Anthropic 在 8 月底推出一個叫 MHS 的開放標準，讓 AI 代理可以直接操控顯微鏡、機械手臂、雷射這類實體設備。量子電腦公司 QuEra 的雷射校準任務裡，Claude 在 700 次試驗中達到 99.3% 成功率；卡內基梅隆大學的劑量反應實驗，傳統流程要做的時間被壓到 1/3，8 小時就跑完。
這是 AI 第一次跨過「只給建議」的線，真的伸手去動機器。
新聞在講 99.3%，但重點不在那
新聞會把焦點放在 Claude 多厲害、99.3% 多驚人。但真正的轉折點是「MHS」這個詞。MHS 是 Model Hardware Standard 的縮寫，可以理解成「AI 接設備的共同語言」。
在 MHS 出來之前，要讓 AI 控制一台機器，必須請工程師把機器的通訊協定、控制介面、感測器回傳格式一個一個翻譯成 AI 看得懂的指令。每接一台新的設備，就要再做一次。這是過去自動化案子貴、慢、難擴展的根本原因。
MHS 把這層翻譯標準化。設備廠商照著規格實作驅動程式，AI 就能直接下指令、讀感測器、判斷下一步。這不是讓 AI 更聰明，是讓 AI 接到機器的成本變低。
對台灣中小企業真正的訊號是什麼
過去我們接自動化案子，第一個要回答的問題是「這台設備能不能接」。答案常常是不行，因為每家的通訊協定都不一樣，客製整合的報價單比設備本身還貴。
MHS 這種標準化介面出現後，瓶頸會從「接不接得起」轉移到「你有沒有把流程拆得夠清楚」。一台設備能接，但接下來 AI 跑什麼流程、流程裡的決策點誰決定、卡住的時候怎麼辦，這些事得先想清楚。
換句話說，過去自動化卡在硬體，現在開始卡在流程定義。
過去自動化的瓶頸為什麼會鬆動
卡內基梅隆那個實驗之所以 8 小時就跑完，是因為它本質上就是試劑配置加讀數，本來就有清楚的輸入輸出。這種「指令、感測器讀值、下一步判斷」的迴圈，是 MHS 設計出來最適合跑的形狀。
雷射校準也是同一個道理。一台 70 萬美元的雷射系統，傳統人工要花幾天微調，這種高價值、低頻率的任務交給 AI 跑，邊際效益最高。
反過來說，每天重複幾百次、單次成本幾毛錢的動作，先不要急。先看清楚哪些流程「值得讓 AI 接手」，比急著接更重要。
介面統一之前，你可以先做什麼
不用急著去找設備廠商談 MHS，台灣目前沒幾家有支援。但有兩件事現在就能做。
第一，把你現有流程裡「人對機器的操作」寫下來。不是寫 SOP 給員工看，是寫成「機器接收什麼指令、回傳什麼值、下一步決定是什麼」。寫不出來的地方，就是流程沒拆清楚的地方。
第二，從一個小範圍開始試。找一個重複性高、出錯代價可承受、決策點清楚的環節，先讓 AI 跑輔助模式，確認穩定後再談全自動。MHS 在設備層級定義的硬性限制，像是力道、位移範圍、溫度、壓力，這些邊界設定不能省略。
介面標準化是個趨勢訊號，不是馬上要採用的工具。對中小企業來說，真正的準備是把自己的流程拆得夠細，細到有一天介面統一時，你能第一個接上去。
如果你手上剛好有自動化流程想盤一盤，免費需求診斷可以先幫你看是卡在哪一段。