Anthropic 推出 MHS 标准首次明确进入物理 AI 领域这个动作值得做机器人、具身智能、自动驾驶和智能制造系统的团队认真对待。物理 AI 与普通大模型应用最大的区别在于模型输出会直接或间接作用到真实物理设备上机械臂要移动机器人要避障无人车要刹车。模型给出一句错误文本最多影响阅读模型给出一段错误动作可能带来碰撞、损坏甚至人身安全风险。因此物理 AI 不能再沿用“模型好等于上下文理解好”的单一评价方式它需要一套能覆盖感知、决策、执行、人机协同和紧急干预的规范。MHS 这个缩写在目前公开资料里还没有一个完全统一的官方全称。工程上可以把它拆成 Model、Human、Safety 三个视角来理解Model 关注模型如何理解物理场景、生成可执行动作Human 关注人的意图、指令优先权和接管机制Safety 关注安全边界、阈值、急停和故障降级。这三个视角不是三个独立模块而是每一次动作下发前都要经过的检查维度。下面先把这套标准拆开讲清楚再给一个最小 Python 实现最后讨论 Anthropic API 调用失败时的排错路径。1. 物理 AI 为什么需要一套新的标准1.1 从生成内容到生成行动风险边界完全变了过去几年大模型在文本、代码、图片生成上快速迭代评价指标大多是准确率、BLEU、通过率、人类偏好。这些指标有一个共同特点输出错了成本可以控制。但物理 AI 不是这样。一个机械臂如果按错误坐标运动可能压到工件一台巡检机器人如果误判前方是空地可能直接撞向人。也就是说物理 AI 的核心问题从“模型能不能答对”变成“模型能不能安全地行动”。安全不是可选项而是每次推理都必须在线的约束。MHS 标准要解决的就是把安全约束从业务代码里的 if else提升为统一评估框架。只有在架构层面把 Model、Human、Safety 三层检查固定下来模型能力、人类指令和硬件安全才能真正形成闭环。1.2 缺少标准时团队会遇到三类问题第一类是评测口径不统一。同样一个机械臂抓取任务A 团队用成功率衡量B 团队用平均完成时间衡量C 团队只统计安全事件次数。评测维度不一致模型版本回归时很难比较哪一次升级真正有效。第二类是数据与接口不互通。传感器的坐标原点、速度单位、开关量定义、急停信号在不同平台上的含义可能完全不同。模型从一个机器人平台迁移到另一个平台往往要重写一大部分数据适配层而不是只换模型权重。第三类是故障责任难定位。动作异常时到底是模型理解错还是控制策略错还是硬件执行错如果没有统一日志和评审流程很难回答。MHS 的作用就是给物理 AI 系统的状态、动作、人工指令和安全事件定义一套相对稳定的记录规则让排查有方向。对比维度传统 NLP/CV 模型物理 AI 系统输出形式文本、标签、分数动作指令、路径、控制信号错误成本较低可重试可能造成碰撞、损坏、安全风险评价重点准确率、质量、推理正确性、安全性、人机协同能力