一个棘手的事实是：7000多种罕见病影响了全球4亿人，但大多数根本无药可治。原因很直白——患者稀少、分散，导致临床数据极度匮乏，传统的研究方式根本凑不齐统计学上有意义的样本量。更糟的是，这些疾病通常被孤立研究，没人能把散落在不同论文里的基因变异、症状组合和病理机制打通。Anthropic 这次搞的罕见病研究资助计划，核心就是冲着这个信息孤岛痛点去的。他们发现之前资助的项目里，Grantees 之间互相交流时产生的化学反应远比单干要强，所以这次干脆搞成主题式的——罕见病，给钱给 API Credit，但更关键的是要建一个研究者社区。

硬核解法分两条腿走路。第一条叫做用 AI 打破疾病分类的围墙：Anthropic 的合作伙伴 Monarch Initiative 已经在搞一个叫 DisMech 的 agent 友好型机制分类库，让 Claude 可以直接去读病例报告、基因变异数据库、注册表 schemas，然后以人力无法企及的速度和规模，跨疾病地发现机制上的相似性。另一条腿更落地，直接对准新药研发中那些最费人力的文书工作——用 Claude 去起草和审核新药临床试验申请（IND）、研究者手册、CMC 模块，把原本需要数月堆砌的注册档案压缩成几天就能完成的事情。这种做法绕开了制药领域最硬的物理瓶颈（制造和安全性测试），从信息处理这个最容易被 AI 加速的环节切入。

这事的高明之处在于，它不是泛泛地说“AI 能帮助科学”，而是找到了一个极其具体、且极其适合大语言模型发挥的切面：把非结构化的、分散的、不同术语体系的医学知识变成 agent 可读、可推理的结构化数据。罕见病领域最缺的不是算力，而是数据之间的桥梁。Claude 在这里扮演的不是万能解题者，而是一个超级翻译和模式发现器——这才是当前 AI 在垂直科研中最务实的用法。对做技术的人而言，Monarch 的 DisMech 和 Mondo 本体论是一个值得仔细研究的范式：它展示了一种如何把领域知识设计成 AI agent 可以协作的基础设施的思路。另外，Anthropic 坦诚地划清了边界——数据太差或太乱的地方连 agent 也进不去——这种诚实比画饼更有价值。