AI 開始動手做實驗：科學家 80% 的時間花在搭設備上
科學家 80% 的時間花在搭設備、調硬件、debug 上，而不是做科學。Model Hardware Standard 讓 Claude 直接驅動顯微鏡和機械臂，把兩年的搭建壓到兩個月。
核心論點 · 點時間戳可跳到原聲
科學家八成時間不在做科學
節目開篇給出的判斷是：提出理論不夠，必須造實驗裝置去驗證，而造裝置這件事佔掉科學家大約 80% 的時間——搭設備、調試硬件、調試軟件。這些事跟做科學本身沒關係，但正是它們讓科學真的跑起來。這條是整集所有後續論證的地基：如果 AI 能接管這 80%，加速的不是某個實驗，而是整個科學流程的吞吐量。
每臺設備說自己的語言
神經科學家 Arco Bast 在實驗室裡搭一臺定製顯微鏡，用激光束掃描成像，要求所有組件精確對齊。真正的難點不是光學，而是每臺設備說不同的語言，讓它們互相通話極其困難。Arco 找到了一種能在任意兩臺設備之間通用的接法。這個細節解釋了為什麼 MHS 是協議層而不是某個實驗室的定製腳本——它解決的是設備異構，不是某個具體實驗。
站在那間屋子裡才想通
說話人站在 Arco 的實驗室裡看他跑實驗時產生了一個頓悟：Arco 造出來的東西不只適用於這一個實驗室，這個思路可以用來讓 AI 跑世界上任何科學實驗。於是兩人開始合作，做一套讓 AI 與設備交互的通用方式，命名為 Model Hardware Standard。這是全集的轉折點：從一個實驗室的具體問題，跳到通用協議。
安全邊界由協議層拒絕
原型跑通後，他們拿機械臂做測試。第一件事是定義安全範圍——手臂允許伸出桌面多遠。當他們讓 Claude 故意移出安全範圍時，這個動作被 MHS 拒絕了。這是 MHS 作為協議層的關鍵設計：安全約束不寫在 prompt 裡，而是由硬件標準層攔截。後面還有一段更細的觀察：當要求切換到更高放大倍率時，Claude 明顯意識到高倍率可能撞到樣本，說明它對顯微鏡操作有認知。
從零搭出來只用了幾分鐘
現場讓 Claude 從零開始抓取東西，之前從沒這麼試過，沒人知道它會搞出什麼。結果它做到了，現場反應是「that was sick」。說話人的判斷是：能當天從零搭出這個、並且幾分鐘內達成目標，這件事本身就很瘋狂。同時他們也在和造設備的廠商合作，比如和 Danaher 一起讓 Claude 接上他們的 Leica 顯微鏡。這裡給出的態度是：Claude 從沒見過這個應用場景，一定會犯錯，所以當成迭代過程來做。
樣本被撞壞，實驗就沒了
現場有一段關於成本的提醒：科學家花了幾週讓樣本活到這個觀察狀態，花了幾千美元的試劑，如果撞壞樣本，實驗就沒了。這段把「AI 操作物理設備」的風險具體化了——不是抽象的 safety，而是不可逆的樣本損失。同時畫面裡能看到 Claude 在嘗試改顯微鏡設置拿圖像，說話人認為需要幫它一把。
第二天把它當同事對待
第一天的結論是：Claude 走進來，什麼都沒告訴它，它自己摸索。第二天的思路變了——把它當同事對待。隨後他們讓 Claude 寫一個追蹤遊動藻類的程序，因為人工追蹤要坐著盯幾個小時。Claude 寫完了初始腳本，但說話人指出只跑後臺腳本不可接受，需要它自己搭一個 UI 讓人看到它在做什麼。這是從「AI 執行命令」到「AI 交付可用工具」的轉變。
兩年搭建壓成兩個月
追蹤程序跑起來後，現場看著它追了幾分鐘藻類。說話人給出的判斷是：這是一個原型系統，或者說是非常動態的系統，能很快造出東西，也許對某些科學應用已經夠用。最具體的收益是——博士生不用花兩年把系統跑起來，只需要兩個月，剩下的時間可以專注在生物學問題上。這才是這套東西的目標：把工程時間還給科學問題。
氣泡決定移液量對不對
Genentech 的場景：做藥要測幾千、幾十萬甚至上百萬個分子才能找到對的那個。他們要讓 Claude 跑一系列操作並解讀數據。具體機制是：如果從一個有氣泡的孔裡吸液，轉移量就不對——沒有氣泡的孔量正確，有氣泡的孔量不正確。有了 Claude，可以在生產運行過程中檢查氣泡是否出現，並希望它有上下文和知識去做調整。Claude 執行、讀數、微調參數，形成閉環。
閉環越快，命中越多
Genentech 這段的核心邏輯是：加速這個閉環意味著能對目標做更多次嘗試，更快拿到答案。現場驗證結果是氣泡變少了——兩個孔有氣泡，其餘沒有，比之前好。說話人給出的定性是：這是歷史上第一次讓 AI 與物理世界在藥物發現中交互，並且明確說「definitely historic」。這是全集把 MHS 從實驗室工具抬到產業意義的一處。
三十年後會怎樣沒人能預測
結尾回到動機：很難預測 AI 和 Model Hardware Standard 在 30 年、50 年後會怎樣影響世界。說話人給出的驅動力是那些最好的時刻——以前做不到的事現在能做了，以前看不見的東西現在能看見了。他想理解現在還不理解的東西。最後把範圍鋪開：藥物開發、量子計算、核聚變，這些能改變世界的大技術，在科學家拿到這套技術之後會看到什麼。
原話 · 已逐字校驗
That process of building the experiment takes maybe 80% of a scientist's time.
搭建實驗的過程大概佔掉科學家 80% 的時間。
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.
問題在於每臺設備說的都是不同的語言，而讓這些設備用各自的語言互相通話非常困難。
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.
他造出來的東西不只適用於這個實驗室。這個思路可以用來讓 AI 跑世界上任何科學實驗。
The mere fact that I was able to build this from scratch today and it achieved it in a matter of minutes.
光是今天能從零把這個搭出來、並且幾分鐘內就達成目標，這件事本身就已經很瘋狂了。
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.
你得想像一下，我作為科學家花了幾週時間才讓這個樣本活到這個觀察狀態，光試劑就花了幾千美元。
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，因為他不需要花兩年把系統跑起來，他只需要兩個月。
This is really the first time in history where we are enabling AI to interact with the physical world in drug discovery.
這真的是歷史上第一次，我們讓 AI 在藥物發現中與物理世界交互。
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.
最好的時刻就是：有些事我以前做不到，現在能做了；有些東西我以前看不見，現在能看見了。
數字與實體
| 科學家花在搭建實驗上的時間佔比 | 約 80% | 0:02 |
| 博士生把實驗系統跑起來所需時間（用 MHS 後） | 從兩年降到兩個月 | 7:18 |
| 藥物研發需要測試的分子數量 | 幾千到幾十萬甚至上百萬個 | 8:22 |
術語
- Model Hardware Standard (MHS)模型硬件標準
- 一套讓 AI 與任意實驗設備交互的通用協議，由 Anthropic 與神經科學家 Arco Bast 合作提出。
- aspirate移液/吸液
- 實驗室操作，從孔板中吸取液體；有氣泡會導致轉移量不準。
- closed loop閉環
- AI 執行操作、讀取結果、微調參數再執行的循環，用於自動優化實驗。
收聽指南
做實驗室自動化、科學儀器接口、AI for Science 的工程師和創業者；以及想知道 AI 如何進入物理實驗環節的投資人。
8:22 到 9:22 的 Genentech 氣泡移液細節，非實驗室背景可快進。