"Kami tidak melakukan 30 taruhan per tahun": Vijay Pande tentang strategi investasi yang lebih fokus setelah mengelola $4 miliar di a16z

Vijay Pande menjalankan salah satu praktik investasi biotek paling berpengaruh di dunia — sekitar $4 miliar dalam aset yang dikelola di Andreessen Horowitz. Kemudian dia meninggalkannya untuk memulai sesuatu yang jauh lebih kecil. Keputusan itu, dan alasan di baliknya, memberitahu Anda sesuatu yang penting tentang ke mana AI dan biologi sebenarnya menuju — dan apa artinya bagi para pendiri dan pengembang yang membangun di persimpangan itu sekarang.

"Kami tidak melakukan 30 taruhan per tahun": Vijay Pande tentang strategi investasi yang lebih fokus setelah mengelola $4 miliar di a16z bukan hanya profil tentang perubahan karir seorang investor. Ini adalah sinyal tentang bagaimana pikiran-pikiran teknis yang serius memposisikan ulang diri mereka di sekitar AI — bukan dengan menyebarkan modal secara luas, tetapi dengan menggali lebih dalam pada sejumlah kecil masalah yang benar-benar sulit. Untuk ekosistem teknologi Asia, di mana infrastruktur AI berkembang pesat dan biotek baru saja mulai menarik bakat teknik yang serius, sinyal itu layak dibaca dengan cermat.

Apa yang Terjadi

Vijay Pande meninggalkan praktik biotek a16z — yang telah berkembang menjadi sekitar $4 miliar — untuk meluncurkan VZVC, sebuah perusahaan ventura yang jauh lebih kecil dan berbasis AI. Langkah ini penting tidak hanya karena perbedaan skala, tetapi karena filosofi yang mendorongnya.

Menurut wawancara TechCrunch, Pande percaya bahwa biologi mengalami perubahan fundamental — dari sains "penemuan" menjadi sains "teknik". Framing itu penting. Sains penemuan bersifat probabilistik dan didorong oleh portofolio: Anda membuat banyak taruhan karena sebagian besar akan gagal dan beberapa akan memberikan hasil yang luar biasa. Sains teknik berbeda. Ketika Anda dapat merancang, mensimulasikan, dan mengulangi sistem biologis dengan cara yang sama seperti insinyur perangkat lunak mengulangi kode, mode kegagalan berubah. Anda membutuhkan lebih sedikit taruhan, tetapi masing-masing memerlukan keyakinan yang lebih dalam dan kolaborasi yang lebih dekat.

Pande juga jujur tentang apa yang belum berubah: uji klinis tetap sangat mahal. AI dapat mempercepat penemuan obat, memampatkan garis waktu di laboratorium, dan mengungkap kandidat yang peneliti manusia akan lewatkan — tetapi membawa terapi melalui uji coba Fase II dan Fase III masih memerlukan biaya ratusan juta dolar dan bertahun-tahun waktu kalender. Hambatan telah bergeser ke hulu, ke laboratorium dan data, tetapi kendala hilir belum bergerak.

Keyakinan kuatnya yang lain adalah tentang arsitektur data. Pande berpendapat bahwa dataset terbuka dan bersama — bukan yang tertutup dan proprietary — adalah yang sebenarnya akan membiarkan AI mengubah kedokteran. Perusahaan dan institusi yang mengumpulkan data biologis mungkin memenangkan keuntungan kompetitif jangka pendek, tetapi model yang dilatih pada data yang tersilo akan mencapai batas. Terobosan akan datang dari peneliti dan perusahaan yang bersedia berkontribusi pada dan mengambil dari commons data bersama. Itu adalah taruhan yang secara struktural berbeda dari yang saat ini dilakukan oleh sebagian besar pemain pharma incumbent.

VZVC, seperti yang dijelaskan Pande, dibangun di sekitar tesis ini: investasi lebih sedikit, keterlibatan lebih banyak, dan pendekatan yang benar-benar berbasis AI untuk mengevaluasi dan membangun perusahaan biotek dari awal.

Mengapa Ini Penting untuk Asia

Sektor biotek dan healthtech Asia berada pada titik infleksi yang mencerminkan, dengan jeda sekitar lima tahun, di mana AS berada ketika Pande pertama kali mulai membuat taruhan AI-biotek yang serius di a16z. Jeda itu berkompres dengan cepat.

Negara-negara seperti Korea Selatan, Singapura, Jepang, dan India memiliki institusi penelitian genomik kelas dunia, populasi pasien besar dengan profil genetik yang berbeda yang kurang terwakili dalam dataset Barat, dan bakat teknik AI yang semakin canggih. Apa yang secara historis mereka kurangkan adalah infrastruktur ventura untuk menghubungkan sains mendalam dengan pengembangan produk yang agresif. Kesenjangan itu menutup.

Argumen Pande tentang dataset terbuka dan bersama memiliki resonansi khusus di Asia. Beberapa pemerintah di wilayah ini — inisiatif Precision Health Research Singapura, program biobank Jepang, grid genomik India — telah membuat taruhan kebijakan eksplisit pada infrastruktur data terbuka. Jika Pande benar bahwa commons data bersama akan mengalahkan taman yang tertutup, institusi Asia yang telah berinvestasi dalam infrastruktur terbuka mungkin menemukan diri mereka dengan keuntungan struktural selama dekade berikutnya, bukan kerugian.

Pergeseran dari sains penemuan ke sains teknik juga memainkan kekuatan Asia. Wilayah ini menghasilkan jumlah insinyur yang sangat besar — orang-orang yang berpikir dalam sistem, loop iterasi, dan output yang terukur. Biologi-sebagai-teknik adalah framing yang memetakan secara alami ke cara budaya yang berat teknik mendekati pemecahan masalah. Tantangan selalu menerjemahkan pola pikir teknik itu ke dalam domain biologis di mana loop umpan balik lambat dan mahal. AI mengompresi loop umpan balik itu.

Bagi para pendiri di Asia Tenggara dan Asia Timur yang membangun di persimpangan AI-biologi, pilihan ukuran dana Pande juga instruktif. VZVC yang lebih kecil dan lebih fokus berarti generasi berikutnya dari perusahaan AI-biotek yang serius mungkin tidak membutuhkan — atau menginginkan — perlakuan megafund. Investor yang lebih kecil, lebih terlibat secara teknis yang benar-benar dapat mengevaluasi sains mungkin menjadi mitra pilihan bagi para pendiri yang sendiri sangat teknis.

Ekosistem teknologi Asia telah menonton gelombang AI AS dari posisi mengejar ketertinggalan. Dalam biotek berbasis AI, garis awal lebih dekat bersama daripada sebelumnya.

Apa Artinya Ini untuk Pengembang

Jika Anda seorang pengembang yang bekerja di mana pun dekat dengan AI dan biologi — atau berpikir tentang ke mana mengarahkan beberapa tahun energi teknis Anda berikutnya — tesis Pande memiliki implikasi konkret.

Biologi menjadi domain teknik. Itu berarti alat, alur kerja, dan model mental yang digunakan insinyur perangkat lunak menjadi langsung dapat diterapkan pada penelitian biologis. Prediksi struktur protein, desain sirkuit gen, pemodelan interaksi obat-target — ini semakin menjadi masalah perangkat lunak. Jika Anda adalah insinyur ML yang kuat yang belum melihat biologi komputasi dengan serius, biaya masuk lebih rendah dari sebelumnya, dan potensi naik sangat besar.

Infrastruktur data adalah titik leverage. Keyakinan Pande tentang dataset terbuka adalah argumen teknik data sebanyak itu adalah argumen ilmiah. Tim yang akan menang dalam penemuan obat yang didorong AI adalah tim yang dapat menyerap, membersihkan, menharmoniskan, dan menanyakan dataset biologis dalam skala — di seluruh modalitas (genomik, proteomik, catatan klinis, pencitraan) dan di seluruh institusi. Itu adalah masalah teknik yang sulit, dan itu adalah masalah di mana pengembang dengan pengalaman pipeline data yang kuat memiliki keunggulan yang nyata.

Taruhan yang lebih sedikit dan lebih dalam juga berlaku untuk karir. Pendekatan spray-and-pray untuk mempelajari kerangka kerja AI baru — mengambil perpustakaan baru setiap bulan, mengirimkan demo mainan, tetap permanen di permukaan — tidak bertambah. Pendekatan berbasis keyakinan Pande memetakan ke cara karir teknis terbaik dibangun: temukan masalah yang benar-benar sulit di persimpangan AI dan domain dengan taruhan dunia nyata, gali lebih dalam, dan tetap di sana cukup lama untuk mengembangkan penilaian yang tidak dapat direplikasi oleh seseorang yang hanya membaca posting blog yang sama dengan yang Anda baca.

Bagi pengembang yang membangun di platform seperti MonstarX — di mana pengembangan berbasis AI adalah default, bukan pemikiran kedua — tesis Pande adalah lensa yang berguna. Hal paling berharga yang dapat Anda bangun sekarang bukan wrapper lain di sekitar model fondasi. Ini adalah infrastruktur, alat, atau aplikasi yang membuat bagian-bagian sulit dari pengembangan AI-biologi lebih cepat dan lebih andal: konektor data, pipeline evaluasi, pelacakan eksperimen, pembuatan dokumentasi regulasi.

Permukaan teknik dalam biotek berbasis AI