机智云黄灼 | Anthropic发布MHS，全球物理AI赛跑开始，谁才是真正的赢家？

2026年8月27日，全球AI圈都在讨论同一份文件——Anthropic 发布的 Model Hardware Standard（MHS）。它被业内称为“MCP 的硬件版”，也被不少媒体形容为“物理 AI 的开题报告”。

我和机智云团队在工业互联网、智慧农业、装备智能化这些行业里，和客户们一起耕耘了超过10年。从我们的视角看，这个比喻是贴切的。MHS解决的，正是物理AI从“模型能力”走向“行业落地”必须补上的第一课：接口标准。开题之后是答题，接下来行业要补的课还很多。结合机智云的实践，我谈几点看法。

MHS是一份难得的“开题报告”

先说结论：Anthropic这份Model Hardware Standard，是物理AI发展史上的一个重要节点。

QuEra的量子计算案例里，AI自主恢复激光锁定频率的成功率从58%升到99.3%；卡内基梅隆大学的药物实验提速3倍，集成耗时从数周压缩到8小时。AWS、Hugging Face、Universal Robots、QIAGEN、Danaher等机构同步参与进来——顶尖的模型公司、设备厂商、科研机构，第一次在同一份标准上对齐。

更难得的是，Anthropic没有回避短板，公开承认了三件事：

1、AI缺乏“物理常识”——把样品起泡造成的物理故障，误判成了软件Bug；

2、设备的核心知识仍靠人工录入——参数、限制来自纸质说明书和老师傅的经验；

3、专家监督是必需的——要建安全评测，要有“物理安全路线图”。

对一家头部模型公司，这种坦诚并不容易。MHS不只是一份技术标准，也是一份清醒的声明：物理世界至今还没有被数字化，至少还没被美国科技企业数字化。

不过这终究只是一个美国前沿AI实验室的视角。美国产业结构由金融、互联网这样的虚拟经济主导，几十年去工业化下来，前沿科技圈对物理AI的理解偏理论化、抽象化。这恰恰是中国科技圈的空档——中国的科技企业扎根庞大的实体经济，在长期产业数字化里攒下了能落地的场景和真实的方法论，机智云就是其中一员。

物理AI的价值是从场景里深挖出来的

MHS的发布，验证了我一直的判断：前沿基础大模型迟早标准化，甚至同质化；物理 AI 真正落地的赛场，在基础模型之外的具体产业场景里。物理AI要在场景里创造价值，有三个点绕不过去：

一任务定义权——用AI来做什么。判据不在用哪一家的模型，而在有没有找准能落地的场景。场景和任务怎么定义，决定了以AI目前的能力，能不能下场创造价值——在车间，任务是“机器不停、良率不掉”；在塘口，任务是“鱼虾不用药也能长得健康”。这两个场景如果我们理解不深，就不知道AI的价值点怎么激活。

二现场真值权——到底AI判断对不对。数据是“工业品”，不是“原材料”。

事没有捷径。

三安全边界权——如何控制AI不捅娄子。危险动作红线、置信度门槛，必须以行业为准。水产上敢不敢让AI直接开关增氧机？注塑机上敢不敢让AI直接改工艺参数？这些不是模型能定的。

物理AI的护城河是自进化的数据飞轮

物理AI的护城河，不在模型权重里，在“物理连接（Connectivity）×私域数据（Domain Data）×模型迭代（Recursive Self Improvement）”这三样东西咬合起来的飞轮里。

十年间，我们通过连接、设备与数据管理，给各行业客户做了大量的数字化基础工作——这是数据飞轮的物理和数据基础。而开放权重的基础大模型、快速进步的模型训练方法论，恰好补齐了AI这个核心零件。

▍水产养殖

机智云旗下渔军师专注在养殖场数字化，全国客户超过10万家，覆盖国内10%以上的水产养殖场。我们去年发布了专门服务规模化南美白对虾养殖场的AI智能养殖机器人，每天自动采样虾群8-10次，自动分析虾群数量、体长、摄食、残饵，判断虾群健康和水质环境。基于AquaHealth，渔军师的RoboFarm养殖智能体不但自动完成劳动密集的投喂工作，而且能提前48-72小时研判风险。在这些系统的服务下，养殖场利润率提高了10-15%——而且因为虾群健康长期稳定，可以用零用药的养殖模式保障食品安全。

装备制造与离散工业——精密工业装备的“无人自驾”

我拿注塑机来打个样。中国存量注塑机三十多万台，守着它们的是一群调机师傅——月薪一万多，全国十万上下。师傅调一台机器，半小时起步：看缺陷、试参数、反复试模。我们对调机这件事做了同样的事：工艺参数、缺陷样本、温度节拍全部进模型，AI十秒钟出调机方案，十分钟内完成调机。闭环是“缺陷/质量与参数→AI诊断→人工确认→小步调整→成功经验回流”，每一单成功的调机，都成了模型的新教材。

这件事，我把它叫作精密工业装备的“无人自驾”：自动驾驶解决的是“移动装备自己开”，把司机请出驾驶室；我们解决的是“固定装备自己开”，把调机师傅请离机器旁。注塑机只是第一个起点，激光切割机、压铸机、机床、工业机器人——所有不带轮子的精密装备，都要经历同一件事：从AI当副驾（AI建议、人确认），走向无人接管。而按自动驾驶的等级说，我们今天大约在L2，往L4的路上，差的从来不是算法，是敢不敢让模型按那个红色按钮，以及按下之后的账由谁来担。

两家，两种行业：任务定义不同、现场真值不同、安全边界不同。

但底层结构是一样的——通过连接赋能，提炼私域数据，支撑垂直模型不停优化迭代。这就是闭环。

AI公司分两种：一种卖模型，一种挖场景。

能把物理AI价值变现的，是后者。

物理AI进化也需要一张L1-L4的表

自动驾驶的L1-L4分级表，我觉得是物理AI成熟度的一个很好的参照：L1扶着方向盘，L2自己转弯但人得盯着，L3有条件无人，L4特定场景真无人。

物理AI也可用同样的思路来划分成熟阶段。L1 · 辅助执行｜AI出预警、出诊断，人来动手。我们的水质告警、设备故障诊断在这一档——解决“看得见”。

L2 · 系统执行，人确认｜AI完成完整环节，关键动作人点头。注塑调机和投喂处方在这一档：AI十秒出方案，人确认才动。

L3 · 有条件无人｜红线内自主执行，越线立刻交人。这一档卖的不是模型能力，是红线清单和交人机制——交得出去，工厂才敢让你在边上待着。

L4 · 无人值守｜一条产线、一栋养殖棚，整季不需要人在场。这是物理AI的决赛圈。这四级的定义，在每个行业都要因地制宜，但共性的是这几个维度：每个等级靠什么判据（怎么算“做得对”）、每个等级拿什么评测（“准”与“不准”怎么标定）、每个等级的跃迁许可证（红线清单：哪些动作AI绝不能做，哪些必须有人，哪些可以交出去）。

MHS是必要条件，不是充分条件。物理AI这个大赛道的赢家，必然是那些能找准自己的行业，在L1-L4每个阶段都能找到递进的价值点，并且在迭代中升级、在自进化中建立自己的护城河的创新者。

结语

我们要感谢Anthropic——以其在AI领域巨大的影响力，通过MHS，让全行业第一次对“物理AI”有了共同的语法。语法之后是语义，接口之后是现场，模型之后是行业。物理AI的成败，不在benchmark里、不在发布会上，而在车间、塘口、机器旁的每一个物理场景里。

物理AI还刚起跑。这些都是起步阶段的观察，供同行参考，欢迎指正。

机智云Gizwits·让AI走向物理世界