据雷峰网报道，Anthropic于8月28日发布面向物理设备的AI代理接口标准MHS（Model Hardware Standard）预览版，旨在统一AI与硬件的连接。与此同时，2026世界机器人大会讨论了类脑计算降低机器人能耗的路径，MirroS随后开源了将视频转化为可执行物理程序的Code-as-World。

据雷峰网报道，MHS的核心是在硬件与AI之间加入一层“统一翻译器”，AI通过读取描述设备状态的参考文件获得各设备信息，再以简化命令控制设备，同时底层写入最大功率、运动范围等安全阈值，防止AI误操作损坏设备。卡内基梅隆大学研究团队使用MHS协调液体处理仪、读板机、机械臂和监控相机，将实验速度提升约3倍；量子计算公司QuEra用MHS让Claude自动完成激光重锁，恢复时间从150秒压缩至约6秒，盲测700次成功率达99.3%，后续PID参数调优将残留误差从15.7mV降至1.55mV。MHS设计了“在线指挥”与“离线连发”两种控制模式，前者适合逐步调整，后者将数十步动作打包成确定性代码直接下发，绕过云端延迟。Anthropic称，丹纳赫、QIAGEN、Tecan、斗山机器人和AWS等公司已加入该生态。

几乎同时，2026世界机器人大会上的“类脑智算”圆桌讨论将神经形态计算视为降低机器人能耗的潜在路径。据雷峰网报道，慕尼黑工业大学教授Alois Knoll提出，若未来部署10亿至100亿台高度依赖AI的人形机器人，沿用当前高功耗计算模式将难以承受。神经形态计算借鉴生物神经系统的事件驱动特点，只在事件发生时传递脉冲，可大幅减少持续信息交换带来的能耗。与会嘉宾认为，类脑计算无需整体替代现有AI系统，更适合率先进入传感器感知、低层控制等信息稀疏、功耗敏感的任务。辉羲智能CEO徐宁仪提出将机器人计算分为System 0（运动）、System 1（感知到操作的快速链路）和System 2（复杂思考）三层，沐曦AI研究院院长李兆石认为，数据搬运是GPU的主要功耗来源，System 0和System 1采用类脑架构更具潜力。对于落地时间，嘉宾判断半结构化工厂可能3至5年实现较大规模部署，家庭等开放场景需5至8年；黑芝麻智能首席市场营销官杨宇欣认为，类脑芯片硬件可能3至5年成熟，但软件生态需要更长时间，完整商业化约5至8年。

在AI理解物理世界的另一个方向上，据MarkTechPost报道，MirroS于8月30日发布并开源了Code-as-World，将视频物理场景表示为可执行的scene.json文件，该文件可在MuJoCo物理引擎中运行、编辑和验证。系统通过最多五轮的“提出—验证”循环从真实视频中恢复物理程序，并把验证后的世界作为训练数据，提供真实视频不具备的精确物理标签。其Code-as-World-VL-9B模型在QuantiPhy基准上取得55.4的平均相对准确率（MRA），超过Gemini-3.1 Flash的54.8；4B和9B两个版本以Apache 2.0协议开源。

这三项进展分别从计算架构、接口标准和世界表示层面，推动AI与物理世界更紧密的交互。MHS让AI能够安全地操作真实设备，类脑计算试图以更低功耗支撑机器人的感知与运动，Code-as-World则让物理场景变成可被AI理解和执行的程序。