Anthropic 在 2026 年 8 月 27 日发布 Model Hardware Standard（MHS）研究预览，用一套共享规范让 Claude 这类 AI Agent 直接操作显微镜、液体处理仪、机械臂等可编程物理设备，而不需要自己造一台机器人；本质上，MHS 想成为物理世界的 MCP。
Anthropic 发布 MHS：让 Claude 直接操作显微镜与机械臂的硬件接口标准
MHS（Model Hardware Standard）是一套面向 AI Agent 的硬件接口共享规范，目标是让任何带可编程接口的设备，都能被 Agent 发现、读取状态并调用。与 MCP（Model Context Protocol）把不同软件、数据库统一成 Agent 可调用的接口类似，MHS 想把不同厂商、不同协议的硬件也翻译成同一套”说明书”，让 Claude 不需要为每台设备重新学习一遍驱动。
官方展示的典型场景包括：
- 显微镜自动追踪游动样本，Claude 自己写追踪程序并实时调焦；
- 液体处理仪、机械臂、读板仪协同完成蛋白测定；
- 量子计算机激光锁定与调谐，失败恢复成功率 99.3%。
本次发布的核心事实，全部来自 Anthropic 官方公告及其启动合作伙伴披露的数据：
| 维度 | 官方/合作方披露 | 来源 |
|---|---|---|
| 发布时间 | 2026-08-27 | Anthropic 官方新闻稿 |
| 项目起源 | Anthropic 与 HHMI Janelia Research Campus 合作，由 Alek Kemeny 与 Arco Bast 发起 | 官方 Acknowledgments |
| 第一个运行 MHS 的设备 | Bast 在 Spruston lab 的定制脑成像显微镜 | 官方案例 |
| 合作硬件/软件厂商 | AWS、Danaher、Doosan Robotics、QIAGEN、Tecan、Universal Robots、Hugging Face（LeRobot）、Raspberry Pi | 官方公告 |
| 科研机构 | HHMI Janelia、CMU、Genentech、QuEra、UW Baker/Pinglay labs、Tetsuwan Scientific | 官方案例 |
| 集成时间 | 从数周/数月缩短到数小时/数分钟 | 官方宣传 |
| 实验提速 | CMU 剂量反应实验速度提升约 3 倍 | 官方案例 |
| 激光锁定 | QuEra 量子激光锁定恢复成功率 99.3% | QuEra 博客 / 官方案例 |
| 当前阶段 | 研究预览（research preview），仅对合作机构开放，尚未开源 | 官方公告 |
官方数字的含金量：3 倍提速与 99.3% 成功率都有前提
官方给出的几个亮眼数字，需要谨慎理解：
- “数周→数小时”：这是定性描述，没有给出样本量、设备类型分布、失败回滚次数，也没说明是否包含安全评估和人工复核时间。
- “CMU 实验提速 3 倍“：是单一串行稀释剂量反应实验的结果，不能推广到所有实验类型。
- “QuEra 成功率 99.3%”：针对激光锁定恢复这一特定子任务，且官方同时指出 Claude 遇未知故障常因谨慎而暂停等人确认。
- “任何可编程接口设备”：限定条件很强。没有编程接口或厂商不提供驱动的传统设备，目前无法接入。
- 研究预览 ≠ 正式发布：现在只有合作机构能用，生态成熟度、安全基线、开源时间表均未公开。
因此，MHS 的”效率提升”在官方叙事里被高度抽象，落到具体实验室仍需看设备型号、实验协议和安全流程。
我重算的接入成本：首次集成可省 80–90% 人力
官方没有给成本数据，我用公开信息做一个粗略估算，仅作量级参考：
传统模式下，集成一个多厂商实验台通常需要 1 名工程师全职 2–6 周（取中位数 4 周，按 5 天/周、8 小时/天计算 = 160 小时）。若按美国生物/自动化集成工程师小时成本约 100–150 美元估算，一次集成的人力成本约为 1.6–2.4 万美元；若再加上设备商现场支持和调试，总成本常落在 2–5 万美元区间。
MHS 宣称把集成时间压缩到数小时到一天。按 1 名工程师 8–16 小时、同样时薪计算，人力成本降至 0.08–0.24 万美元，再考虑标准驱动复用和安全模板，边际成本会进一步下降。粗略看，首次集成可省约 80–90% 的人力时间，但前提是该设备已有 MHS driver，且实验协议已被充分抽象。
| 成本项 | 传统定制集成 | MHS 标准驱动 | 备注 |
|---|---|---|---|
| 集成人时 | ~160 小时 | ~8–16 小时 | 官方宣称；需有现成 driver |
| 人力成本（按 $125/时） | ~$20,000 | ~$1,000–2,000 | 仅为估算中位数 |
| 厂商现场支持 | 常见 | 可减少或标准化 | 依赖 driver 成熟度 |
| 复用到下一台设备 | 几乎重写 | 复用同一套协议 | 规模效应明显 |
| 安全评估 | 实验室自定 | Anthropic 与伙伴共建 | 尚未公开基线 |
这个估算最重要的假设是：设备的 MHS driver 已经存在。如果还要从头写 driver，省下的时间就会大打折扣。
MHS 对标 MCP/ROS/设备商私有软件：做协议而非做平台
MHS 不是第一个想让 AI 控制硬件的尝试，但它的思路更接近”做协议”而不是”做平台”：
| 方案 | 定位 | 与 MHS 的关系 |
|---|---|---|
| MCP（Model Context Protocol） | 软件/数据/工具的统一接口标准 | MHS 可视为 MCP 在物理世界的延伸；Anthropic 先统一数字世界，再统一物理世界 |
| ROS / ROS 2 | 机器人操作系统/中间件 | 面向机器人专用，历史悠久但偏工程化；MHS 更偏向 AI Agent 视角的设备发现与安全描述 |
| 传统实验室自动化（Tecan、QIAGEN、Automata LINQ） | 设备商自有编排软件 | 封闭、定制化；MHS 试图跨厂商打通，直接威胁其软件护城河 |
| NVIDIA Isaac / Omniverse | 机器人仿真与训练平台 | 偏训练与数字孪生；MHS 偏运行时控制和异构设备编排 |
| OpenAI 的 Operator / 其他 Agent | 数字世界 Agent | 暂无公开的硬件标准；MHS 让 Anthropic 在物理 AI 布局上抢先一步 |
相比 ROS，MHS 更轻量、更语言模型原生；相比设备商私有软件，MHS 更开放（虽然还没开源）。如果 MHS 能成为事实标准，Anthropic 将掌握从数字 Agent 到物理设备的协议层。
Anthropic 为什么来做标准层：技术、商业、安全三线驱动
技术逻辑：大语言模型的推理能力已经能写代码、调 API，下一步自然要接入能执行动作的终端。MCP 解决了”Agent 能调用什么软件”，MHS 解决”Agent 能调用什么硬件”。
商业逻辑：Anthropic 不造机器人、不卖显微镜，做标准对它来说成本最低、杠杆最高。一旦 MHS 被实验室和制造商采纳，Claude 就站在软硬件交互的”必经之路上”，与当年 MCP 的打法一致。
安全逻辑：物理动作比软件动作更难撤销。研究预览、合作伙伴共建安全评估、未来开源前发布 guidance，这些步骤都在降低”AI 直接控制硬件”的公共风险。
产业链冲击：实验室自动化软件商与集成商护城河最危
| 时间顺序 | 受影响方 | 预期影响 |
|---|---|---|
| 短期（6–12 个月） | 科研机构、头部生物/量子实验室 | 最早受益，可快速复用官方 demo driver；但需承担早期不稳定风险 |
| 中期（1–2 年） | 实验室自动化厂商、机器人厂商 | 被迫提供 MHS driver，否则被排除在 Agent 生态外；软件护城河被削弱 |
| 中期（1–2 年） | 云厂商、AI 芯片/推理服务商 | 物理 AI 工作负载增加，云端 Agent 调用设备的场景可能带来增量算力需求 |
| 长期（2–3 年以上） | 制药、材料、制造业 | 若安全评估通过，24 小时自主实验/制造流水线成为可能，实验周期大幅压缩 |
| 长期 | 传统设备集成商 | 标准化会吃掉大量”胶水代码”业务，除非转向 MHS 咨询与定制 driver 开发 |
五点待验证：开源时间表、安全基线、责任归属均未定
- 开源时间表：Anthropic 只说”完善后开源”，没有具体日期。
- 安全基线：官方正在做 physical safety roadmap，但评估方法和通过标准尚未公开。
- 大规模互操作：十几个合作伙伴的 PoC 不能代表所有设备都能稳定协同；不同厂商的状态字典、错误码、安全限制能否统一，仍是未知数。
- 法律责任：AI Agent 操作显微镜或机械臂导致样本损坏、设备损坏甚至人员受伤时，责任如何划分，目前没有任何判例或监管框架。
- 中国市场可及性：MHS 生态主要围绕欧美实验室和厂商，国内科研机构能否直接使用、是否需要本地化驱动，都还是空白。
MHS 是 Anthropic 把 Claude 从”会聊天的 AI”推向”能做事的 Agent”的关键一步：它不做硬件、只做协议层，打法与 MCP 高度一致。对科研和高价值制造场景，它把异构设备集成从”手搓代码”变成”即插即用”，长期能显著压缩实验周期；但当前仍是研究预览，官方披露的”效率提升”是定向案例，不能简单泛化，落地成熟度取决于 driver 生态与安全评估进展。产业链上，实验室自动化软件商和设备集成商的既有优势最可能被削弱，云厂商、机器人厂商、芯片厂商则有望获得新工作负载。若 MHS 在开源前能建立完善的安全评估与物理安全 guidance，它有望成为物理 AI 时代的事实协议之一；反之，一次安全事故就可能让研究预览大幅推迟。
原始来源：Anthropic, “Previewing the Model Hardware Standard,” 2026-08-27（https://www.anthropic.com/news/model-hardware-standard-research-preview）。二手来源：量子位、财联社、Inside AI 等 2026-08-28 报道。人力成本估算基于美国自动化/生物工程集成工程师公开薪酬区间中位数（125 USD/小时），属数量级参考，不代表具体报价；效率数字均来自官方案例，适用范围见上文。
以下为同源另一篇解读（Melly在硅谷），逐条拆解 MHS 的设计意图与落地细节，供对照阅读。
8 月 27 日，Anthropic 开放 Model Hardware Standard（MHS）research preview 第一阶段。这件事几乎没人看，但它是这两年里 Anthropic 做的最具结构性的一件事：它没有去造机器人，而是去定义了模型和机器之间那根线该怎么接。下面把 MHS 是什么、每一条设计到底干什么用的，逐条拆开。
一句话是什么
MHS 全称 Model Hardware Standard，8 月 27 日开放 research preview 第一阶段，首批只放给一小群科研实验室和先进制造企业。Anthropic 官方的定义是：一套让 AI 智能体安全操作物理设备的共享规范。
负责 beneficial deployments 的 Elizabeth Kelly 对 CNBC 用的类比是 USB-C——这个类比对了一半。USB-C 只解决「插得上」，MHS 要同时解决三件事：插得上、看得懂、不许乱动。
它的效果指标很直白：一间实验室或产线把设备接通、整合起来，过去要数周乃至数月，MHS 把这部分工作压到小时甚至分钟级别。
起点也值得记住。MHS 出自 Anthropic beneficial deployments 团队的 Alek Kemeny 与 HHMI Janelia 研究园区博士后 Arco Bast 的合作。Bast 当时在跑复杂的脑成像实验，装置上的激光器、电动调焦、专用相机来自不同厂商、彼此没有公共接口，他为此写了一个共享内存字典，让仪器以内存速度互相通信。Kemeny 和他一起，把 AI 模型接进了那个接口。MHS 是从一个博士后的私人痛点里长出来的标准。
通俗解读：过去两年 AI 只会说话。要它动手，就得先有一个所有机器都认的手柄。MHS 就是在定义这个手柄长什么样。
旧世界有多烂
要理解 MHS 解决什么，先得看清它之前那个世界。三个真实场景。
Janelia 的显微镜房间。Ahrens 实验室的 Virginie Ruetten 用斑马鱼做全身成像，装置占满一整间屋子：飞秒激光器、快速振镜、超灵敏光电倍增探测器、两个精密平移台，全部分开采购、手工接线。探测器跑 MATLAB，相机跑 Python，电生理跑 C#。一个程序里的量（比如平移台的位置）另一个程序根本不知道。开始一次实验，她要按固定顺序启动七个程序，顺序错了，整个 session 报废。
CMU 的三台电脑。卡内基梅隆的剂量-反应实验涉及液体处理器、酶标仪、机械臂和监控摄像头。一号机跑机械臂，控制方式是往一个提交目录里丢作业文件，不是正常 API；二号机跑液体处理器，只有老式 Windows ActiveX/COM 脚本接口，没有现代 SDK，外加 USB 摄像头；三号机跑酶标仪，完全没有任何编程接口，只有屏幕上的图形界面。
华盛顿大学的凌晨四点。Baker 与 Pinglay 实验室的博士生 Zihao Song 做从头蛋白设计。设计一个像 PETase 那样能降解塑料的酶，成本可以低到 0.01 美元；但在实验台上测一个候选要花约 100 美元和一周人工，而他一次要测 1000 个。最卡的是 PCR：一次只能跑一块板，每 90 分钟换一次板，所以他有时凌晨四点在实验室搬板子，而不是在睡觉。他之前尝试过自动化，花几周评估平台、追厂商支持、学写胶水代码，最后放弃了。
共同点不是没有自动化。是每接一台新设备就要重写一遍中间层，成本随设备数量线性增长。Song 的概括最准：把这些仪器连起来是一个耗时数月到数年、花费从数千到数百万美元的整合问题，大多数实验室根本够不着。
通俗解读：传统工厂产线可以把同一个流程跑一万次，所以整合费摊得开。但一个研究实验室一年跑几十种协议，一半是新的，还要中途改。自动化的经济账在科研场景里根本不成立。这才是 MHS 真正瞄准的缺口。
两个动词
MHS 的第一层是标准化驱动，也就是在操作系统和硬件设备之间做翻译的那层软件。它的原语简单到有点反直觉，只有 read 和 write 这类基本命令。read 例如读取温度，write 例如设定温度。任何硬件设备都能理解并执行这套原语。
第二件事是可发现：每台设备以标准格式对外描述自己，设备和智能体因此能在网络上互相找到、直接通信，中间不需要再专门写一个翻译器程序。类比一下：1990 年代买一台打印机，要装厂商附送的光盘驱动；后来操作系统有了统一驱动模型，插上就能打。MHS 想在实验室仪器和产线设备上走完的，是同一步。
CMU 的描述最具体：MHS 把三台风格完全不同的控制电脑，统一成一份 states 与 procedures 的清单。状态是系统可能处于的条件，比如板子在 3 号位、样品 25°C、孔已注满；操作是它能执行的动作，比如吸液、震荡。底下跑的是目录监听、COM 脚本还是图形界面，模型不需要知道。
通俗解读：把每台设备一种方言，压缩成所有设备两个动词。这一层不神奇，但没有它，后面全都无从谈起。
老师傅上机
这一条最容易被略读，但它才是 MHS 和普通设备通信标准的分界线。MHS 的驱动里带标签，让用户用自然语言把设备的物理特性直接写进去。官方举的例子是机械臂的重量——这个数字光看代码是看不出来的，但它决定了怎么搬这条臂才算安全。
这类信息过去存在三个地方：纸质手册里、某个人的电脑里、或者干脆只在干了十年的老员工脑子里。官方用词是 tacit knowledge，默会知识。写法有两种：你自己写，或者让智能体来采访你——它就你的硬件配置逐条提问，你回答，它填进标签。
填完之后，驱动自动生成一份参考文件，写清这台设备能测什么、什么可调、安全上限卡在哪。这份文件，就是智能体操作这台设备所需要知道的全部。
通俗解读：过去交接一台仪器，得连老师傅一起交接。MHS 干的事，是把老师傅嘴里那几句「这个别拧太狠」「那个要先预热」，变成机器能读的一页纸。这是把默会知识资产化。
三条控制线
设备接上了、智能体看懂了，还得能下指令。MHS 给了三种机制：MCP、命令行界面、代码文件。三者协同，让跨多台设备的编排可以用一行代码触发。
为什么要三条而不是一条？因为模型推理有速度上限，也有成本。当任务要跑很久，或者需要的动作比模型在线思考更快时，智能体可以把一台或多台设备的驱动命令串进代码文件，让设备自己执行完，不必每一步都回来问模型。
最能说明这套设计的是激光的例子。Anthropic 观察到，Claude 用一种近乎科学家的方式和硬件打交道：调一下激光，通过摄像头观察光斑被推到了哪里，评估这次调整的效果，再调一次，反复往返，直到把因果关系摸清楚。摸清之后，它把学到的东西打包成代码文件，写出一个确定性脚本。之后对准激光就是一条命令的事，不再需要任何推理。QuEra 那边是同一逻辑的终点：整个项目最后交付的，是一个可以脱离 AI 智能体、直接在生产环境跑的、完全可审查的确定性脚本。
通俗解读：模型先当学徒，靠反复试错把手感摸出来；摸出来之后写成 SOP，以后交给机器执行。昂贵的推理只需要花一次。这是 MHS 在成本结构上最聪明的一笔。
刹车在哪
官方定义里 safely 那个词，落到工程上是什么意思？安全上限写在参考文件里，由 MHS 在设备层强制执行。Ruetten 的说法很直接：因为 MHS 强制了设备级安全限制，她不用担心智能体误用过高激光功率，那会漂白荧光分子、把样品毁掉。
CMU 做了一次正面的故障注入测试。他们人为制造六种情况：板子缺失、板子转向、酶标仪忙、摄像头断连、设备不可达、急停激活。六种全部在任何设备开始动作之前被拦下。
反方向的例子也有。QuEra 那边，Claude 经常在自己判断稍有风险的动作前停下来等人确认，导致实验在半夜挂起、干等一整晚。Anthropic 对此的评价没有回避：过度谨慎的智能体，好过不够谨慎的。
还有一层。Anthropic 说正在制定物理安全路线图，扩充其 safeguards 政策与执行对物理世界滥用风险的覆盖，并要和首批伙伴一起建立安全评估。这部分做完之前，MHS 不开源。
通俗解读：关键区别在这里——限位不是写在提示词里指望模型自觉，是写在设备驱动层里，模型越不过去。软件世界里 AI 犯错最多是删库；物理世界里，是烧样品、撞机械臂、毁掉一台量子计算机跑了几小时的计算。
泡沫难题
Anthropic 这次罕见地把失败写进了发布稿，而且写得很细。Genentech 用 MHS 自动化 BCA 蛋白定量（测样品总蛋白浓度的标准流程），要协调液体处理器负责精确移液、机械臂负责搬耗材、酶标仪负责测吸光度，三台设备。
第一轮，Claude 把流程步骤跑完了，但给水和粘稠的 BSA 蛋白溶液选了同一个流速。粘稠液在高流速下起泡，液体转移量因此不准。气泡的连锁反应值得展开：协议要求吸取 40 μL 试剂，液体里有气泡，空气占了体积，实际转移量就偏低；液面传感器碰到泡沫而不是液体时，会直接报硬件错；泡沫还会扭曲最终作为实验读数的光学测量。
而 Claude 遇到混匀时的运行错误，第一反应是在同一个孔里换参数重试，结果把液体搅得更凶、泡更多。它不知道这是物理失败，不是软件 bug。人告诉它错误码来自真实气泡、需要换一个干净的孔并减少混匀次数之后，它在整轮实验的剩余时间里都保持住了这个认知；后来这条被固化成可复用的液体处理技能，让它面对不同物性的液体能自己选出合理的默认参数。
最终收敛结果：水约 140 μL/s，RMSE 0.016；BSA 约 10 μL/s，RMSE 0.181。Genentech 的自动化专家确认，这两个数对他们的装置是合理的。QuEra 的表述更直白：实验中物理硬件出问题时，Claude 不会排查，因为它对装置的理解是程序性的，不是物理性的。
另外两条硬边界，Anthropic 自己列了出来：没有编程接口的设备目前接不进来，正在和厂商合作内建驱动；智能体长时间连续运行的算力成本，要和省下的研究员时间对冲。
通俗解读：模型会算，不会摸。凡是要靠手感、靠物理直觉、靠「这液体看着不对」的地方，现在仍然需要人站在旁边。问题不在于模型不够大，而在于训练语料里没有手。
谁在名单上
先看战果，再看名单。战果里最硬的一组来自 QuEra，一家用中性原子做量子计算机的公司。它的钛宝石激光器必须把频率锁在万亿分之一的精度上，相当于测量地月距离而精确到一根头发丝的宽度。温度、震动、气压变化都能把激光推离目标频率，失锁就意味着量子操作开始失败，一次跑了几小时的计算可能报废。人在实验台前恢复一次要 5 到 10 分钟。
MHS 之前，QuEra 组了一个四人小队（激光系统工程师、软件工程师、算法专家、测试各一名），花了几个月写自动恢复脚本，逐步复刻人的动作：解除锁定保持、依次走一遍调谐控制、每调一次查一次频率、不对就从头再来、对了就重新锁上。成功率 58%，每次约 150 秒。
换成 MHS 加 Claude 之后，跑法变了：四个独立的 Claude 实例分工成一个循环——一个提出让恢复更快更稳的假设，一个把改动写进脚本，一个拿真机跑并记录每一步，一个读日志决定下一步改什么。这个循环无人值守跑了一整夜、重复几百轮。第二天早上：约 6 秒，96%。之后拿同一套随机扰动做盲测，700 次里成功 695 次，99.3%。最难的那类（频率跳得很远）花 10 到 14 秒；简单的 0.9 到 5.4 秒。提升来自哪里？Claude 把那条线性序列改写成了决策树。
| 项目 | MHS 之前 | MHS 之后 |
|---|---|---|
| QuEra 激光失锁恢复 | 150 秒 / 58%（四人数月） | 6 秒 / 99.3%（一夜收敛） |
| QuEra 伺服 12 项 PID | 残差 15.7 mV（专家手调） | 1.55 mV（363 次实验 / 16 小时） |
| QuEra 19 小时连续运行 | 每小时失锁约 1.6 次 | 零失锁 |
| CMU 剂量-反应曲线 | 厂商交付通常数周 | 裸设备到成曲线 8 小时 |
| 华盛顿大学 6 台仪器接入 | 数月到数年，数千至数百万美元 | 不到一周，含自写驱动 |
| Genentech BCA 流程 | 自动化专家逐参数写逻辑 | 模型自主寻优，专家事后确认 |
PID 那一项还有个细节。为了独立验证，QuEra 的专家在没看 Claude 结果的情况下，用自己的老办法重调了一遍，两套参数一起送进相位噪声分析仪。全频段基本持平，只有 220 kHz 附近，专家那一版留下的噪声大约是 Claude 版本的一千倍。这正是靠 RMS 经验值调参会踩的那类坑。CMU 那边的自主性同样值得记一笔：第一轮曲线 R² 低于 0.9，模型判断是上端浓度饱和所致，自行决定弃板、把最高浓度从 200 µg/mL 压到 100 µg/mL 重跑；第二轮 R² 高于 0.98，全程无人介入。
但真正的重点是名单。硬件厂商和支持它们的软件公司，已经在把 MHS 内建进设备：AWS 通过 Strands Robots 库支持；Automata 把 MHS 加进 LINQ 实验室自动化平台；Danaher 在与 Anthropic 探索智能仪器与自主实验室；Doosan Robotics 拿机械臂做测试；MBF Bioscience 为 ScanImage 写驱动（那套软件驱动着全球数百个神经科学实验室的激光扫描显微镜）；QIAGEN 在 QIAsymphony Connect 核酸纯化平台上做了概念验证；Tecan 为 Fluent 液体处理平台加支持；Universal Robots 已有早期访问权限并计划支持。早期采用方还包括 Hugging Face（正加进 LeRobot 机器人库）以及 Raspberry Pi（相机驱动测试通过后正在多条产品线铺开）。
这套打法两年前演过一遍。2024 年 Anthropic 开源 MCP，接口层的定义权归它，模型层谁赢都不影响它的位置。MHS 明确写着 model-agnostic、任何智能体框架都能通过 MCP 这类标准协议接入、preview 之后开源。同一份剧本，换到物理侧重跑一遍。
还有一个日期值得记住：欧盟法规 2023/1230 将在 2027 年 1 月 20 日全面取代机械指令，首次把基于 AI 的安全功能、以及具有自演化行为的机械纳入监管。到那时，一份写清了设备安全上限的 MHS 文件，可能就不只是工程文件了。
通俗解读：Anthropic 没有去造机器人，也没有去和特斯拉、Figure 抢本体。它去定义了机器和模型之间那根线怎么接。谁定义接口，谁就在下一个十年里坐在收费站上。这件事 2024 年已经验证过一次了。
补充来源：Melly在硅谷（微信公众号），原标题《Anthropic 没造机器人，造了插口》。文中 MHS 定义、read/write 原语、可发现性、自然语言标签、参考文件、MCP/命令行/代码文件三种控制机制、设备级安全限制、model-agnostic 及后续开源计划，均源自 Anthropic 官方发布稿《Previewing the Model Hardware Standard》（2026-08-27）；QuEra、CMU、Genentech、华盛顿大学、Janelia 等案例数据由各机构撰写、由 Anthropic 发布，非独立第三方验证。USB-C 类比为 CNBC 单一媒体来源；欧盟法规 2023/1230 引自科技媒体报道，未独立核对原文。文中描述为对发布稿的中文转述，非逐字引语；作者推断（如「插得上 / 看得懂 / 不许乱动」三层拆解、「谁定义接口谁坐收费站」）仅代表原作者观点。
