AI 开始动手做实验：科学家 80% 的时间花在搭设备上
科学家 80% 的时间花在搭设备、调硬件、debug 上，而不是做科学。Model Hardware Standard 让 Claude 直接驱动显微镜和机械臂，把两年的搭建压到两个月。
核心论点 · 点时间戳可跳到原声
科学家八成时间不在做科学
节目开篇给出的判断是：提出理论不够，必须造实验装置去验证，而造装置这件事占掉科学家大约 80% 的时间——搭设备、调试硬件、调试软件。这些事跟做科学本身没关系，但正是它们让科学真的跑起来。这条是整集所有后续论证的地基：如果 AI 能接管这 80%，加速的不是某个实验，而是整个科学流程的吞吐量。
每台设备说自己的语言
神经科学家 Arco Bast 在实验室里搭一台定制显微镜，用激光束扫描成像，要求所有组件精确对齐。真正的难点不是光学，而是每台设备说不同的语言，让它们互相通话极其困难。Arco 找到了一种能在任意两台设备之间通用的接法。这个细节解释了为什么 MHS 是协议层而不是某个实验室的定制脚本——它解决的是设备异构，不是某个具体实验。
站在那间屋子里才想通
说话人站在 Arco 的实验室里看他跑实验时产生了一个顿悟：Arco 造出来的东西不只适用于这一个实验室，这个思路可以用来让 AI 跑世界上任何科学实验。于是两人开始合作，做一套让 AI 与设备交互的通用方式，命名为 Model Hardware Standard。这是全集的转折点：从一个实验室的具体问题，跳到通用协议。
安全边界由协议层拒绝
原型跑通后，他们拿机械臂做测试。第一件事是定义安全范围——手臂允许伸出桌面多远。当他们让 Claude 故意移出安全范围时，这个动作被 MHS 拒绝了。这是 MHS 作为协议层的关键设计：安全约束不写在 prompt 里，而是由硬件标准层拦截。后面还有一段更细的观察：当要求切换到更高放大倍率时，Claude 明显意识到高倍率可能撞到样本，说明它对显微镜操作有认知。
从零搭出来只用了几分钟
现场让 Claude 从零开始抓取东西，之前从没这么试过，没人知道它会搞出什么。结果它做到了，现场反应是「that was sick」。说话人的判断是：能当天从零搭出这个、并且几分钟内达成目标，这件事本身就很疯狂。同时他们也在和造设备的厂商合作，比如和 Danaher 一起让 Claude 接上他们的 Leica 显微镜。这里给出的态度是：Claude 从没见过这个应用场景，一定会犯错，所以当成迭代过程来做。
样本被撞坏，实验就没了
现场有一段关于成本的提醒：科学家花了几周让样本活到这个观察状态，花了几千美元的试剂，如果撞坏样本，实验就没了。这段把「AI 操作物理设备」的风险具体化了——不是抽象的 safety，而是不可逆的样本损失。同时画面里能看到 Claude 在尝试改显微镜设置拿图像，说话人认为需要帮它一把。
第二天把它当同事对待
第一天的结论是：Claude 走进来，什么都没告诉它，它自己摸索。第二天的思路变了——把它当同事对待。随后他们让 Claude 写一个追踪游动藻类的程序，因为人工追踪要坐着盯几个小时。Claude 写完了初始脚本，但说话人指出只跑后台脚本不可接受，需要它自己搭一个 UI 让人看到它在做什么。这是从「AI 执行命令」到「AI 交付可用工具」的转变。
两年搭建压成两个月
追踪程序跑起来后，现场看着它追了几分钟藻类。说话人给出的判断是：这是一个原型系统，或者说是非常动态的系统，能很快造出东西，也许对某些科学应用已经够用。最具体的收益是——博士生不用花两年把系统跑起来，只需要两个月，剩下的时间可以专注在生物学问题上。这才是这套东西的目标：把工程时间还给科学问题。
气泡决定移液量对不对
Genentech 的场景：做药要测几千、几十万甚至上百万个分子才能找到对的那个。他们要让 Claude 跑一系列操作并解读数据。具体机制是：如果从一个有气泡的孔里吸液，转移量就不对——没有气泡的孔量正确，有气泡的孔量不正确。有了 Claude，可以在生产运行过程中检查气泡是否出现，并希望它有上下文和知识去做调整。Claude 执行、读数、微调参数，形成闭环。
闭环越快，命中越多
Genentech 这段的核心逻辑是：加速这个闭环意味着能对目标做更多次尝试，更快拿到答案。现场验证结果是气泡变少了——两个孔有气泡，其余没有，比之前好。说话人给出的定性是：这是历史上第一次让 AI 与物理世界在药物发现中交互，并且明确说「definitely historic」。这是全集把 MHS 从实验室工具抬到产业意义的一处。
三十年后会怎样没人能预测
结尾回到动机：很难预测 AI 和 Model Hardware Standard 在 30 年、50 年后会怎样影响世界。说话人给出的驱动力是那些最好的时刻——以前做不到的事现在能做了，以前看不见的东西现在能看见了。他想理解现在还不理解的东西。最后把范围铺开：药物开发、量子计算、核聚变，这些能改变世界的大技术，在科学家拿到这套技术之后会看到什么。
原话 · 已逐字校验
That process of building the experiment takes maybe 80% of a scientist's time.
搭建实验的过程大概占掉科学家 80% 的时间。
The problem is that each device has a different language that it speaks, and getting the devices to talk to each other in their languages is very difficult.
问题在于每台设备说的都是不同的语言，而让这些设备用各自的语言互相通话非常困难。
what he had built wasn't just applicable to this lab. This idea could be used to have AI run any science experiment in the world.
他造出来的东西不只适用于这个实验室。这个思路可以用来让 AI 跑世界上任何科学实验。
The mere fact that I was able to build this from scratch today and it achieved it in a matter of minutes.
光是今天能从零把这个搭出来、并且几分钟内就达成目标，这件事本身就已经很疯狂了。
You have to imagine that I as a scientist spent weeks making this sample alive to this point of view and I spent thousands of dollars in ingredients.
你得想象一下，我作为科学家花了几周时间才让这个样本活到这个观察状态，光试剂就花了几千美元。
The PhD can do his PhD work faster because he doesn't need to spend two years to get it running. He only needs two months.
博士生能更快做他的博士工作，因为他不需要花两年把系统跑起来，他只需要两个月。
This is really the first time in history where we are enabling AI to interact with the physical world in drug discovery.
这真的是历史上第一次，我们让 AI 在药物发现中与物理世界交互。
These are the best moments when there's something I couldn't do before and now I can do it. Something I couldn't see before and now I can see it.
最好的时刻就是：有些事我以前做不到，现在能做了；有些东西我以前看不见，现在能看见了。
数字与实体
| 科学家花在搭建实验上的时间占比 | 约 80% | 0:02 |
| 博士生把实验系统跑起来所需时间（用 MHS 后） | 从两年降到两个月 | 7:18 |
| 药物研发需要测试的分子数量 | 几千到几十万甚至上百万个 | 8:22 |
术语
- Model Hardware Standard (MHS)模型硬件标准
- 一套让 AI 与任意实验设备交互的通用协议，由 Anthropic 与神经科学家 Arco Bast 合作提出。
- aspirate移液/吸液
- 实验室操作，从孔板中吸取液体；有气泡会导致转移量不准。
- closed loop闭环
- AI 执行操作、读取结果、微调参数再执行的循环，用于自动优化实验。
收听指南
做实验室自动化、科学仪器接口、AI for Science 的工程师和创业者；以及想知道 AI 如何进入物理实验环节的投资人。
8:22 到 9:22 的 Genentech 气泡移液细节，非实验室背景可快进。