Anthropic举了一个例子，像Claude这样的模型可以调整激光，通过单独的摄像头检查结果，然后重复这个过程，以自动校准整个系统。MHS还可以允许AI模型聚焦显微镜，分析结果，决定哪个部分需要更多观察，然后自动移动显微镜到相关部分以继续实验。在一段视频中，Anthropic还展示了Claude如何推理让一个机器人手臂捡起铝罐，尽管它没有接受过特定步骤的训练。Anthropic表示，与其每次推理每一步，MHS启用的模型可以通过编写API脚本，并根据条件变化来调整这些步骤，从而跨仪器排列步骤。Anthropic在一段宣传视频中介绍了MHS，表示MHS还包括一个标准化的标签系统，用于描述硬件的现实世界限制，以便于那些可能在虚拟世界中接受训练的模型。这包括有关硬件物理特征的编码信息（例如，机器手臂的重量和范围），以及其可调参数、测量选项和强制安全限制。这些标签可以被集成到一个参考文件中，快速为AI模型提供关于其没有以前训练经验的设备的重要信息。目前，Anthropic表示它正在与“第一批科学研究实验室和先进制造商”合作，进行MHS预览阶段，包括亚马逊网络服务（Strands Robots）、Hugging Face（LeRobot）、树莓派、Automata和Universal Robots。 这些合作伙伴将帮助Anthropic“建立安全评估并为操作物理设备的AI系统制定最佳实践，”该公司写道。之后，MHS计划最终成为一个开源且“代理无关”的标准，用于集成AI和物理系统。在过去一年与科学合作伙伴的早期测试中，Anthropic表示它“看到MHS缩短了集成设备的时间，使在各种实验环境中进行更快速的迭代成为可能。”Kemeny在发布公告的宣传视频中表示：“如果你能更快地测试假设，你就能更快地创建通用技术。这就是一个世纪的进步如何在十年内浓缩的方式。”