MHS 三部曲（中）：8 小时集成、六种被拦截的故障，和一次教科书级的翻车

导读

上篇讲了 MHS 的概念与设计。这一篇全部交给实战：卡内基梅隆大学的 8 小时到底替代了什么、六种人为注入的故障如何被拦在设备动作之前、Genentech 的 AI 如何自我校准又如何在泡沫面前翻车、以及一个会自己找离心机解决问题的系统。

案例的价值不在宣传数字，而在它们同时画出了能力的上限和下限。

一、CMU：8 小时替代数周，替代的到底是什么

卡内基梅隆大学的设备环境堪称地狱难度：机械臂由调度软件控制、靠往目录里扔作业文件驱动；液体处理器只有老式 Windows 脚本接口；酶标仪根本没有编程接口、只有屏幕------MHS 直接像人一样点界面。从零写驱动加编排层用了约 8 小时 ，而厂商交付同类方案通常要数周^[[1]](#[1])^[[2]](#[2])。

注意：8 小时替代的是设备接入与流程编排时间，不是把数周的科学实验压缩成 8 小时。 这是最容易被误读的数字。

接通之后才是重点。Agent 运行连续稀释剂量响应实验，第一轮最高浓度设 200 μg/mL，高浓度区饱和、拟合 R² 仅 0.884，系统自己判定不合格 ------把最高浓度降到 100 μg/mL、换新孔板重跑，第二轮 R² 提升到 0.981，全程无人介入^{[[1:1]](#[1:1])}。

这证明的是：在给定目标、接口和评价指标下，Agent 能完成「观察---判断---调整---重跑」的闭环。它没有证明系统能理解任意实验。

更硬核的是安全测试：团队人为注入六种故障------板子缺失、板子放反、读板器忙、相机断连、设备不可达、急停生效 ------六种情况下，系统全部在设备动作之前拦截^[[3]](#[3])^[[4]](#[4])。

二、Genentech：自优化很漂亮，翻车也很诚实

基因泰克的 BCA 蛋白定量实验里，Claude 的表现其实很亮眼：它自主编排液体处理仪、机械臂和酶标仪，还通过对照专家操作自我校准，把移液速度优化到水约 140 μL/s 、黏稠蛋白液约 10 μL/s ^{[[3:1]](#[3:1])}。

但翻车了：蛋白溶液摇晃产生泡沫，Claude 把它当作普通运行错误，在原孔位换参数重试，泡沫越搅越多。研究人员必须明确告诉它：这是物理故障 ，要换干净孔位、减少混合^{[[1:2]](#[1:2])}。之后团队把这条经验写成可复用的 skill，同类错误率明显下降^{[[2:1]](#[2:1])}。

模型能读懂错误码，不等于理解错误背后的物理过程。 代码世界里合理的「重试」，到了液体世界可能让情况更糟。放到工厂里同理：相机看到工件位置不对，Agent 不断让机械臂重抓，却可能没发现是夹具松了------多试几次不是排障，反而可能把小问题变成碰撞。

三、更多一线信号

华盛顿大学 ：一位博士生一周内接入六台仪器（含自己写驱动），做了远程仪表盘、能盯着 qPCR 扩增曲线在平台期前自动叫停的监督流程，以及机械臂与液体处理仪之间的无碰撞交接。他也说了句实在话：让 Agent 长时间盯仪器，算力成本要跟省下的人力算一笔账^{[[3:2]](#[3:2])}^{[[2:2]](#[2:2])}。

HHMI Janelia ：需要按序启动 7 个厂商软件的双光子显微镜平台整合为一键操作，后来新增一台相机只花几分钟^{[[1:3]](#[1:3])}^{[[3:3]](#[3:3])}。

Tetsuwan Scientific ：在 9,143 次分液、1,508 个测量条件上跑通自动化移液优化，留出数据上的精度预测比厂商标称还准约 12%^{[[3:4]](#[3:4])}。还有一个更能说明「能力发现」的细节：qPCR 试验中相机发现移液产生了气泡，机械臂本身解决不了，系统在已连接的设备中自己找到了离心机 ，提出把试管送进去低速转一下，再通过 MHS 下达指令^[[5]](#[5])^[[6]](#[6])------相机负责发现问题，机械臂负责搬运，离心机负责处理，没有人为它们两两写连接程序。

四、安全原则：约束必须长在模型之外

这些案例背后是同一条安全原则。MHS 在硬件接口层强制设备自声明的边界、联锁和急停，与模型完全独立^[[7]](#[7])------Janelia 的激光功率上限在设备层强制，而不是依赖 Claude「记住不要开太大」。

为什么必须这样？因为操作员换成了 Agent，而 Agent 不可信。把限幅、联锁写在上位机界面逻辑里的时代过去了，唯一可信的地方只剩驱动层。提示词可以告诉模型"速度不要超过多少"，但不能代替控制器的硬限制；设备还要在模型失联、读数异常、权限被盗或指令冲突时，自己停在安全状态。

五、它不是 VLA------恰恰因为不是，才值得重视

具身智能行业最熟悉的词是 VLA：把视觉和语言指令映射成机器人动作。VLA 解决「这台机器人此刻该怎么动」；MHS 处理的是另一层：「整个现场有哪些设备、各自能干什么、现在什么状态、哪些动作绝对不能做」。

层级	解决什么	典型输出
MHS（接口编排层）	发现、理解、读取并编排异构设备	设备清单、状态、流程、约束
VLA / Policy（技能层）	把视觉与指令转成动作策略	轨迹、动作序列、高层技能
PLC / 控制器（执行层）	以确定时序执行运动与安全联锁	伺服指令、IO、毫秒级急停

两条路线不冲突。更准确的说法不是「Claude 终于拥有了身体」，而是：它第一次有了一套标准方法去调用身体------而且这个身体不一定是人形机器人，也可以是一间实验室、一套量子设备、一整条制造单元。

本篇小结

四个案例合起来说明三件事：接入与编排成本可以数量级下降（CMU/Janelia），闭环试错和跨设备补救是真的（CMU/Tetsuwan），但物理直觉仍是硬伤（Genentech），安全必须长在模型之外。

下篇预告：技术边界看清了，产业和人的问题才刚开始------谁允许 AI 行动？出了事谁负责？国内厂商用不了 Claude 怎么办？欧盟新规又卡在哪里？下篇聊权力、合规与落地清单。

参考资料：