Anthropic 開放 Model Hardware Standard 研究預覽:讓 AI 代理人直接操作實驗室硬體
Anthropic · 2026-08-27
背景
Anthropic 與 HHMI Janelia Research Campus 於 2026-08-27 共同發布 Model Hardware Standard(MHS)研究預覽,這是一套讓 AI 代理人能安全操作實體裝置的共用規格。實驗室與製造設施要接入新硬體,過去得靠工程師手寫客製化驅動,常常耗時數週到數月,原因是不同儀器之間缺乏標準化通訊協定,MHS 的目標是把這段整合工作壓縮到幾小時甚至幾分鐘。
規格內容
MHS 定義了標準化的驅動軟體層,負責在作業系統與硬體裝置之間轉譯指令,並以 read、write 等簡單 primitives 讓任何裝置都能被理解;裝置特性則用自然語言標籤直接描述。控制介面統一開放三種:Model Context Protocol(MCP,Anthropic 先前推出、讓 LLM 應用以統一方式呼叫外部工具與資料源的開放協定)、command-line interface,以及 code file API。裝置探索也採標準化格式,不需要為每個裝置寫客製轉譯器就能在網路上互通。文件強調 MHS model-agnostic,任何 agent harness 都能透過標準協定存取。
應用案例與影響範圍
- Genentech 用 MHS 讓 Claude 跨三台儀器自動完成 BCA protein assay,並自主調整流體動力參數——原本需要專職工程師寫數週程式才能做到
- 合作機構包含 University of Washington、Carnegie Mellon、HHMI Janelia、QuEra Computing、Tetsuwan Scientific
- 硬體與雲端廠商包含 Tecan、QIAGEN、Danaher、AWS 等
研究預覽目前開放註冊申請,完整規格要等安全性評估完成後才會開源釋出。
Google Research 用 Earth AI 打造行星級預測引擎,一句自然語言問句就生成地理空間模型
Google Research · 2026-08-27
背景
Google Research 於 2026-08-27 發布 Planetary Prediction Engine(PPE),隸屬 Earth AI 計畫,把公衛、糧食安全、環境風險等地理空間預測模型的建置流程,從工程師手動花費數週,自動化到幾分鐘內完成。對應論文 2608.26088 由 Evelyn Ma、Rama Kumar Pasumarthi、Kishwar Shafin 等共 27 位作者於同日送交 arXiv。
三階段流程
部落格標題雖提到「四階段」,但內文實際只定義了三個模組化階段:
- Stage 1 智慧地理資料篩選:把自然語言問句轉譯成地理限制條件,從 Data Commons、Google Earth Engine 與開放網路資料中挑出相關訊號
- Stage 2 多模態資料集整理:將篩出的 covariates 與地理空間 foundation model 嵌入——Population Dynamics Foundation Models(PDFM)、AlphaEarth 衛星嵌入——融合,並用 Feature Gate 機制防止 target leakage
- Stage 3 自動化模型建構與預測:在 linear model、gradient-boosted decision tree、multilayer perceptron 等模型家族間搜尋,並以 Overfitting Guard Protocol 防止過擬合
結果與影響範圍
論文在三個真實任務上驗證:美國健康指標預測 R² 達 76.8%,高於 baseline 的 60.0%;奈及利亞糧食安全預測 R² 為 66.1%,是 baseline 31.5% 的兩倍以上;剛果民主共和國 Ebola nowcasting 的 Recall@10 達 83.3%,比 baseline 高出 10.3 個百分點。整套流程只需輸入自然語言問句,由 LLM 主導的協調層在資料選取、特徵融合、模型搜尋之間自動銜接,但論文摘要並未說明是否採用傳統 agent 推理迴圈架構。
原始來源:Google Research — Planetary prediction engine、arXiv 2608.26088
Groundhog Bit-Flip Attack:翻轉路由層幾個 bit,讓 MoE 大型語言模型停不下來
arXiv · 2026-08-27
背景
Bit-flip attack 是一類硬體層級的故障注入攻擊:攻擊者不需要碰觸模型檔案,而是透過 Rowhammer 式的 DRAM row 干擾等手法,直接在記憶體裡翻轉儲存模型參數的位元。過去的研究多半拿它來讓神經網路準確率崩潰或植入後門,這次論文 2608.25276(Huakang Lin 等七位作者,2026-08-26 送交 arXiv)則把目標換成 Mixture-of-Experts(MoE)架構的路由層。
攻擊機制
MoE 架構靠路由機制挑選要啟動哪些專家子網路,論文發現特定專家會跟特定 token(例如 end-of-sequence)產生不成比例的高度關聯。Groundhog Bit-Flip Attack(GBFA)鎖定這層關聯,翻轉路由層裡與這些專家啟動相關的位元,讓模型持續選不到終止生成的路徑,同時盡量維持輸出語意連貫、不被一眼看穿。論文將 GBFA 定位為第一個 bit-flip 式的 Denial-of-Wallet 可用性攻擊——目的不是讓模型出錯,而是把推論的算力與 token 成本燒光。
影響範圍
在對話、推理、agentic 三種任務模式,以及四個真實世界的 MoE 大型語言模型上測試,平均只要停用不到 4 個專家,就能讓輸出長度平均膨脹 5912%,多數測試樣本直接打到 max token 上限。摘要未提及具體針對哪四個模型或是否公開程式碼。