长江计算机AI超一线第六期：从Anthropic MHS看AI4S跃迁

发布时间：2026-08-30 一、AI总结内容 一、核心要点 1. 会议围绕Anthropic发布的MHS展开，MHS核心是统一设备与AI模型间的表述，解决设备语言转AI代理语言的问题，降低设备接入开发难度。 2. Anthropic布局AI4S是因原有编码赛道增长放缓，寻求新增长引擎，MHS代表其从数字世界向物理实验室迈出关键一步。 二、AI4S现状与瓶颈 1. 实验室设备繁杂、接口不统一，是AI4S发展的主要瓶颈，过去需大量开发适配接口，MHS简化了这一流程。 2. 当前AI代理在实验室应用中存在短板，如无法识别实验中因液体气泡产生的误差，缺少人类经验的隐性知识与多传感器感知能力。 三、自主实验室与未来趋势 1. 打通模型层、Cloud Science、MHS三层后，自主实验室将实现更灵活的实验流程调度，设备利用率提升，黑灯实验室或成可能，实验服务化模式更易落地。 2. AI4S的下一跃迁机会在于完整DBTL闭环能力（提出想法、设计实验、执行测试、分析结果迭代），具备该能力的企业将形成高护城河。 3. 模型与实验室环节需协同，干实验数据要指导湿实验设计，湿实验数据要反馈模型训练，高质量数据是AI4S的核心资产。 4. 海外大模型公司并非具备AI4S的绝对优势，国内硬件开发、实验室自动化迭代速度快，或形成差异化竞争力。 四、风险与关注 1. MHS目前仍处于早期阶段，仅覆盖部分小型实验场景，未打通全流程实验验证闭环，长周期任务反馈效率低。 2. AI代理在物理世界操作存在安全风险，如设备损坏、危险实验事故，安全与合规是待解决的问题。 二、音频原文（转写） 大家好，欢迎参加长江计算机AI超一线第六集。AI走进实验室，从Anthropic MHS看AICS的下一跃迁。目前所有参会者均处于静音状态。下面开始播报声明，声明播放完毕后，主持人可直接开始发言。 谢谢本次电话会议，仅服务于长江证券研究所白名单客户，未经长江证券事先书面许可，任何机构或个人不得以任何 形式对外公布、复制、刊载、转载、转发、引用本次会议相关内容，否则由此造成的一切后果及法律责任由该机构或个人承担。长江证券保留追究其法律责任的权利。各位投资人，大家晚上好，我是长江计算机的郭敬超。然后今天的话呢，我们也是呃邀请到了AI for Science的这个物理自动化的。 设物理设备自动化的负责人专家王总来跟大家做一个分享。那最近其实我们观察到了一些事情啊，包括我们这 次呃会议的主题其实是叫做AI走进实验室。然后从anthropic的M H S来看air force sense的下一跃迁。呃，相信就是大家关注这个赛道的投资人呢，其实最近会发现，就是无论像是anthropic还是openai，其实最近都在ai force sense上其实做了很多的一些动作。 呃，比如说像那个，尤其上周的时候，就是anthropic去发布的这个mhs，其实是让开始 就是大模型。啊，可以去进入到，就是我真正的啊去操纵，可能是仪器或者和仪器去进行这个。整体的一些合作。然后呢，那像这个包括呃上周open I去发布的这个所谓的新的这个工具，其实也是开始把这个所谓的。 呃，GPT Resolent科研工具、数据工具还有这些实验的评估，也是开始整合进了统一的啊生命工作科，统一生命科学的工作台。那现在其实我们会发现，就是大模型对这个领域的参与，包括或者是新一轮AI D D范式下的这个参与下，其实。模型从可能一开始单纯的设计。或者是包括大家可能只是局限于在计算机上的这样子一个应用，其实逐渐已经开始走向这个试实验，包括实验上的各种的这种闭环。 那现在其实已经要开始对整个的这个真正实验室的操作也带来一些颠覆性。哦，那这里面其实我们会发现，原来有很多的AIR FORCE SENSE的核心玩家，其实也已经在这个领域上进行了非常深入的布局。那这个也是我们今天特意邀请到了这个行业里的资深的专家，来跟咱们做一个关于这个方向上的整体的一个解读。那我们现在今天其实 整体也给专家有了一个整体的问题的提纲。 那么首先我们就非常呃邀请专家先根据提纲来跟咱们做一个他的认知上的一个分享。那欢迎王总。哎，好嘞，谢谢。嗯，那我 那我就开始了。 啊，那我我可能先讲一下这一整个事情的背景，我们的一些看法。呃，首先呢，Anthropic往这个方向走其实也是有一段时间了。那前面他一直在做。呃，coding的领域，并且把coding推到了一个非常高的高度。 但是在coding我们来看的话，它其实已经 增长的速度是放缓了。那他会需要去寻找下一个。呃，增长的赛道呢，Apple Science现在是中美两国都非常重视的一个赛道。那现在 走这个走到这个领域呢，其实也并不意外。 嗯。那我先说一个，我对这个事情的判断就是。诶，否则佢就即系 其实发布了M H S在我们业内的人看的话，其实是一个 呃，完全预料之中的动作，只是他什么时候来去做。但是呢，他的 代表其实是SOPHIE开始往这个方向，从数字世界往物理世界上走了。 但是呢 我们也没有必要把它认为是一个非常重大的。里程碑式的突破 因为目前来讲，他并没有。啊，把这个事情推到一个非常成熟的地步。因为从过去来讲，实验设备能够通过软件控制，这个并不是一件稀奇的事情。 他的很多工作，更多的是在于通过 呃，M H S把这一整个的 呃，逻辑给串到了一起，他希望通过这样一个统一的 呃，协议或者是平台把很多的设备都串联在一起，能够由它的 呃，我们叫cloud science的这个agent来去控制。呃，那先我就一个一个问题来了，就是先呃，第一个问题是M H S 本质上解决了什么问题？对AI模型厂商来说，意味着什么？那我自己的理解呢，其实M H S核心解决的一个问题是 啊，把设备的语言转换成 agent的语言其实就是一个翻译的工作。 因为如果大家对一个科学的实验室有一定认识的话。啊，比如说我们去这个实验室参观，尤其是偏一些生物学的实验室。会发现呢，它的设备非常多。非常的杂，而且可能是不同的厂商生产的。 那比如说液体工作站，它可能是一套接口。那现在有很多做F O sense的厂商，还会大量用到机械臂。和一些A G V小车，那这些又是一套。呃，接口。 然后他可能用到的一些像色谱，他可能是另外一个厂家的完全。也是一套全新的，所以过去呢。有做这个实验室信息化的，就做另一次系统的，他其实是要去跟 这些的设备 做大量的接口的对接的。那现在呢，因为有了agent，包括很强的coding能力之后。 那。他其实是可以比较容易的去跟这些。接口做一一系列的。接口协议的开发 那过去呢，大家都是说啊，工程师去看整个的API文档的说明书，甚至要去跟设备厂家。 聊他的协议怎么去开放，你给我开放多少？那这一次呢，其实啊，索拉皮克也跟 几家比较大的仪器厂商谈了一些这种开放接口的合作。啊，所以呢，这个里面 其实我们会发现，M H想呃，这M H S想做的事情呢，是把 设备和上层的agent之间 加一层统一的表述，这样的话。他们之间就能够 很好的完成一些。 信息传递 和控制语言 那上层的agent其实不太需要去关心下面的一些。具体的比如说什么叉mail文件呀，是哪些厂商的SDK呀，因为 呃，通过M H S已经把这一整套协议里面的 uh 就是数据和语言全都统一的去进行传递了。啊，我们举个例子，比如说你要控制一台液体和工作站。那agent可能需要知道的是，就是 你可以吸多少液体，以什么样的速度吸？ 它目前设备上的状态是怎么样的？装的是什么样的一个。啊，西头那上一步的一些任务，他有没有完成？那这些的东西都可以交给。 M H S来处理，处理完了之后就把这些信息都 告诉韦震他。啊，那它包括怎么来去做？呃，它的参数范围怎么样是安全的？因为如果你不了解这个设备的一个情况。 敬 让agent比如说cloud fans做了一系列的规划之后，它设备不一定是能完全执行的。所以。M H S其实主要解决了。这些问题他能够去处理设备的连接啊，能力的描述，状态的读取，以及 安全约束等这几个问题。 那对于模型厂商 来说其实 代表的是他们。就是我刚才也提到了，从数字世界往物理世界走的一个关键的一步，因为 过去大模型主要活动在数字世界里。就他，比如说写个代码。他错了，他可以重跑。 然后调用数据库错了，他也可以重新调一次。包括他为什么能够很快的去迭代。因为 写出来的代码他能很好的去执行验证，完成整个闭环。所以他的训练的反馈。 他给模型的reward会非常的快、及时以及非常的强。那在物理世界以后就不太一样。啊，包括像 呃，cloud sense其实刚发的时候，我们其实对他 也不是一个非常看好的态度，因为 呃 他并没有解决。呃，过去整个Apple Sense领域面临到的一些问题，就是大家只能算算完之后呢，这个结果没有到真实世界里面去验证。 所以你拿不到。啊，很好的一个反馈，你也没有办法进一步的改进这个模型。那从目前来看 Anthropic显然是意识到了这一点。所以他开始往这个方向来去走。 那当然我们也可以看到说物理世界的情况会跟数字世界有非常大的区别。就比如说。呃，物理世界它的执行。可能没有像呃代码的运转会那么的顺畅顺畅，那机械臂可能会 坏移动的精度可能会有问题。 啊，一页的过程中可能会产生一些。小的气泡可能。你的这个设备之间本身就有一些偏差。那这些都是说一个模型公司往物理世界。 走的时候他需要补齐的一些边界能力，那我前面举的是一些例子。那其实包括一些长时间的任务运行啊，然后对设备的一些状态理解啊，出现异常了。怎么恢复？那这些都不是说我通过代码就可以简简单单去解决的，你必须要跟 真实世界中的 设备。 他有一个强的。数据交换的理解，或者是控制的手段。那所以这个其实是呃大模型公司做的非常关键的一个。啊，事情他们如果要做Apple Sance的话，是一定要打破。 物理边界能够让agent能够 拿到物理世界，给到他们的一个。反馈的。但是呢，科研场景本身是一个非常长的任务场景，我们认为其实不会。啊，非常简单的。 uh 就像代码一样，我生成的代码非常快的就跑出来。那真实世界的非常多的过程，其实都需要。大量的时间运行，再给到反馈，它的速度一定不会有。啊，那么的快。 所以我们也需要去持续的来去看。那大模型公司在往这个方向走之后，它还会有哪些动作？啊，这个是第一个问题。那第二个问题就是。 啊，为什么会每台设备写翻译程序会变成Apple Sense的一个瓶颈？那标准化驱动层为什么可能把计算周期从 啊，其中 压缩到几个小时几？啊，那这里面就首先要讲的就是我刚才也提到了，就是大家如果对一个实验室有了解的话，其实整个实验室的设备是 非常的 多繁杂，并且来自于不同的品牌的。那这个其实就和工厂的自动化就不太一样，工厂里面是一条生产线，直接可能。 整个呃里面有一套很很很好的控制系统控制完成。但是由于过去 实验室。是的，这个特性。一个是你可能要每天做不同的科研工作，它不是流水线的。 然后，另外呢。仪器厂商也是也不是一个大统一的这样一个情况。那所以。单排 过去做这些设备，它是为了单台设备能自动的去运行，但是如果 想把它整合成一个。 啊，非常好的流程，并且尤其是这样一个灵活的。啊，能够去完成实验验证的流程其实是非常麻烦的，所以大量的时间基本都是在 和这些设备的 接口做一些。啊，这个 问题的解决 而且从 嗯。目前来看，其实仪器厂商他给你提供的接口，有时候甚至也不一定是完善的。 呃，过去其实仪器厂商给你提供的接口更多的是为了 uh 比如说，开始一次实验。获取到实验的数据。啊，做一些参数的设置之类的。那。 如果我们希望这一套能够完全的自动化运行起来，其实你中间还要做大量的 串联 一个非常简单的例子为例，比如说一些 啊 你是比如说固体加粉衣，或者是一些业工作站。他一般也都需要打开一个盖子，再去往里面。添加相应的试剂或者其他的这个东西。他可能前面的过程中的接口都很安全，但是他可能没有这些开关盖的。 接口。你也没有办法通过A检台