Anthropic与Janelia推出MHS框架，让实验室仪器直连AI代理并把实验搭建从数月压缩到数小时

MHS把实验室中彼此孤立的仪器连成一个可协同工作的系统，并让AI代理直接控制这些设备、编排实验流程。 报道指出，此前让不同厂商、不同编程语言的仪器互相“对话”是研究中的常见难题；MHS通过可编程接口接入任意仪器，充当连接实验室计算机操作系统与仪器之间的“结缔组织”，从而免去为每台机器定制翻译代码或额外加装连接设备的做法。 依据为Nature报道中对Anthropic技术团队成员、MHS项目负责人Alek Kemeny的表述，以及卡内基梅隆大学团队的实际测试场景描述：机械臂将多孔板装入注液仪器，再送至远处设备分析孔内内容，全程无需人工干预。

与已有的实验室自动化标准相比，MHS的差异在于把仪器直接接到AI代理上。 报道明确提到，SiLA联盟开发的Standardization in Lab Automation已为实验室仪器提供互相通信的标准语言，但该系统不像MHS那样把仪器直接连接到AI代理。 依据为报道中对SiLA联盟及其Standardization in Lab Automation系统的对比性描述，属于报道层面的定位说明，未给出性能对照数据。

在实际测试中，MHS把实验搭建时间从通常的数月量级压缩到数小时。 报道引用卡内基梅隆大学计算生物学家Jose Lugo-Martinez的说法：从研究项目的最初想法走到可运行的实验“轻易就要数月”，而使用该框架，团队在短短数小时内就搭好了实验，他把这种时间缩减称为“让我们惊叹的地方”。 依据为一位参与测试的研究者对自身团队体验的陈述，属于早期使用者的定性反馈，报道未给出样本量、对照实验或量化基准。

该框架面向的是拥有可编程接口的实验室仪器，适用于多厂商设备混用、需要把设备接入AI代理并自动编排实验流程的场景；报道中的具体演示来自卡内基梅隆大学一个正在测试MHS的团队，由计算生物学家Jose Lugo-Martinez及其博士生Sina Barazandeh参与。对希望减少定制化集成代码、加快从想法到可运行实验的实验室而言，这一方向提供了可参考的路径。

报道未提供MHS的技术细节、支持的仪器清单、性能基准或独立复现结果，也未说明该框架的可用范围与许可方式；时间从数月缩短到数小时的观察来自单一测试团队的叙述，尚不清楚在其他实验室、其他仪器组合下是否同样成立。此外，报道页面在“Quick set-up”一节后即要求登录才能继续阅读，后续内容未包含在本次证据中，因此关于该框架更完整的说明仍是开放问题。