主題式徵案的好處是界線清楚。Anthropic 在 AI for Science 計畫下開出的這一輪，聚焦罕見遺傳疾病：獲選團隊在六個月內可獲最高 $50,000 的 Claude credits，徵案分為基礎科學與早期 biotech 兩軌。除了補助本身，公告還把目標寫得更大——建立一個研究者社群，實際探索 AI 能怎樣重塑人類對罕病的理解。
這個主題選得並不隨機：罕病研究的結構性難題——資料分散、樣本稀少——正是最值得檢驗語言模型的地方。以下拆解兩軌設計、資料基礎建設、受補助案例，以及 Anthropic 自述的限制。
為什麼是罕病：4 億人的長尾難題
數字先攤開：依 Anthropic 引用的估計，全球約 4 億人罹患罕見疾病，種類超過 7,000 種。引用這類統計時要保留不確定性——罕病至今沒有公認的單一定義，部分來源的估計甚至接近 10,000 種。總人口龐大、單一疾病極少，這個組合決定了研究的基本困境：資料先天碎片化，證據難以累積。
更極端的案例可以感受量級：ultra-rare 疾病的定義是發生率低於每 50,000 名新生兒一例。在這個尺度上，跨病例、跨物種、跨術語體系關聯證據的工作文字密集、難以人力窮盡——這正是徵案押注 AI 的原因。
兩軌設計：一軌補知識缺口，一軌補開發時程
| Track one：基礎科學 | Track two：早期 biotech | |
|---|---|---|
| 對象 | 臨床研究者、病友組織、data scientists | biotech researchers 與早期 biotech 團隊 |
| 目標 | 加速基礎科學與機制發現 | 加速罕病藥物開發 |
| 資源 | credits，接上 Monarch 的既有基礎建設 | API credits 加 Claude Science 存取權 |
兩軌對應罕病研究的兩個瓶頸：知道得太少（機制不明），以及做得太慢（開發時程）。前者需要的是把碎片知識組織起來的能力，後者需要的是把流程文件化的產能。
Track one：把疾病知識變成 agent 可讀的結構
第一軌要促進臨床研究者、病友組織與 data scientists 的合作，加速基礎科學與機制發現。這一軌的關鍵基礎建設是 Monarch Initiative——改善罕病診斷與機制發現的國際聯盟，也是本軌的早期合作夥伴。
Monarch 帶來的資產有兩層。其一是 Mondo Disease Ontology：把 OMIM、Orphanet、ICD 等來源的疾病定義整併成單一架構，配合跨物種整合 genotype-phenotype 資料的 Monarch Knowledge Graph——同一套術語體系，是 agent 能夠跨資料庫推理的前提。其二是新推出的 DisMech library，設計成 agent 可讀取的機制式疾病分類：agent 能讀病例報告與變異資料庫，大規模找出疾病之間的機制相似性。
對申請者的含義：這一軌的產出會公開在 Monarchinitiative.org，並搭配罕病黑客松等社群活動。計畫買的不是私有成果，而是對公開知識基礎建設的貢獻。
Track two：壓縮從確診到用藥的一至兩年
第二軌針對正在開發罕病藥物的 biotech researchers 與早期 biotech 團隊。現況的時間帳是：從基因確診到治療可用，約需一至兩年，瓶頸包括製造排程與法規文件。Anthropic 認為 Claude 能壓縮其中三段：法規文件的撰寫協助、評估藥物標靶是否 druggable，以及找出不同基因療法之間的共享機制，讓它們能以單一 basket trial 取代逐一病人的 IND 申請。
補助形式是 API credits，加上 Claude Science 的存取權——Anthropic 的 AI workbench，對應研究場景的工作流。
三個既有受補助案例：credits 已經在做的事
既有受補助者展示了三種不同的用法。Every Cure 用 Claude 從數百萬候選藥物中尋找 drug repurposing 機會；Centre for Population Genomics（由澳洲兩所醫學研究機構合組）打造了草擬 variant classification 的 Claude 系統，輸出交由專家審核；Violet Research Institute 專攻 ultra-rare 疾病（發生率低於 1/50,000 出生），用 Claude 處理 FDA 指引、生物資訊分析與法規申請。
三個案例剛好對應三種槓桿：老藥新用的搜尋空間、專家審核流程的自動草稿，以及小型團隊最缺的法規與文件產能。
Anthropic 自己畫出的界線
公告最值得注意的部分是誠實：當資料過少或組織混亂時，Claude 的幫助有限；它也解決不了診斷歷程中的保險核可與診斷設施可及性問題——那些是系統性問題，不是模型問題。把有效邊界寫清楚，反而讓計畫更可信，也給申請者一個務實的篩選標準：如果資料基礎本身薄弱，先補資料，再談 AI。
申請須知（時點資訊）
本次徵案經 Google Form 提出，截止於 2026 年 8 月 2 日 11:59 PM PST。credits 可用於 Claude Opus 或其他經核准、可用於生物學的 GA 模型；若專案會觸及 Anthropic 的生物分類器，可申請豁免。閱讀本文時若已過截止日，這些細節仍有參考價值：兩軌的設計邏輯與資料整備的要求，值得留給後續輪次。
給研究團隊的三個實務判斷
第一，資料整備度比提案野心重要：限制條款已經說明，資料太薄時計畫本身就不成立，先把病例與術語對齊做好。第二，與標準化組織合作是被驗證過的路徑：Track one 的設計就是把自己接到 Mondo 這類既有基礎建設上，而不是另起爐灶。第三，把產出設計成可公開的：本計畫的價值主張是社群與公共知識，閉門的私有成果與這項公開產出要求不一致。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。