[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-880":3,"consumer-news-interaction-880":41,"consumer-news-related-880":44},{"detail":4,"item":36},{"card":5,"schemaVersion":23,"fields":24,"content":30},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":15,"href":16,"sourceName":12,"meta":17,"metrics":20,"tags":21,"resolved":22},"NEWS_ARTICLE:880","news","NEWS_ARTICLE",880,"资讯","MHS 三部曲（中）：8 小时集成、六种被拦截的故障，和一次教科书级的翻车","博客园","四个案例合起来说明三件事：接入与编排成本可以数量级下降（CMU\u002FJanelia），闭环试错和跨设备补救是真的（CMU\u002FTetsuwan），但物理直觉仍是硬伤（Genentech），安全必须长在模型之外。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg","","\u002Fnews\u002F880",[18,19],"2026","人工智能",{},[19],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":25,"categoryName":19,"summary":13,"description":13,"publishTime":26,"updateTime":27,"sourceUrl":28,"language":29},"张善友","2026-09-01T06:58","2026-09-02T20:37:52","https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045","中文",{"format":31,"policy":32,"normalized":22,"html":33,"text":34,"wordCount":35,"hasBody":22},"HTML","NEWS_CONTENT_V1","\u003Cp>\u003Cstrong>导读\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22762250\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">上篇讲了 MHS 的概念与设计\u003C\u002Fa>。这一篇全部交给实战：卡内基梅隆大学的 8 小时到底替代了什么、六种人为注入的故障如何被拦在设备动作之前、Genentech 的 AI 如何自我校准又如何在泡沫面前翻车、以及一个会自己找离心机解决问题的系统。\u003C\u002Fp>\n\u003Cp>案例的价值不在宣传数字，而在它们同时画出了能力的上限和下限。\u003Cbr>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg?w=720&quality=65&strip=all\" alt=\"1\">\u003C\u002Fp>\n\u003Ch2>一、CMU：8 小时替代数周，替代的到底是什么\u003C\u002Fh2>\n\u003Cp>卡内基梅隆大学的设备环境堪称地狱难度：机械臂由调度软件控制、靠往目录里扔作业文件驱动；液体处理器只有老式 Windows 脚本接口；酶标仪根本没有编程接口、只有屏幕——MHS 直接像人一样点界面。从零写驱动加编排层用了约 \u003Cstrong>8 小时\u003C\u002Fstrong>，而厂商交付同类方案通常要数周\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[1]\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn2\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[2]\u003C\u002Fa>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>注意：8 小时替代的是设备接入与流程编排时间，不是把数周的科学实验压缩成 8 小时。\u003C\u002Fstrong> 这是最容易被误读的数字。\u003C\u002Fp>\n\u003Cp>接通之后才是重点。Agent 运行连续稀释剂量响应实验，第一轮最高浓度设 200 μg\u002FmL，高浓度区饱和、拟合 R² 仅 0.884，\u003Cstrong>系统自己判定不合格\u003C\u002Fstrong>——把最高浓度降到 100 μg\u002FmL、换新孔板重跑，第二轮 R² 提升到 0.981，全程无人介入\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[1:1]\u003C\u002Fa>。\u003C\u002Fp>\n\u003Cp>这证明的是：在给定目标、接口和评价指标下，Agent 能完成「观察—判断—调整—重跑」的闭环。它没有证明系统能理解任意实验。\u003C\u002Fp>\n\u003Cp>更硬核的是安全测试：团队人为注入六种故障——板子缺失、板子放反、读板器忙、相机断连、设备不可达、\u003Cstrong>急停生效\u003C\u002Fstrong>——六种情况下，系统全部在设备动作之前拦截\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[3]\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn4\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[4]\u003C\u002Fa>。\u003C\u002Fp>\n\u003Ch2>二、Genentech：自优化很漂亮，翻车也很诚实\u003C\u002Fh2>\n\u003Cp>基因泰克的 BCA 蛋白定量实验里，Claude 的表现其实很亮眼：它自主编排液体处理仪、机械臂和酶标仪，还通过对照专家操作自我校准，把移液速度优化到水约 \u003Cstrong>140 μL\u002Fs\u003C\u002Fstrong>、黏稠蛋白液约 \u003Cstrong>10 μL\u002Fs\u003C\u002Fstrong>\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[3:1]\u003C\u002Fa>。\u003C\u002Fp>\n\u003Cp>但翻车了：蛋白溶液摇晃产生泡沫，Claude 把它当作普通运行错误，在原孔位换参数重试，泡沫越搅越多。研究人员必须明确告诉它：这是\u003Cstrong>物理故障\u003C\u002Fstrong>，要换干净孔位、减少混合\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[1:2]\u003C\u002Fa>。之后团队把这条经验写成可复用的 skill，同类错误率明显下降\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn2\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[2:1]\u003C\u002Fa>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>模型能读懂错误码，不等于理解错误背后的物理过程。\u003C\u002Fstrong> 代码世界里合理的「重试」，到了液体世界可能让情况更糟。放到工厂里同理：相机看到工件位置不对，Agent 不断让机械臂重抓，却可能没发现是夹具松了——多试几次不是排障，反而可能把小问题变成碰撞。\u003C\u002Fp>\n\u003Ch2>三、更多一线信号\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>华盛顿大学\u003C\u002Fstrong>：一位博士生一周内接入六台仪器（含自己写驱动），做了远程仪表盘、能盯着 qPCR 扩增曲线在平台期前自动叫停的监督流程，以及机械臂与液体处理仪之间的无碰撞交接。他也说了句实在话：让 Agent 长时间盯仪器，算力成本要跟省下的人力算一笔账\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[3:2]\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn2\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[2:2]\u003C\u002Fa>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>HHMI Janelia\u003C\u002Fstrong>：需要按序启动 7 个厂商软件的双光子显微镜平台整合为一键操作，后来新增一台相机只花几分钟\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[1:3]\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[3:3]\u003C\u002Fa>。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Tetsuwan Scientific\u003C\u002Fstrong>：在 9,143 次分液、1,508 个测量条件上跑通自动化移液优化，留出数据上的精度预测比厂商标称还准约 12%\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[3:4]\u003C\u002Fa>。还有一个更能说明「能力发现」的细节：qPCR 试验中相机发现移液产生了气泡，机械臂本身解决不了，\u003Cstrong>系统在已连接的设备中自己找到了离心机\u003C\u002Fstrong>，提出把试管送进去低速转一下，再通过 MHS 下达指令\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn5\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[5]\u003C\u002Fa>\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn6\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[6]\u003C\u002Fa>——相机负责发现问题，机械臂负责搬运，离心机负责处理，没有人为它们两两写连接程序。\u003C\u002Fp>\n\u003Ch2>四、安全原则：约束必须长在模型之外\u003C\u002Fh2>\n\u003Cp>这些案例背后是同一条安全原则。MHS 在硬件接口层强制设备自声明的边界、联锁和急停，与模型完全独立\u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fn7\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">[7]\u003C\u002Fa>——Janelia 的激光功率上限在设备层强制，而不是依赖 Claude「记住不要开太大」。\u003C\u002Fp>\n\u003Cp>为什么必须这样？因为操作员换成了 Agent，而 Agent 不可信。把限幅、联锁写在上位机界面逻辑里的时代过去了，\u003Cstrong>唯一可信的地方只剩驱动层\u003C\u002Fstrong>。提示词可以告诉模型\"速度不要超过多少\"，但不能代替控制器的硬限制；设备还要在模型失联、读数异常、权限被盗或指令冲突时，自己停在安全状态。\u003C\u002Fp>\n\u003Ch2>五、它不是 VLA——恰恰因为不是，才值得重视\u003C\u002Fh2>\n\u003Cp>具身智能行业最熟悉的词是 VLA：把视觉和语言指令映射成机器人动作。VLA 解决「这台机器人此刻该怎么动」；MHS 处理的是另一层：「整个现场有哪些设备、各自能干什么、现在什么状态、哪些动作绝对不能做」。\u003C\u002Fp>\n\u003Ctable>\n \u003Cthead>\n  \u003Ctr>\n   \u003Cth>层级\u003C\u002Fth>\n   \u003Cth>解决什么\u003C\u002Fth>\n   \u003Cth>典型输出\u003C\u002Fth>\n  \u003C\u002Ftr>\n \u003C\u002Fthead>\n \u003Ctbody>\n  \u003Ctr>\n   \u003Ctd>\u003Cstrong>MHS（接口编排层）\u003C\u002Fstrong>\u003C\u002Ftd>\n   \u003Ctd>发现、理解、读取并编排异构设备\u003C\u002Ftd>\n   \u003Ctd>设备清单、状态、流程、约束\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>\u003Cstrong>VLA \u002F Policy（技能层）\u003C\u002Fstrong>\u003C\u002Ftd>\n   \u003Ctd>把视觉与指令转成动作策略\u003C\u002Ftd>\n   \u003Ctd>轨迹、动作序列、高层技能\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n   \u003Ctd>\u003Cstrong>PLC \u002F 控制器（执行层）\u003C\u002Fstrong>\u003C\u002Ftd>\n   \u003Ctd>以确定时序执行运动与安全联锁\u003C\u002Ftd>\n   \u003Ctd>伺服指令、IO、毫秒级急停\u003C\u002Ftd>\n  \u003C\u002Ftr>\n \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>两条路线不冲突。更准确的说法不是「Claude 终于拥有了身体」，而是：它第一次有了一套标准方法去\u003Cstrong>调用\u003C\u002Fstrong>身体——而且这个身体不一定是人形机器人，也可以是一间实验室、一套量子设备、一整条制造单元。\u003C\u002Fp>\n\u003Ch2>本篇小结\u003C\u002Fh2>\n\u003Cp>四个案例合起来说明三件事：接入与编排成本可以数量级下降（CMU\u002FJanelia），闭环试错和跨设备补救是真的（CMU\u002FTetsuwan），但物理直觉仍是硬伤（Genentech），安全必须长在模型之外。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>下篇预告\u003C\u002Fstrong>：技术边界看清了，产业和人的问题才刚开始——谁允许 AI 行动？出了事谁负责？国内厂商用不了 Claude 怎么办？欧盟新规又卡在哪里？下篇聊权力、合规与落地清单。\u003C\u002Fp>\n\u003Chr>\n\u003Cp>\u003Cstrong>参考资料：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Chr>\n\n \u003Col>\n  \u003Cli>\u003Cp>\u003Ca href=\"https:\u002F\u002Falphasignal.ai\u002Fnews\u002Fanthropic-s-model-hardware-standard-lets-claude-control-lab-robots-overnight\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Anthropic's Model Hardware Standard Lets Claude Control Lab Robots Overnight — AlphaSignal\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref1:1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref1:2\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref1:3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fli>\n  \u003Cli>\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002Fcjf2EHRHE8UHyJALzaLKBQ\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">MHS：Anthropic 给硬件定了个\"MCP\"，写上位机的人该怎么读 — 实验室仪器上位机\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref2\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref2:1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref2:2\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fli>\n  \u003Cli>\u003Cp>\u003Ca href=\"https:\u002F\u002Fkingy.ai\u002Fblog\u002Fanthropic-model-hardware-standard-mhs\u002F\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Anthropic Model Hardware Standard (MHS) Explained — Kingy AI\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref3:1\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref3:2\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref3:3\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref3:4\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fli>\n  \u003Cli>\u003Cp>\u003Ca href=\"https:\u002F\u002Fmlq.ai\u002Fnews\u002Fanthropic-previews-model-hardware-standard-for-ai-controlled-lab-and-factory-equipment\u002F\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Anthropic previews Model Hardware Standard for AI-controlled lab and factory equipment — MLQ.ai\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref4\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fli>\n  \u003Cli>\u003Cp>\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fmodel-hardware-standard-research-preview\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Previewing the Model Hardware Standard — Anthropic\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref5\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fli>\n  \u003Cli>\u003Cp>\u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FytT7Gyv647Ok_yFufgSolQ\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">从 MCP 到 MHS，AI 从调用软件走到了操作机器 — Daily Buffer\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref6\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fli>\n  \u003Cli>\u003Cp>\u003Ca href=\"https:\u002F\u002Fwww.quera.com\u002Fblog-posts\u002Fholding-the-light-teaching-an-ai-to-lock-and-tune-our-quantum-computers-lasers\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Holding the Light: Teaching an AI to Lock and Tune our Quantum Computer's Lasers — QuEra\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.cnblogs.com\u002Fshanyou\u002Fp\u002F22763045#fnref7\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">↩︎\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fli>\n \u003C\u002Fol>","导读 上篇讲了 MHS 的概念与设计。这一篇全部交给实战：卡内基梅隆大学的 8 小时到底替代了什么、六种人为注入的故障如何被拦在设备动作之前、Genentech 的 AI 如何自我校准又如何在泡沫面前翻车、以及一个会自己找离心机解决问题的系统。 案例的价值不在宣传数字，而在它们同时画出了能力的上限和下限。 一、CMU：8 小时替代数周，替代的到底是什么 卡内基梅隆大学的设备环境堪称地狱难度：机械臂由调度软件控制、靠往目录里扔作业文件驱动；液体处理器只有老式 Windows 脚本接口；酶标仪根本没有编程接口、只有屏幕——MHS 直接像人一样点界面。从零写驱动加编排层用了约 8 小时，而厂商交付同类方案通常要数周[1][2]。 注意：8 小时替代的是设备接入与流程编排时间，不是把数周的科学实验压缩成 8 小时。 这是最容易被误读的数字。 接通之后才是重点。Agent 运行连续稀释剂量响应实验，第一轮最高浓度设 200 μg\u002FmL，高浓度区饱和、拟合 R² 仅 0.884，系统自己判定不合格——把最高浓度降到 100 μg\u002FmL、换新孔板重跑，第二轮 R² 提升到 0.981，全程无人介入[1:1]。 这证明的是：在给定目标、接口和评价指标下，Agent 能完成「观察—判断—调整—重跑」的闭环。它没有证明系统能理解任意实验。 更硬核的是安全测试：团队人为注入六种故障——板子缺失、板子放反、读板器忙、相机断连、设备不可达、急停生效——六种情况下，系统全部在设备动作之前拦截[3][4]。 二、Genentech：自优化很漂亮，翻车也很诚实 基因泰克的 BCA 蛋白定量实验里，Claude 的表现其实很亮眼：它自主编排液体处理仪、机械臂和酶标仪，还通过对照专家操作自我校准，把移液速度优化到水约 140 μL\u002Fs、黏稠蛋白液约 10 μL\u002Fs[3:1]。 但翻车了：蛋白溶液摇晃产生泡沫，Claude 把它当作普通运行错误，在原孔位换参数重试，泡沫越搅越多。研究人员必须明确告诉它：这是物理故障，要换干净孔位、减少混合[1:2]。之后团队把这条经验写成可复用的 skill，同类错误率明显下降[2:1]。 模型能读懂错误码，不等于理解错误背后的物理过程。 代码世界里合理的「重试」，到了液体世界可能让情况更糟。放到工厂里同理：相机看到工件位置不对，Agent 不断让机械臂重抓，却可能没发现是夹具松了——多试几次不是排障，反而可能把小问题变成碰撞。 三、更多一线信号 华盛顿大学：一位博士生一周内接入六台仪器（含自己写驱动），做了远程仪表盘、能盯着 qPCR 扩增曲线在平台期前自动叫停的监督流程，以及机械臂与液体处理仪之间的无碰撞交接。他也说了句实在话：让 Agent 长时间盯仪器，算力成本要跟省下的人力算一笔账[3:2][2:2]。 HHMI Janelia：需要按序启动 7 个厂商软件的双光子显微镜平台整合为一键操作，后来新增一台相机只花几分钟[1:3][3:3]。 Tetsuwan Scientific：在 9,143 次分液、1,508 个测量条件上跑通自动化移液优化，留出数据上的精度预测比厂商标称还准约 12%[3:4]。还有一个更能说明「能力发现」的细节：qPCR 试验中相机发现移液产生了气泡，机械臂本身解决不了，系统在已连接的设备中自己找到了离心机，提出把试管送进去低速转一下，再通过 MHS 下达指令[5][6]——相机负责发现问题，机械臂负责搬运，离心机负责处理，没有人为它们两两写连接程序。 四、安全原则：约束必须长在模型之外 这些案例背后是同一条安全原则。MHS 在硬件接口层强制设备自声明的边界、联锁和急停，与模型完全独立[7]——Janelia 的激光功率上限在设备层强制，而不是依赖 Claude「记住不要开太大」。 为什么必须这样？因为操作员换成了 Agent，而 Agent 不可信。把限幅、联锁写在上位机界面逻辑里的时代过去了，唯一可信的地方只剩驱动层。提示词可以告诉模型\"速度不要超过多少\"，但不能代替控制器的硬限制；设备还要在模型失联、读数异常、权限被盗或指令冲突时，自己停在安全状态。 五、它不是 VLA——恰恰因为不是，才值得重视 具身智能行业最熟悉的词是 VLA：把视觉和语言指令映射成机器人动作。VLA 解决「这台机器人此刻该怎么动」；MHS 处理的是另一层：「整个现场有哪些设备、各自能干什么、现在什么状态、哪些动作绝对不能做」。 层级 解决什么 典型输出 MHS（接口编排层） 发现、理解、读取并编排异构设备 设备清单、状态、流程、约束 VLA \u002F Policy（技能层） 把视觉与指令转成动作策略 轨迹、动作序列、高层技能 PLC \u002F 控制器（执行层） 以确定时序执行运动与安全联锁 伺服指令、IO、毫秒级急停 两条路线不冲突。更准确的说法不是「Claude 终于拥有了身体」，而是：它第一次有了一套标准方法去调用身体——而且这个身体不一定是人形机器人，也可以是一间实验室、一套量子设备、一整条制造单元。 本篇小结 四个案例合起来说明三件事：接入与编排成本可以数量级下降（CMU\u002FJanelia），闭环试错和跨设备补救是真的（CMU\u002FTetsuwan），但物理直觉仍是硬伤（Genentech），安全必须长在模型之外。 下篇预告：技术边界看清了，产业和人的问题才刚开始——谁允许 AI 行动？出了事谁负责？国内厂商用不了 Claude 怎么办？欧盟新规又卡在哪里？下篇聊权力、合规与落地清单。 参考资料： Anthropic's Model Hardware Standard Lets Claude Control Lab Robots Overnight — AlphaSignal ↩︎ ↩︎ ↩︎ ↩︎ MHS：Anthropic 给硬件定了个\"MCP\"，写上位机的人该怎么读 — 实验室仪器上位机 ↩︎ ↩︎ ↩︎ Anthropic Model Hardware Standard (MHS) Explained — Kingy AI ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ Anthropic previews Model Hardware Standard for AI-controlled lab and factory equipment — MLQ.ai ↩︎ Previewing the Model Hardware Standard — Anthropic ↩︎ 从 MCP 到 MHS，AI 从调用软件走到了操作机器 — Daily Buffer ↩︎ Holding the Light: Teaching an AI to Lock and Tune our Quantum Computer's Lasers — QuEra ↩︎",2620,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":16,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":40},"2026 · 人工智能","#2563eb","16 \u002F 10",[19],{"targetType":8,"targetId":9,"likedByMe":42,"likeCount":43,"commentCount":43,"contentLikeCount":43,"contentCommentCount":43,"sourceLikeCount":43,"sourceCommentCount":43},false,0,[45,51,58,65,71,77,84,91],{"id":46,"kind":7,"title":47,"summary":48,"image":14,"href":49,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":50},"NEWS_ARTICLE:827","MHS 三部曲（下）：谁允许 AI 行动？——权力、合规与中国厂商的答卷","我们总在等待一个像 ChatGPT 那样的机器人时刻。但具身智能真正的拐点，也许先发生在更不起眼的地方：一台陌生设备，第一次能把自己的能力、状态和边界完整告诉 AI；一个 Agent，第一次能把试出来的经验固化成可验证、可复用的机器技能。","\u002Fnews\u002F827",[19],{"id":52,"kind":7,"title":53,"summary":54,"image":55,"href":56,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":57},"NEWS_ARTICLE:835","体验向量数据库 qdrant","作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！ cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 背景 为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。 一开始，我是打算以 weav","https:\u002F\u002Fimg2022.cnblogs.com\u002Fblog\u002F1457949\u002F202202\u002F1457949-20220216153819145-1193738712.png","\u002Fnews\u002F835",[19],{"id":59,"kind":7,"title":60,"summary":61,"image":62,"href":63,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":64},"NEWS_ARTICLE:853","为什么团队用了 AI 之后，测试质量反而下降了！","一、AI 提效之后，往往先崩的是质量 前两天刷到一篇同行的复盘。 「AI 提效半年后，我们的测试团队规模反而更大了」 用AI 提效半年，人数不降，反而变更多了？ 这位老哥是认真做过团队实践的，观察写得很扎实。提测质量肉眼可见地下滑，需求做漏了，单位时间里测试捞出来的 bug 反而变多，最后测试团队加","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260831223910845.png","\u002Fnews\u002F853",[19],{"id":66,"kind":7,"title":67,"summary":68,"image":15,"href":69,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":70},"NEWS_ARTICLE:856","AI生产力：从效率到工作流重构","当初学专业的笔记还在吗？相信大部分人都没保留，而能力在不断积累和更新，关注和思考的角度在变化，在AI蒸馏我们的同时。也可以用AI的能力，去蒸馏一下魔幻的职场。","\u002Fnews\u002F856",[19],{"id":72,"kind":7,"title":73,"summary":74,"image":15,"href":75,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":76},"NEWS_ARTICLE:861","个体看衰AI，企业加速转型","信息化数字化智能化，十年前的说法在逐步兑现。最后回到一个灵魂拷问：当业务运营更加高效。组织间的协作更加流畅，企业究竟想去拓宽市场，还是手起刀落降低成本？","\u002Fnews\u002F861",[19],{"id":78,"kind":7,"title":79,"summary":80,"image":81,"href":82,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":83},"NEWS_ARTICLE:864","阿里开源：skill-up，一款Agent Skill 评测工具！","2026 年走到现在，Agent Skill 已经成了 AI 领域的标配。 把个人经验沉淀成 SKILL.md，把团队最佳实践封装成可复用的技能包，这些都已经是很常规的操作了。最近在社区上看到有篇文章问了一个特别扎心的问题。 「一个 Skill 的『好坏』，到底由谁定义？评判它的标准又是什么？」 这","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260831105634380.png","\u002Fnews\u002F864",[19],{"id":85,"kind":7,"title":86,"summary":87,"image":88,"href":89,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":90},"NEWS_ARTICLE:868","DeepSeekHarness-MCP-Manager 一款DSH超好用的MCP管理跟Skills管理插件","链接：https:\u002F\u002Fgithub.com\u002Fxxxyz\u002FDeepSeekHarness-MCP-Manager 设置 → MCP 管理 管理项目级与全局 cordis.patch.yml 中的 @deepseek-ai\u002Fdsh-mcp-client ","https:\u002F\u002Fcamo.githubusercontent.com\u002F5d48b15e4e45c30746d4410bd5dd51552b20ed0294e6703d220931a8377c3ff8\u002F68747470733a2f2f696d672e736869656c64732e696f2f6e706d2f762f40787878797a2f6473682d6d63702d6d616e616765723f6c6f676f3d6e706d26636f6c6f723d636233383337","\u002Fnews\u002F868",[19],{"id":92,"kind":7,"title":93,"summary":94,"image":95,"href":96,"meta":37,"badge":10,"author":12,"stats":-1,"accent":38,"coverRatio":39,"tags":97},"NEWS_ARTICLE:871","\"AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning\" 论文笔记","清华、浙大与美团 LongCat 团队合作的 AgentOPSD，目前挂在 Arxiv 26.08 上，做的是长程多轮 Agentic RL 里的回合级信用分配。可验证奖励的 RL 只在整条轨迹结束时给一个稀疏的 0\u002F1 信号，GRPO 这类方法把轨迹级优势均匀广播到每个 token，无法把成败真正","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202609\u002F3614753-20260901141154042-339903878.png","\u002Fnews\u002F871",[19]]