人工智慧（AI）開發商 Anthropic 於昨日發表「Model Hardware Standard」（MHS）研究預覽，這項標準化方案旨在簡化複雜的 AI 硬體設備整合，讓不同廠商的科學實驗儀器能更容易協調運作，進而加速科學研究。這對於 AI 硬體開發者、模型訓練者與標準制定者而言，具有重要參考價值。
珍利亞農場研究園區（HHMI Janelia Research Campus）的科學家 Virginie M S Ruetten 運用 MHS，成功加速一系列顯微鏡相關計畫。Ruetten 博士指出，過去的實驗設備往往需要整合來自七個不同供應商的程式，且缺乏統一的介面，常使用 MATLAB、Python、C# 等不同程式語言，導致設定過程耗時且易出錯，甚至得耗費數天才能完成新硬體整合。
透過 MHS，這些點對點的繁複連接被單一介面取代。每個設備的變數和感測器數值被記錄在共享記憶體的一個字典中，大幅提升整合效率。Ruetten 博士表示，增加一個新的攝影機現在僅需數分鐘，而啟動實驗也從七個獨立步驟簡化為儀表板上的一次點擊。這種統一的 AI 硬體架構（指人工智慧系統如何控制與協調各種實驗儀器與硬體設備的整體設計）解決方案，顯著降低了硬體整合的成本。
MHS 不僅加速設備整合，也提升了資料分析能力。它將每個數據流以標準化格式儲存在 MHS 狀態字典中，可供任何程式讀取。這使得分析與視覺化程式碼得以重複使用，並支援線上分析，例如計算心臟活動的頻譜內容來估計心率，且可將相同的程式碼應用於神經活動分析。這項標準也讓「代理式顯微鏡」（agentic microscopy）成為可能，其中 AI 代理（如 Anthropic 的 Claude 模型）能透過單一介面讀寫所有變數，並在用戶設定的目標下，自主選擇採集參數與分析方式。
更重要的是，MHS 內建設備層級的安全限制，能防止 AI 代理造成損害，例如過高的雷射功率。Ruetten 博士透過 MHS 發現了過去固定設定可能錯過的振盪群體，減少了重複實驗次數與動物使用量。珍利亞農場研究園區的其他計畫也正將 MHS 納入應用，包括影像化小鼠學習導航時的神經元活動，以及 AI 代理對線蟲（C. elegans）胚胎發育的顯微鏡控制。整體而言，MHS 壓縮了整合時間，使 AI 代理能夠控制複雜的儀器組合，為多領域的科學發現鋪路。
