我們正在向首批科學研究實驗室和先進製造商開放模型硬體標準（MHS）的研究預覽版，這是一個共享規格，旨在讓 AI 代理能夠安全地操作實體設備。
MHS 能夠讓 AI 代理同時操作多個實驗室和製造設備，例如顯微鏡、液體處理器和機械手臂，並執行從常規藥物發現實驗到量子電腦雷射校準等複雜任務。
MHS 的開發始於 Anthropic 與 HHMI Janelia 研究園區的合作。
通常，實驗室或製造設施需要數週甚至數月才能設定和整合其硬體。大多數設備彼此不通訊，而是需要專家建立客製化整合。MHS 將整合工作減少到數小時或數分鐘。
透過將 AI 整合到這些工具中，MHS 還能幫助研究人員和工程師更輕鬆地協調自主、全天候的實驗和工作流程，AI 代理能夠推理實驗的每一步，即時更新參數，並在某些情況下，無需干預即可從硬體錯誤中恢復。
我們正在與科學、機器人、電子和製造領域的合作夥伴分享 MHS 的早期版本，以便我們能夠合作建立安全評估，並在標準開源之前，為操作實體設備的 AI 系統制定最佳實踐。
MHS 可與任何具有可程式化介面的設備配合使用。它也是模型無關的，任何代理都可以使用標準協定，例如模型上下文協定（Model Context Protocol）來存取它。
若要申請研究預覽版存取權，請前往此處。
讓實驗室或工廠中的多個設備相互通訊可能很具挑戰性，即使不考慮將 AI 整合到設定中的額外難度。
每個設備通常都有自己的程式設計介面，到目前為止還沒有標準化的方法來整合它們。一旦設備連接起來，也沒有通用方法讓它們與 AI 代理共享數據，或讓代理安全地操作它們。
MHS 透過引入標準化驅動程式來解決這些挑戰：驅動程式是將電腦作業系統與硬體設備之間進行翻譯的軟體。
MHS 驅動程式使用一組簡單的原語（primitives）——例如「讀取」（例如，「取得溫度」）或「寫入」（例如，「設定溫度」）等指令——任何硬體設備都能理解並執行。
它還以標準格式使每個設備都可被發現，以便設備和代理能夠相互找到並跨網路通訊，而無需在中間進行客製化的「翻譯」程式。
MHS 驅動程式還有助於 AI 代理理解如何使用它從未見過的設備，提供機器特性資訊，這些資訊僅從程式碼中無法辨識（例如，機械手臂的重量，這對於知道如何安全操作它很重要）。
迄今為止，這些資訊大部分儲存在紙本手冊、使用者電腦上，或作為隱性知識。但 MHS 驅動程式包含標籤，讓使用者可以直接以自然語言寫入這些資訊（使用者可以自行完成，或透過與一個訪談他們硬體設定的代理聊天來完成）。
利用這些標籤的資訊，MHS 驅動程式隨後會自動產生一份參考文件，其中包含設備的一般特性資訊，例如它可以測量什麼、可以調整什麼，以及將強制執行哪些安全限制。
這份文件提供了代理操作設備所需的一切資訊。
設備連接後，代理也知道如何使用每個設備，代理需要一種方法來控制硬體。
對於 MHS，有三種機制：MCP、命令列介面和程式碼檔案（API）。
這些機制共同透過單一行程式碼實現跨多個設備的協調。
一旦代理能夠控制設備，它就能接收來自每個設備的操作數據，並在高層級監督和指導工作。
代理可以對儀器進行步驟排序，監控結果，並在條件即時變化時調整參數。
當代理需要執行長時間任務或以比線上推理允許的速度更快地操作設備時，它可以將一個或多個設備的驅動程式指令鏈結到程式碼檔案中。
這使得設備能夠自行執行操作，而無需代理在每個步驟進行推理。
在測試 MHS 的過程中，我們發現 Claude 以探索性的方式與實驗和硬體互動，就像科學家一樣。
例如，我們觀察到 Claude 調整雷射，透過攝影機觀察結果以評估其調整如何移動雷射束，並重複此過程，試圖理解事件順序。
隨後，Claude 將其學到的知識打包成程式碼檔案，編寫了一個確定性腳本，使其能夠對準雷射，而無需在每個步驟進行推理，從而使整個過程可以作為單一指令運行。
我們才剛開始看到人們能用尖端模型和 MHS 做些什麼，但我們的希望是，該標準能對研究人員、工程師和其他從業人員有所幫助，加速任何使用具有可程式化介面設備的領域的發現和實驗過程。
在開發 MHS 的過程中，我們與生物技術、機器人、量子計算等領域的少數實驗室和硬體製造商分享了它。
在這些早期專案中，我們看到 MHS 減少了整合設備的時間，使在各種實驗設定中能夠更快地迭代，並協助機器的即時操作和即時故障檢測。
以下，我們的合作夥伴分享了他們涉及 MHS 的早期專案細節。
Genentech 的研究人員實施並測試了 MHS，作為自動化 BCA 蛋白質分析的概念驗證，這是一種測量樣本中總蛋白質濃度的標準程序，需要協調液體處理器、機械手臂和微盤讀取器。
Genentech 的研究人員實施並測試了 MHS，作為自動化 BCA 蛋白質分析的驗證概念，這是一種測量樣本中總蛋白質濃度的標準程序，需要協調液體處理器、機械手臂和微盤讀取器。
半個世紀以來，Genentech 一直在 tackling 一些科學和醫學中最嚴峻的挑戰。
1977 年，我們的科學家成功地在 E. coli 細菌中利用重組 DNA 技術生產了生長抑素——一種調節人體胰島素和升糖素、生長激素和消化道功能的胜肽激素——證明了細菌可以被重新編程為藥物的生物工廠。
不久之後，我們合成了重組人類胰島素，該胰島素於 1982 年成為 FDA 批准的第一種基因工程療法。
自那以來，我們對基礎研究和病人護理的承諾推動我們發現了治療癌症、多發性硬化症和其他複雜疾病的突破性療法。
這項工作需要我們藥物發現實驗室進行嚴格的實驗，通常採用大規模自動化系統，能夠進行高通量分析並同時測試多個變數。
這些系統由高度專業化的實驗室機器人組成——液體處理器、機械手臂、微盤讀取器等——需要仔細校準、反覆測試，並提供複雜的程式設計邏輯，才能精確地執行實驗。
目前，設定這些自動化系統是一個手動、耗時的過程，可能需要數週甚至數月，限制了我們的研究人員可以測試的科學想法的數量。
為了解決實驗設計與自動化執行之間的 هذا 核心瓶頸，我們與 Anthropic 合作，將 MHS 應用於實驗室自動化。
這個開放框架旨在標準化 AI 與硬體之間的通訊，使科學家能夠使用自然語言與專業實驗室機器人互動，並無需編寫客製化機器人程式碼。
我們的最終目標是建立自主實驗室，讓 AI 處理大規模實驗執行的繁瑣、機械部分，以便我們的科學家能夠專注於加速藥物發現的許多創意方面，這些方面依賴於人類判斷，例如實驗設計、解釋、決策和新實驗方法的發明。
我們首先將 MHS 應用於一個圍繞液體處理器的大型機械手臂工作站。
我們想看看 MHS 是否能加快 BCA（雙環己基乙醇胺）蛋白質分析的自動化，這是一種用於測量樣本中總蛋白質濃度的標準程序。
該程序涉及三個儀器：一個用於精確轉移液體的液體處理器，一個用於移動實驗室用品的機械手臂，以及一個用於測量光學吸光度（即樣本在給定波長下吸收多少光）的微盤讀取器。
我們將 MHS 部署到所有三個設備上，使用 Claude 來協調協議並充當硬體的中央通訊中心。
所有實驗都在標準的 96 孔微盤中進行，這是自動化實驗室設備的基礎。
BCA 分析涉及處理具有不同物理特性的液體，從簡單的水溶液試劑到黏稠、起泡的蛋白質樣本。
在我們的設定中，我們使用已知濃度的牛血清白蛋白（BSA）作為蛋白質樣本，作為可靠的標準。
由於這些液體在壓力下和流動時表現不同，移液必須極其精確，以確保轉移精確的溶液體積。
例如，BSA 溶液黏稠，在高流速下會產生氣泡——即液體通過移液器尖端的流速——這直接影響溶液被準確移液到盤中的程度。
幾乎所有自動化科學實驗都始於優化每個協議的這種流體動力學。
作為起點，我們給了 Claude 標準的 BCA 分析協議，以建立一個基準來評估改進。
在第一次測試中，Claude 執行了協議步驟，但它選擇了通用的液體處理參數，對水溶液和黏稠溶液使用相同的流速，這導致黏稠溶液中產生氣泡，從而導致不準確的液體轉移。
然後，我們要求 Claude 自動優化水溶液和黏稠蛋白質樣本（BSA）的流體動力學。
我們向模型提供了一個實驗設計，以優化液體轉移流速，要求它透過進行染色液體的試驗性轉移並使用微盤讀取器進行吸光度讀數來探索我們專家定義的流速範圍，以確定每種液體的最佳流速。
Claude 還可以存取由專家在同一盤中執行的「真實」轉移，我們要求它最小化專家結果與其自身結果之間的差異。
在執行轉移後，Claude 計算了均方根誤差（RMSE）來量化其準確性（越低越好，零為完美分數；如果目標是 100 微升但分配了 98 微升，則該 2 微升的誤差將計入分數）。
Claude 獨立執行了這些試驗運行，並分析了產生的盤讀取器數據，以更接近專家執行的轉移。
對於水，Claude 認為流速約為 140 µL/s 是最佳的（0.016 RMSE）；對於 BSA，它得出 10 µL/s（0.181 RMSE）——這些參數是我們的自動化專家證實對我們的設定是合理的。
通常，執行此優化需要自動化專家為每個參數集編寫客製化程式設計邏輯，反覆分析數據，直到找到正確的參數。
在實驗過程中，Claude 遇到了幾次意外錯誤，包括吸頭拾取失敗和流體檢測錯誤，但它能夠自行恢復——這是目前科學儀器大多缺乏的能力。
然而，這些實驗也凸顯了 AI 模型目前的局限性。
雖然它們在通用推理方面表現出色，但它們仍然難以處理物理、化學和生物學約束，特別是在解決需要真實世界物理直覺的錯誤時。
這類局限性的一個例子是液體處理過程中氣泡的形成。
雖然氣泡看似無害，但它們會引發一系列挑戰：如果協議要求吸取 40μL 試劑但液體中有氣泡，由於空氣佔據空間，實際轉移的液體量將會較少。
此外，當移液器尖端遇到泡沫而不是液體時，液位感測器可能會觸發硬體錯誤；氣泡還會扭曲實驗最終讀數的光學讀數。
當遇到由混合過程中氣泡引起的運行時錯誤時，Claude 的預設本能只是在同一盤孔中嘗試使用不同的參數重試操作。
但這只會進一步攪動液體並產生更多氣泡。
由於 Claude 尚未理解故障的底層物理原理，我們不得不引導它採用更溫和地處理液體的參數。
一旦 Claude 被告知錯誤代碼源於液體中的物理氣泡，並且它需要移動到一個乾淨的孔並減少混合週期數以糾正錯誤，它在整個運行過程中都保持了這種上下文。
隨後，我們將這些經驗教訓編碼為 Claude 的可重複使用液體處理技能，這使它能夠為具有不同物理特性的液體選擇合理的預設參數，從而減少液體處理錯誤的數量。
這些實驗凸顯了透過改進 Claude 的實驗室自動化軟體工具，我們可以解決的推理局限性。
雖然在改進 Claude 對物理實驗室操作的推理方面還有更多工作要做，但這項研究被證明是一個非常有希望的概念驗證。
透過將 Claude 的決策與我們自身的領域專業知識進行評估，我們正在生成持續改進模型在自動化實驗室實驗方面的效能所需之數據集。
展望未來，我們計劃評估 Claude 和 MHS，以協調我們藥物發現實驗室中更廣泛、端對端的自主工作流程。
我們的目標是建立一個自主發現引擎，科學家設定高層次的生物學意圖，AI 代理協助他們協調物理管道——生成硬體指令，自主執行實驗，運行閉環分析，並提供篩選就緒的模型和篩選數據。
為了擴大我們的範圍和影響力，我們需要將 MHS 應用於額外的硬體，例如離心機、自動培養箱、分析儀器和感測器。
我們還需要調整代理工具，使其能夠理解藥物發現從分子到活體敏感細胞的細微差別。
我們還必須整合其他客製化模型，這些模型可以根據即時數據全天候監控和自適應優化實驗。
隨著 AI 處理維護、品質控制和環境監測等常規任務，我們的科學家可以更專注於高層次的實驗設計、推理和發明——使我們離加速拯救生命的藥物發現更近一步。
我們要感謝為這項工作做出貢獻的 Genentech 科學家，包括 Anupriya Tripathi、Matthew Bucci、Justin Nicola 和 Corinne Gullekson。
華盛頓大學 Baker 和 Pinglay 實驗室的博士生 Zihao Song 使用 MHS 建立了一個儀表板，用於遠端監控他的儀器；一個由 AI 代理監督的 qPCR（透過重複加熱和冷卻週期複製目標 DNA 序列）監控擴增曲線並在適當的時候停止程序；以及一個機械手臂和液體處理器之間的整合，用於無碰撞的盤交換。
華盛頓大學 Baker 和 Pinglay 實驗室的博士生 Zihao Song 使用 MHS 建立了一個儀表板，用於遠端監控他的儀器；一個由 AI 代理監督的 qPCR（透過重複加熱和冷卻週期複製目標 DNA 序列）監控擴增曲線並在適當的時候停止程序；以及一個機械手臂和液體處理器之間的整合，用於無碰撞的盤交換。
從頭開始構建從未在自然界中見過的蛋白質——蛋白質從頭設計——在過去幾年中，在醫學、環境保護等方面找到了越來越多的應用。
然而，有兩件事阻礙了它：成本和通量。
如今，設計像 PETase（一種分解塑膠的酶）這樣的蛋白質，成本可能低至 0.01 美元。
但實驗室測試該蛋白質既緩慢又昂貴，每位候選人約需 100 美元和一週的勞力——考慮到我們一次測試 1,000 位候選人，這筆費用會累積起來。
作為華盛頓大學 Baker 和 Pinglay 實驗室的博士生，我致力於開發高通量方法，以降低每次實驗的成本，並大幅增加我們可以同時篩選的從頭蛋白質設計數量。
然而，在這種規模下工作也會帶來自己的成本。
我進行的每一輪實驗，無論是多重設計分析還是酶活性的主動學習活動，都面臨著相同的兩個挑戰：監控狀態和容量。
目前，我們的監控儀器位於實驗室的不同角落，因此我無法輕鬆地了解運行情況，除非親自走到每個儀器進行檢查。
當運行過程中出現部分故障時——例如，HPLC 停止出現錯誤，或者液體處理器失誤並損壞了盤——我很少在發生時立即發現。
當我注意到時，可能已經過去了好幾個小時，實驗樣本也無法使用了。
而且我擁有的大多數儀器都只有一台，因此單一機器決定了整個測試輪的速度，我花費數小時手動操作。
PCR 步驟是這個容量瓶頸中最嚴重的罪魁禍首：它一次只能處理一個盤，我必須每 90 分鐘更換一次盤（這就是為什麼我偶爾會在凌晨 4 點搬盤而不是睡覺）。
顯而易見的解決方案是自動化。
但研究實驗室依賴於靈活性，而這是傳統自動化無法包含的。
一個典型的工廠生產線可能會運行一個協議 10,000 次，但我的實驗室每年運行數十個協議，其中一半是新的，當蛋白質產量遠低於我們預期的水平，或者 DNA 組裝失敗時，我必須在運行過程中修改它們。
此外，我的儀器來自不同的供應商，每個供應商都有自己的軟體、數據格式和驅動程式。
將它們連接起來是一個需要數月到數年才能完成的整合問題，成本從數千到數百萬美元不等，這使得大多數實驗室無法負擔。
沒有標準的工作流程來自動化協議，也沒有經濟實惠的方法來連接大多數學術實驗室中的儀器。
為了探索一種低成本、低工作量的解決方案，我將 MHS 與 AI 代理結合，並在我的實驗室進行了一些演示。
MHS 基本上賦予了代理視覺、聽覺和時間感：它可以看到每個儀器的狀態，運行每個儀器，並協調它們協同工作。
在 MHS 之前，我必須在實驗室裡四處走動來監控儀器。
有了 MHS，儀器會將其狀態報告給一個儀表板，因此我和我的同事可以從筆記型電腦上查看整個實驗室，甚至可以從手機上向 AI 代理提問，而無需親自進入實驗室（圖 2）。
這種遠端監控對於需要持續關注的實驗尤其有用。
定量 PCR（qPCR）是一個很好的例子。
qPCR 透過重複的加熱和冷卻週期來擴增（即複製）目標 DNA 序列，並帶有一個螢光報告物，隨著拷貝數的累積而變亮。
DNA 擴增遵循 S 形曲線：複製在每個週期都會翻倍，因此當訊號仍然微弱時會保持平坦，一旦足夠被偵測到就會急劇爬升，然後在曲線頂部再次變平，因為試劑耗盡且拷貝數停止翻倍（平台期）。
讓反應進入平台期會扭曲 DNA 文庫，導致我無法再從最終擴增的 DNA 序列數量中獲取準確的數據。
為避免這種情況，我需要觀察曲線並在適當的時候停止反應。
這可能需要數小時，並且需要我主動監控儀器的螢幕。
MHS 解決了這個繁瑣的問題，它會監控和分析進入的擴增曲線，並即時回報。
它識別曲線模式，並在精確的節點處詢問研究人員是否停止或繼續。
當被告知停止時，它會停止反應並將儀器推進到下一步：4 °C 的保持，這可以防止 DNA 降解，使其可用於下游工作（圖 3）。
有了 AI 代理和 MHS 監控曲線，我們現在可以專注於在實驗台上設定下游測序反應，或在辦公室分析來自其他實驗的文庫富集數據。
其他實驗不需要即時監控，但它們需要我重複地將樣本放入機器並取出（例如，高通量 DNA 擴增、蛋白質純化和基於盤的分析，如 ELISA）。
放入樣本只需幾秒鐘，但每次運行需要一到兩個小時，所以我每小時都要回到實驗室更換盤。
為了擺脫整天被束縛在實驗台旁，我們使用了一個基於 LeRobot 的開源機械手臂，並配備了 MHS，以安全地協調多個儀器之間的樣本載入。
作為演示，我重現了一個高通量實驗運行中的常規交換過程。
在這個過程中，液體處理器將反應試劑分配到盤中；然後機械手臂拿起完成的盤並放入一個新的盤，液體處理器再次分配到新盤中。
Claude Code 透過 MHS 控制和協調這兩個儀器，僅在前一步完成後才運行每一步，因此兩個儀器在交換過程中永遠不會發生碰撞。
演示按預期工作。
在液體處理器完成分配後，AI 代理接收到完成信號，大約 10 秒後，觸發機械手臂的下一步移動，將盤從平台上拿起。
在重複測試中，兩個儀器從未發生碰撞：機械手臂在分配完成前從未移動，在機械手臂移開盤之前，處理器也從未啟動。
同時，我在辦公室的電腦上觀看了整個運行過程，而無需觸碰任何東西。
將這種協調交給 AI 代理，並在 MHS 內建的安全標準下，預示著未來代理可以在夜間串聯許多這樣的步驟，實驗台則無人值守。
設定 MHS 比我預期的要快且容易，特別是考慮到我之前的自動化嘗試——花費數週時間評估平台、追蹤廠商支援、學習和建構儀器之間的粘合程式碼，最後放棄。
透過 MHS 連接六個儀器不到一週時間，包括我編寫驅動程式的時間。
一旦它們連接起來，AI 代理就能順暢地與儀器協同工作，無需我過多干預：它發現了每個設備，讀取了其狀態，並調用了其操作，而無需我手動操作介面。
對於一個花了數年時間處理不通訊儀器的人來說，這比我預期的要改變我的日常工作更多。
我過去花在監控 qPCR 曲線上時間現在用於規劃實驗、閱讀論文和分析數據，或者有時只是打個盹，在陽光下待一個小時。
這些演示仍然只是概念驗證。
更複雜的實驗協議將需要顯著的優化才能可靠運行，以及整合更廣泛、更複雜的物理操作。
長時間運行代理也需要計算成本，需要權衡研究人員節省的時間。
撇開這些考慮因素不談，我們很高興能繼續實驗 MHS 如何幫助我們運行一個完全自主的設計-構建-測試-學習循環。
每一次從頭蛋白質設計或優化，目前都卡在交接點，我將結果從一個階段帶到下一個階段；未來，隨著 MHS 為代理提供每個儀器的穩定介面，這個循環就可以自行運行。
我可以設想一個代理提出一組設計，運行構建和分析，透過相同的介面讀取結果，並利用所學知識規劃下一輪。
一個能夠這樣一輪又一輪地產生自己科學數據的實驗室，即使在學術預算下，也似乎是可及的。
我們感謝同行評審 Pushya Krishna 以及 Xander Balwit、Rebecca Hiscott、Ethan Dyer、Conor Kelly 和 Siddharth Mishra-Sharma 提供的有益回饋。
我們感謝 Alek Kemeny 和 Bailey Bova 協助我們設定 MHS。
特別感謝 Sudarshan Pinglay 博士在部落格上的貢獻、支持和指導，以及 David Baker 博士在我研究中的指導。
卡內基美隆大學的研究人員使用 MHS，將串聯稀釋劑量反應實驗的速度提高了約三倍，AI 代理協調著液體處理器、盤讀取器、機械手臂和分佈在三個具有根本不相容介面的電腦上的監控攝影機。
卡內基美隆大學的研究人員使用 MHS，將串聯稀釋劑量反應實驗的速度提高了約三倍，AI 代理協調著液體處理器、盤讀取器、機械手臂和分佈在三個具有根本不相容介面的電腦上的監控攝影機。
Sina Barazandeh、Arth Banka、Gün Kaynar、Jiayi Li、Peneeta Wojcik、Carl Kingsford、Jose Lugo-Martinez、Joshua Kangas
藥物開發的一個關鍵組成部分是確定劑量。
一旦我們確定了候選藥物，我們就需要了解需要多少劑量才能有效——過量可能成本高昂，甚至有毒，而過量則無效。
適當的劑量通常透過稱為串聯稀釋的過程來確定。
我們從強溶液開始，每次都以相同的比例稀釋，並使用上一次的稀釋液來製作下一次。
例如，將一份溶液與九份溶劑混合以獲得 10 倍稀釋的樣本；取一份該樣本並以相同方式再次稀釋，重複此過程。
每一步都會以固定量降低濃度，從而提供一個均勻、可預測的測試範圍。
該過程耗時且容易出錯，通常需要多次迭代才能確定正確的最大濃度和適當的稀釋間隔。
過高的最大濃度會導致飽和，意味著訊號達到最大值且曲線頂部變平，因此這些高劑量不再提供關於反應的有用資訊。
過小的間隔無法涵蓋足夠寬的範圍；過大的間隔則完全跳過了轉變區域，錯過了反應實際改變的點。
手工進行串聯稀釋實驗的設定和執行可能需要數週時間。
在傳統藥物開發中已經很繁重，這在 AI 指導的藥物開發的高通量篩選中更加不切實際，因為目標是同時確定大量候選藥物的劑量。
因此，串聯稀釋實驗成為機器人實驗室自動化的首要目標，這並不令人意外。
不幸的是，設定這樣的自動化實驗本身就很複雜且耗時。
它需要協調多個實驗設備，經過多輪實驗才能獲得可用的劑量反應曲線。
即使能夠存取自動化實驗室（這是一個非瑣碎的要求，因為需要多個自動化兼容的儀器和昂貴的整合軟體），也可能需要數週的自動化工程和協議開發才能開發出執行這些實驗的程序。
MHS 使我們能夠透過讓 AI 以程式化的方式控制多個實驗室設備，將這些實驗的速度提高約三倍。
我們的系統結合了 CyBio Felix 液體處理器（一種在孔、管和盤之間移動精確液體體積的機器人）、Varioskan LUX 盤讀取器（一種測量微盤中每個孔的光學訊號，例如螢光的儀器）、用於移動 96 孔盤的機械手臂，以及帶有 AI 控制協調器的監控攝影機，以自動動態地測量劑量反應曲線。
單獨來看，每個組件都難以透過程式控制，需要獨特的介面和特定的操作模式。
工程師通常必須學習並手動編寫每個儀器的單獨整合，然後才能協同工作。
然而，使用 MHS，我們能夠從頭開始為每個儀器開發驅動程式，以及一個協調層，讓 Claude Opus 4.8 代理能夠自主運行完整的協議。
這大約花了八個小時，而傳統的廠商建置設定通常需要數週時間。
我們的設定使用了三台電腦。
電腦 1 運行機械手臂，透過排程軟體控制，該軟體從提交目錄接收作業檔案，而不是標準 API。
電腦 2 透過舊的 Windows ActiveX/COM 腳本介面運行液體處理器，以及透過 USB 運行監控攝影機。
電腦 3 運行盤讀取器，它根本沒有程式介面，只有螢幕上的 GUI。
MHS 將這些轉換為一個狀態清單（系統可以處於的條件；例如，盤位於位置 3，樣本為 25°C，孔已填充）和程序（它可以執行的操作，例如吸取或搖動），因此模型從單一、一致的介面工作，無論底層運行的是哪種電腦控制風格。
工作流程本身與 MHS 之前相同，只是現在由代理驅動：液體處理器準備稀釋系列，攝影機檢查確認盤已放置且方向正確後才允許任何轉移，機械手臂將盤移動到讀取器，讀取器進行測量，模型查看產生的曲線並決定是否調整濃度範圍並重新運行，或接受結果。
為了測試它，我們使用了一種比色染料（一種顏色強度與其濃度相關的染料）作為實際候選藥物的替代品。
這使得實驗安全且易於視覺化，同時仍然需要與真實劑量反應運行相同的決策。
每個儀器的介面都帶來了挑戰。
機械手臂的排程器基於目錄觀察器，該觀察器為每個提交的 XML 檔案生成兩個不同的檔案，MHS 必須對其進行協調才能獲得一個乾淨的結果，通常在提交後一秒內完成。
液體處理器僅公開 COM 腳本，沒有現代 SDK，因此每個可用的方法都必須根據廠商文件或透過 Claude Opus 4.8 代理探索介面來編寫功能驅動程式。
單次分配週期大約需要四到五分鐘，並且分配體積的允許誤差範圍僅為 5%，否則產生的曲線將無法使用。
我們使用的盤讀取器軟體版本沒有任何 API，因此 MHS 以與人相同的方式驅動其 GUI，沒有任何東西可以檢查其工作，除了螢幕上可見的內容。
在此之前，一個人必須經歷所有這些步驟：觀察機械手臂的日誌以查找故障，檢查盤是否正確放置，並決定產生的曲線是否足夠有資訊量可以保留，或者是否需要調整濃度範圍並重新運行整個過程。
MHS 和代理現在直接自動處理所有這三個決策。
為了驗證 MHS 是否能像人類操作員一樣安全運行並自我糾正，我們人為地誘導了六種不同的情況：盤丟失、盤旋轉、讀取器忙碌、攝影機斷開連接、設備無法觸及以及緊急停止啟動。
系統在任何設備移動之前都正確地阻止了所有這六種情況。
然後，我們要求代理運行串聯稀釋實驗以獲得可接受的曲線。
模型評估了產生的曲線，但發現擬合度太差無法接受（R² < 0.9，由高濃度範圍的飽和引起），並獨立決定丟棄該盤，並在壓縮濃度範圍（200 µg/mL 的最高濃度降低到 100 µg/mL）的新盤上重新運行。
第二次運行產生了一個強大、可用的擬合（R² > 0.98，重複測量變異性為 3.4%），整個過程沒有任何人類輸入。
MHS 最令人印象深刻的是整合速度。
從原始、非自動化的設備準備到完成的稀釋曲線（包括一次自主重運行）的時間為八小時。
相比之下，聘請廠商交付可工作的自動化設定通常需要數週時間。
儀器像往常一樣運行其原生軟體；MHS 在頂部增加了一個協調層，無需額外的自動化軟體。
任何具有 API、SDK 或 GUI 介面的設備都可以整合。
為每個儀器開發的驅動程式已經標準化，並將公開提供，以便其他人可以重複使用它們，而不是從頭開始重複整合工作。
我們實驗室的未來工作將重點關注使用真實候選藥物驗證系統，並將染料的顏色訊號替換為捕捉實際生物學效應的讀數。
我們還計劃擴展 MHS 對 qPCR 和顯微鏡等儀器的支援，並將基於 MCP 的代理整合到 MHS 車隊中。
我們還希望減少每個儀器的整合時間，以便我們可以擴展系統以支援更大的工作流程。
我們還確保自動化可以安全地進行。
我們計劃增加更多的安全檢查，監控實驗期間儀器和設備的響應能力，並完善我們關於何時以及如何對高風險決策進行人工批准的協議。
我們期待進一步探索 MHS 如何幫助我們加速實驗自動化，因為 MHS 幫助我們的研究人員更快、更安全地推進。
在 HHMI Janelia 研究園區，研究人員正在使用 MHS 來加速一系列與顯微鏡相關的專案。
在這裡，研究 Ahrens 實驗室睡眠如何幫助身體從壓力中恢復的科學家 Virginie Ruetten 分享了她如何使用 MHS 來統一和協調一個先前涉及七個不同廠商程式且沒有共享介面的設備。
在 HHMI Janelia 研究園區，研究人員正在使用 MHS 來加速一系列與顯微鏡相關的專案。
在這裡，研究 Ahrens 實驗室睡眠如何幫助身體從壓力中恢復的科學家 Virginie Ruetten 分享了她如何使用 MHS 來統一和協調一個先前涉及七個不同廠商程式且沒有共享介面的設備。
幾晚的睡眠中斷足以造成廣泛的損害：認知改變、代謝失調、免疫系統減弱。
如果這種情況持續足夠長的時間，睡眠不足甚至可能致命。
然而，我們仍然不完全理解原因。
睡眠之所以難以研究，部分原因是它不是局限於單一器官。
由於睡眠是一種全動物狀態，要對其產生機制性的理解，就需要同時測量身體的許多部分。
顯微鏡提供了一種方法來做到這一點。
工程化以表達螢光感測器的細胞發出發出其活性的訊號；顯微鏡可以以高時間和空間解析度對這些訊號進行成像，使我們能夠觀察這些細胞在做什麼。
然而，大多數動物對於這種遍及全身的成像來說太大或太不透明。
我的工作因此使用了年輕的斑馬魚。
這種模式生物因其體型小巧、透明，並且其器官和許多睡眠生理學特徵與哺乳動物（包括人類）相似而廣受歡迎。
這些特性，結合我開發的稱為 WHOLISTIC 成像的實驗方法，使我們能夠使用雙光子顯微鏡捕捉活體斑馬魚大腦和身體的細胞活動。
我們不是拍攝孤立組織的快照，而是可以觀察細胞和器官如何隨時隨地在整個動物體內相互反應和互動，從而更好地理解生理過程背後的細胞參與者和潛在機制。
進行我的實驗所需的儀器填滿了整個房間。
與許多先進的顯微鏡設定一樣，我的設備是由許多組件拼湊而成，每個組件都是單獨購買的，來自不同的製造商，並手工連接起來：強大的飛秒雷射；快速掃描顯微鏡雷射束的掃描鏡；收集返回光的超靈敏光電倍增管探測器；以及兩個精確的平移台，用於將魚相對於樣本架定位，以及將樣本架相對於顯微鏡定位。
這些設備必須在嚴格的共享時間表中運行：雷射必須與掃描它的鏡子同步門控，並且如果動物移動或樣本偏離焦點平面，平移台必須進行補償。
然而，這些設備並非設計用於協同工作。
每個設備都有自己的廠商控制軟體，沒有通用介面。
它們通常也使用不同的程式語言：探測器使用 MATLAB，攝影機使用 Python，電生理學使用 C#。
一個程式中的數量，例如平移台的位置，因此對其他程式來說是未知的。
然而，設備需要通訊——例如，每個平移台都需要知道另一個的位置，以便系統知道樣本的絕對位置。
這種不相容性的後果是，我花費大量時間來弄清楚如何讓設備相互通訊，編寫客製化程式碼來橋接兩個程式——或者在某些情況下，訴諸於增加另一個設備，一個數位擷取板（DAQ），一個物理路由和轉換電訊號的卡，以便設備可以通訊。
一旦所有設備都連接起來，我仍然需要按照固定的順序啟動七個程式才能開始實驗，這是一個容易出錯的過程，錯誤的啟動順序可能會導致整個會話失敗。
MHS 用單一介面取代了這些點對點連接。
每個設備現在都被描述和載入一次，其變數、控制項和感測器值記錄在一個共享記憶體中的單一字典中，共享記憶體是作業系統允許許多程式存取的電腦記憶體區域。
好處是硬體整合的成本不再隨著設備數量的增加而擴大。
在 MHS 之前，將新硬體整合到系統中是一個多天的專案。
然而，自實施以來，當我添加一個新攝影機來拍攝雷射束時，我只花了幾分鐘，並且能夠無縫地將攝影機的輸出——雷射束的位置——饋送回控制雷射束的鏡子，使我能夠更精確地對準它。
現在開始實驗只需在 MHS 儀表板上點擊一次，而不是七個單獨的步驟。
即使硬體連接好後，我仍然需要在實驗前和實驗期間進行大量的檢查和參數調整，以確保我獲得高品質的數據。
這包括監控魚的健康狀況，確保攝影機聚焦在心臟以測量心率變異性，以及檢查螢光圖像的品質，以確保我想要記錄的細胞在高解析度下可見。
每個檢查都涉及從設備產生的眾多數據流之一計算一個衍生量，例如螢光數據的訊號雜訊比或魚的心率。
這種定量監控過去非常費力，因為每個數據流由單獨的程式收集，並且在錄製過程中，任何其他程式都無法輕鬆讀取每個程式記憶體中的值。
在 MHS 之前，我有三種選擇，沒有一種是最佳的。
首先，我可以收集數據並在之後進行分析，在數據保存到磁碟後，在運行之間迭代參數。
但這需要數小時，有時最終會發現錄製的數據無法使用。
其次，我可以透過廠商檢視器用眼睛判斷數據。
這很快，但它只提供一個印象，而不是一個可以跨運行進行比較的精確測量。
第三，我可以將分析程式碼附加到正在錄製的程式上。
但這很麻煩，因為程式碼必須為每個產生數據流的程式重寫。
顯示數據流同樣耗時，因為每個應用程式都需要自己的客製化檢視器，用錄製程式使用的任何語言編寫。
MHS 統一了這個碎片化的過程，並消除了每個程式的重寫。
使用 MHS，每個數據流都以文件化的格式儲存在 MHS 狀態字典的共享記憶體中，該格式可被任何連接到它的進程讀取。
由於每個數據流都以相同的方式呈現，分析或視覺化程式碼現在可以跨設備重複使用，並用任何語言編寫。
這使我能夠編寫一個模組化的線上分析框架，引導數據通過一系列處理步驟：數據從一個槽（MHS 狀態字典中的一個條目）進入，通過可重複使用的轉換（對數據的操作），結果寫回另一個槽或磁碟。
對於視覺化，我編寫了一組檢視器——每種類型的數據一個，而不是每個設備一個——用於圖像、時間序列、光譜等。
現在，任何數據流都可以在獲取時進行檢查，而且我無需重寫任何程式碼來檢查新的數據流。
當我對斑馬魚心率在睡眠-清醒週期中的變化感興趣時，我可以添加一個轉換來計算攝影機記錄的心臟活動的光譜內容，以估計其心率；然後我可以重複使用程式碼來計算不同設備、用不同語言獲取的同時神經活動的光譜。
現在，工作量在一個程式碼庫中累積，而不是分散在每個設備一個程式碼庫中。
實驗總是涉及權衡。
例如，在成像中，我必須在速度和覆蓋範圍之間進行權衡：我可以快速掃描單個平面——大腦中的一個薄光學切片——或者緩慢地掃描多個平面，以覆蓋大腦的更多部分。
找到具有我關心的振盪活動的細胞需要覆蓋範圍，但測量該活動需要速度。
今天，大多數實驗都是彈道式的：我在開始時選擇一組設定，一個條件，然後啟動運行。
所以我必須在數據告訴我需要哪個點之前選擇這個權衡點。
實驗持續數小時，因此全程待在設備旁是不切實際的——而且生物學太具變異性和混亂性，無法讓一個簡單的確定性演算法為我進行搜索。
理想情況下，我不必權衡兩者；我應該能夠廣泛搜索，找到我關心的具有振盪活動的細胞群，然後足夠快地採樣該精確區域以解析細胞之間的相位關係。
代理顯微鏡是實現這一目標的顯然方法：讓代理識別感興趣的區域並放大它。
但歷史上，這說起來容易做起來難。
困難的部分不是讓代理反覆編寫分析程式碼來弄清楚在哪裡放大；而是讓它能夠可靠地控制一個設備，其中指令移動真實設備，並且失敗意味著損壞的物鏡，或者代理因為半打廠商程式的怪癖而損失了幾小時的樣本準備時間。
這就是我發現 MHS 特別有幫助的地方。
由於整個設備的狀態都包含在一個共享的、標準化的字典中，代理可以透過單一介面而不是七個廠商 API 來讀寫每個變數，這消除了每個廠商 API 特有的故障模式。
我編寫了一個簡單的工具，使我的設備能夠被 AI 代理操作。
核心的確定性循環在獲取和分析之間迭代，每個結果都為下一個決策提供資訊。
代理在決策點進入，選擇獲取參數（例如，要成像的區域）和要運行的分析，線上和離線，以實現使用者指定的目標。
而且由於 MHS 強制執行設備級的安全限制，我不必擔心代理意外使用過量的雷射功率等問題，