Anthropic 舉例說明，像 Claude 這樣的模型可以調整雷射，透過獨立攝影機檢查結果，然後重複此過程以自動校準整個系統。
MHS 也可讓 AI 模型聚焦顯微鏡、分析結果、決定哪些部分需要進一步觀察，然後自動移動顯微鏡到相關區域以繼續實驗。
在一段影片中，Anthropic 也展示了 Claude 如何推論讓機械手臂拾取一個鋁罐，即使它沒有經過專門的步驟訓練。Anthropic 表示，啟用 MHS 的模型可以透過編寫 API 腳本來安排跨儀器的操作步驟，並根據需要調整，而非每次都重新推論每個步驟。
Anthropic 表示，MHS 還包含一個標準化的標籤系統，用於描述硬體的實際限制，特別是針對那些主要在虛擬世界中訓練的模型。這包括了硬體物理特性（例如機械手臂的重量和範圍）、可調整參數、測量選項以及強制安全限制的編碼資訊。這些標籤可以整合到參考文件中，快速為 AI 模型提供它之前沒有訓練經驗的設備的關鍵資訊。
目前，Anthropic 表示正在與「首批科學研究實驗室和先進製造商」合作進行 MHS 預覽，合作夥伴包括 Amazon Web Services (Strands Robots)、Hugging Face (LeRobot)、Raspberry Pi、Automata 和 Universal Robots。
該公司寫道，這些合作夥伴將協助 Anthropic「建立安全評估並開發 AI 系統操作實體設備的最佳實踐」。之後，MHS 的計畫是最終成為一個開源且「代理無關」（agent agnostic）的標準，用於整合 AI 和實體系統。
Anthropic 表示，在過去一年與科學合作夥伴的早期測試中，「MHS 顯著減少了設備整合所需的時間，使得在各種實驗環境中能夠更快地迭代」。Kemeny 在發布會的宣傳影片中表示：「如果你能更快地測試假設，就能更快地創造通用技術。這就是一個世紀的進步如何濃縮成十年。」
