AI 已经不满足于操作浏览器了：下一个被 Agent 接管的，可能是实验室
AI 已经不满足于操作浏览器了：下一个被 Agent 接管的，可能是实验室
大家好，我是珩小派。
最近我们聊 AI Agent，通常想到的是打开网页、搜索资料、填写表格、修改代码、发送邮件。
也就是让 AI 使用电脑。
但现在，AI Agent 正在往更远的地方走。
它不只是操作浏览器，也不只是调用 API，而是开始尝试控制真实世界里的设备：显微镜、液体处理器、机械臂、PCR 仪器、激光器，甚至量子计算机中的部分硬件。
Anthropic 最近公布的 Model Hardware Standard，简称 MHS，正是这条路线上的一次重要尝试。
一、实验室为什么需要 Agent？
现代实验室里，很多设备已经实现了自动化。问题是，这些设备往往并不“互相认识”。
一台液体处理器有自己的软件，一台机械臂有自己的控制系统，一台检测仪器又使用另一套接口。显微镜、摄像头、温度传感器，也可能来自不同厂商。
它们单独工作没有问题，但想让它们协同完成一个完整实验，就非常麻烦。
研究人员通常需要阅读不同厂商的技术文档、编写设备控制程序、处理老旧接口、编排执行顺序、监控实验状态，并处理异常和故障。
这也是为什么很多实验室自动化项目需要数周甚至数月。真正的瓶颈，不一定是设备不够先进，而是设备之间缺少一套共同语言。
二、MHS 想解决的，不是模型能力，而是硬件沟通
MHS 的核心思路，可以简单理解为：给实验室里的每台设备，都安装一个 AI 能理解的标准驱动。
这个驱动负责把不同设备的复杂接口，转换成统一的操作方式。
读取：获取当前温度、检查样品是否到位、查看设备状态
写入：设置温度、移动机械臂、开始检测、停止实验对 AI Agent 来说，它不需要知道每台设备背后使用的是 Python、Windows COM、目录监听，还是图形界面。
它只需要理解：设备当前是什么状态？设备可以执行什么操作？这个操作是否满足安全条件？执行之后发生了什么？
网页 Agent 通过浏览器读取页面、点击按钮、填写内容；实验室 Agent 则通过硬件驱动读取设备状态、执行实验步骤、观察结果并调整参数。
区别在于，浏览器操作失败，通常只是页面报错；实验室操作失败，可能意味着样品损坏、设备碰撞，甚至实验结果失效。
因此，MHS 不仅是一个连接标准，也必须成为安全边界的一部分。
*配图说明：不同实验设备通过 MHS 标准层，被转换成 Agent 可以理解的统一能力接口。*
三、Agent 如何完成一次实验？
整个流程大致是这样的：
研究人员提出实验目标
↓
Agent 理解目标并制定计划
↓
发现可用设备与能力
↓
调用不同设备执行实验
↓
读取实时数据与设备状态
↓
分析结果并调整参数
↓
完成下一轮实验它不再是“模型给出一段代码，人来执行”，而是人提出科学目标，Agent 负责协调设备和流程。
例如，研究人员可以说：
测量这组样品的蛋白浓度，并根据实验结果自动调整液体转移速度。
接下来，Agent 可能需要控制液体处理器吸取样品，让机械臂移动实验板，调用检测仪读取吸光度，分析实验结果，判断是否出现气泡或转移误差，再调整下一次的液体流速。
这已经不是普通意义上的自动化脚本，而是一个可以观察、判断和反复试验的实验助手。
*配图说明：从提出目标、制定计划、发现设备，到执行、反馈和继续迭代的完整闭环。*
四、一个真实案例：Agent 自动优化蛋白检测实验
在 Genentech 的概念验证中，研究人员使用 MHS 协调液体处理器、机械臂和微孔板读取器，自动完成 BCA 蛋白检测实验。
这个实验看似简单，但不同液体的物理性质并不一样。普通水溶液和黏稠的蛋白溶液，适合的移液速度不同。如果速度过快，黏稠液体容易产生气泡，最终影响检测结果。
实验开始时，Agent 使用了相同的流速处理不同液体，结果出现了气泡和误差。之后，它观察实验结果，调整参数，再次执行。
提出假设 → 执行实验 → 观察结果 → 发现问题 → 调整参数 → 重新实验这很像科学家在实验室中的工作方式。区别在于，Agent 可以持续运行，而不需要研究人员一直守在设备旁边。
*配图说明：Agent 发现 BCA 蛋白检测中的误差，优化移液参数并重新执行实验。*
五、真正的变化：实验开始形成闭环
传统自动化通常是：
预先写好流程 → 按固定步骤执行而 Agent 驱动的自动化更接近：
目标 → 计划 → 执行 → 观察 → 判断 → 调整 → 再执行中间最重要的变化，是系统开始拥有了反馈回路。
在 qPCR 实验中，Agent 可以实时观察扩增曲线。当曲线达到合适阶段时，它可以判断是否停止实验，并进入下一步流程。
在另一个案例中，Agent 负责协调机械臂和液体处理器完成实验板交接。只有当液体处理器完成工作、机械臂确认路径安全后，下一步动作才会开始。
这不是简单地让机械臂“执行命令”，而是让 Agent 理解：什么时候可以执行，什么时候必须等待，什么时候应该停止。
六、最有想象力的地方：实验可以自己迭代
Carnegie Mellon University 的研究人员使用 MHS 协调液体处理器、微孔板读取器、机械臂和监控摄像头，完成药物剂量反应实验。
系统先运行第一轮实验。如果检测结果不理想，Agent 会判断当前浓度范围是否需要调整，然后自动重新执行实验。
Anthropic 表示，这套系统将相关实验速度提升到原来的约三倍；原本可能需要数周的自动化集成工作，在概念验证中可以压缩到约八小时。Anthropic MHS 官方介绍
未来的实验室可能不再只是“人设计实验，机器执行实验，人分析结果”，而是：
人提出研究方向 → Agent 设计实验方案 → 机器人完成实验
↑ ↓
←──── 系统分析结果并规划下一轮 ←这就是“设计—构建—测试—学习”闭环。
七、Agent 真的可以接管实验室吗？
现在还不能这么说。
更准确的说法是：Agent 正在接管实验室中那些重复、机械、可验证的工作。
比如夜间连续监控实验、自动调整液体处理参数、记录设备运行状态、处理常见设备故障、协调不同设备的执行顺序，以及根据明确规则决定是否重跑实验。
但涉及高风险判断时，人仍然不能缺席：是否改变实验设计、是否接受异常数据、是否使用真实药物候选、是否处理危险材料，以及是否允许设备突破安全阈值。
Anthropic 也明确表示，当前模型对真实物理世界的理解仍然存在局限。蛋白样品起泡可能是一个物理问题，但 Agent 有时可能把它误判成软件或流程问题。
所以，AI 可以负责执行，但不能自动获得无限授权。
八、真正的难点，是让 Agent 安全地操作
一个可靠的实验室 Agent，至少需要具备：
- 设备权限控制；
- 操作前安全检查；
- 设备状态监控；
- 异常中止机制；
- 人工审批节点；
- 全流程行为审计；
- 实验结果可追溯；
- 高风险动作强制确认。
从这个角度看，MHS 的意义不只是让设备更容易被调用，它还试图把设备的边界、能力和限制，直接描述给 Agent。
这台机械臂的最大负载是多少？
它可以移动到哪些位置？
哪些动作可能导致碰撞？
当前实验板是否已经放好？
温度超过多少必须停止？这些信息过去可能散落在纸质手册、工程师经验和厂商文档里。现在，它们需要成为机器和 Agent 都能理解的结构化信息。
*配图说明：权限控制、安全检查、状态监控、异常中止、人工审批与审计追溯共同构成安全边界。*
九、实验室只是开始
MHS 目前首先关注实验室和制造业，但这种思路并不局限于科研设备。
未来，它可能扩展到工厂生产线、机器人工作站、自动驾驶测试场、智能仓储、医疗设备、芯片实验室、农业自动化和量子计算设备。
只要设备拥有可编程接口，理论上就可以接入 Agent。
可以把 MCP 和 MHS 看成两层：
MCP：让 Agent 使用软件世界
MHS：让 Agent 进入物理世界当两者结合起来，Agent 就不仅能搜索资料、写代码、生成报告，还能根据报告去控制实验设备，完成真实世界中的动作。
*配图说明：MCP 连接软件世界，MHS 连接物理世界，二者共同构成 Agent 进入现实世界的桥梁。*
十、珩小派怎么看？
我觉得，这件事最值得关注的地方，并不是“AI 要取代实验员”，而是实验室正在获得一种新的操作方式。
过去，设备自动化依赖工程师编写脚本。未来，部分自动化可能变成：研究人员描述目标，Agent 负责组织设备完成目标。
AI 负责把实验跑得更快，人负责决定实验为什么值得跑。
当 Agent 能够理解目标、调用工具、控制设备、观察结果，并根据结果继续行动时，它就不再只是一个聊天机器人。
它开始成为一种新的基础设施：
人提出目标
AI 制定计划
设备执行动作
数据返回系统
AI 推进下一轮最后说一句
AI Agent 的下一站，可能确实不是浏览器。
浏览器只是数字世界的入口。实验室、工厂、机器人和各种专业设备，才是物理世界的入口。
现在的 MHS 仍然是研究预览，很多复杂实验仍然需要专家监督，硬件兼容性和安全边界也远未解决。
但方向已经非常清楚：
AI 正在从“帮你操作电脑”，走向“帮你组织现实世界”。
而下一个真正被 Agent 改造的地方，可能不是办公室，而是实验室。
—— 珩小派
专注 AI、开源与极客生活的搬运工
资料来源
