制。案例显示，QuEra用Claude通过MHS自动恢复激光故障，成功率99.3%，显著优于人类专家。MHS本质是降低设备接入门槛，让机器自我描述，并确保AI不介入实时控制环。

Anthropic发布MHS标准，使AI能操控物理设备，将实验室集成时间从数周压缩至数小时。测试显示成功率提升，但存在安全隐忧：AI缺乏物理常识，可能误判故障，且权限管控有缺陷。网友反应两极，既期待突破又担忧失控风险。

Anthropic发布MHS标准，使AI能操控物理设备，将实验室集成时间从数周缩短至八小时。测试显示成功率提升，但存在安全风险，如AI无法识别物理故障、权限问题及开源滥用隐患。网友反应两极，期待突破同时担忧失控后果。

Anthropic发布MHS硬件标准，统一设备接口，使Claude能控制机械臂、显微镜等物理设备，实现分布式具身。MHS源于实验室合作，解决设备互不兼容问题，让AI读取状态、调用操作。目前处于研究预览阶段，未来将开源，扩展AI在物理世界的应用。