"Hindi kami gumagawa ng 30 bets bawat taon": Vijay Pande sa strategic betting pagkatapos pamahalaan ang $4 billion sa a16z

Si Vijay Pande ay nag-manage ng isa sa pinaka-impluwensyal na biotech investment practices sa mundo — humigit-kumulang $4 billion sa assets under management sa Andreessen Horowitz. Pagkatapos ay umalis siya upang magsimula ng isang dramatically mas maliit na venture. Ang desisyon na ito, at ang pangangatwiran sa likod nito, ay nagsasabi sa iyo ng isang mahalagang bagay tungkol sa kung saan tunay na nakatuon ang AI at biology — at ano ang kahulugan nito para sa mga founders at developers na bumubuo sa intersection na ito ngayon.

"Hindi kami gumagawa ng 30 bets bawat taon": Vijay Pande sa strategic betting pagkatapos pamahalaan ang $4 billion sa a16z ay higit pa sa isang profile ng career pivot ng isang investor. Ito ay isang signal tungkol sa kung paano ang mga seryosong technical minds ay muling nagsasaayos sa paligid ng AI — hindi sa pamamagitan ng pagkalat ng capital nang malawak, kundi sa pag-dive ng malalim sa isang mas maliit na bilang ng tunay na mahirap na problema. Para sa Asia tech ecosystem, kung saan ang AI infrastructure ay mabilis na umuunlad at ang biotech ay nagsisimulang makakuha ng seryosong engineering talent, ang signal na ito ay karapat-dapat basahin nang maingat.

Ano ang Nangyari

Si Vijay Pande ay umalis sa biotech practice ng a16z — na lumaki sa humigit-kumulang $4 billion — upang ilunsad ang VZVC, isang mas maliit at AI-native venture firm. Ang hakbang na ito ay kapansin-pansin hindi lamang dahil sa pagkakaiba ng scale, kundi dahil sa philosophy na nag-drive dito.

Ayon sa TechCrunch interview, naniniwala si Pande na ang biology ay sumasailalim sa isang fundamental shift — mula sa "discovery" science tungo sa "engineering" science. Ang framing na ito ay mahalaga. Ang discovery science ay probabilistic at portfolio-driven: gumagawa ka ng maraming bets dahil karamihan ay mabibigo at ilang ilan lamang ang magbabayad ng malaki. Ang engineering science ay iba. Kapag maaari mong i-design, i-simulate, at i-iterate ang biological systems sa parehong paraan na ang software engineers ay nag-iterate sa code, ang failure modes ay nagbabago. Kailangan mo ng mas kaunting bets, ngunit bawat isa ay nangangailangan ng mas malalim na conviction at mas malapit na collaboration.

Si Pande ay malinaw din tungkol sa kung ano ang hindi nagbago: ang clinical trials ay nananatiling brutally expensive. Ang AI ay maaaring mapabilis ang drug discovery, i-compress ang timelines sa lab, at i-surface ang mga candidates na hindi makikita ng human researchers — ngunit ang pagkuha ng therapy sa Phase II at Phase III trials ay nangangailangan pa rin ng daan-daang milyun-milyong dolyar at maraming taon. Ang bottleneck ay lumipat upstream, sa lab at sa data, ngunit ang downstream constraint ay hindi gumagalaw.

Ang kanyang iba pang malakas na conviction ay tungkol sa data architecture. Inaargumento ni Pande na ang open, shared datasets — hindi ang walled-off proprietary ones — ang tunay na magpapahintulot sa AI na baguhin ang medicine. Ang mga kumpanya at institusyon na nag-hoard ng biological data ay maaaring manalo ng short-term competitive advantages, ngunit ang mga models na trained sa siloed data ay plateau. Ang mga breakthrough ay magmumula sa mga researchers at companies na handang mag-ambag at kumuha mula sa shared data commons. Ito ay isang structurally different bet kaysa sa karamihan ng pharma incumbents na kasalukuyang ginagawa.

Ang VZVC, tulad ng inilarawan ni Pande, ay itinayo sa paligid ng thesis na ito: mas kaunting investments, mas maraming involvement, at isang tunay na AI-native approach sa pag-evaluate at pagbuo ng biotech companies mula sa simula.

Bakit Ito Mahalaga para sa Asia

Ang biotech at healthtech sectors ng Asia ay nasa isang inflection point na sumasalamin, na may humigit-kumulang limang taong lag, kung saan ang US ay nang unang nagsimula si Pande na gumawa ng seryosong AI-biotech bets sa a16z. Ang lag na ito ay mabilis na bumababa.

Ang mga bansa tulad ng South Korea, Singapore, Japan, at India ay may world-class genomics research institutions, malalaking patient populations na may distinct genetic profiles na underrepresented sa Western datasets, at increasingly sophisticated AI engineering talent. Ang kanilang historical na kulang ay ang venture infrastructure upang ikonekta ang malalim na science sa aggressive product development. Ang gap na ito ay nagsasara.

Ang argument ni Pande tungkol sa open, shared datasets ay may particular resonance sa Asia. Maraming governments sa rehiyon — Singapore's Precision Health Research initiative, Japan's biobank programs, India's genomics grid — ay gumawa ng explicit policy bets sa open data infrastructure. Kung tama si Pande na ang shared data commons ay makakakompetensya sa walled gardens, ang Asian institutions na nag-invest sa open infrastructure ay maaaring mahanap ang kanilang sarili na may structural advantage sa susunod na dekada, hindi isang disadvantage.

Ang shift mula sa discovery science tungo sa engineering science ay naglalaro rin sa strengths ng Asia. Ang rehiyon ay gumagawa ng malaking bilang ng engineers — mga taong nag-iisip sa systems, iteration loops, at measurable outputs. Ang biology-as-engineering ay isang framing na natural na nag-map sa kung paano ang engineering-heavy cultures ay lumalaki sa problem-solving. Ang hamon ay palaging ang pagsasalin ng engineering mindset sa biological domains kung saan ang feedback loops ay mabagal at mahal. Ang AI ay nag-compress ng mga feedback loops na ito.

Para sa mga founders sa Southeast Asia at Northeast Asia na bumubuo sa AI-biology intersection, ang fund size choice ni Pande ay instructive din. Ang VZVC na mas maliit at mas focused ay nangangahulugang ang susunod na henerasyon ng seryosong AI-biotech companies ay maaaring hindi na kailangan — o gusto — ang megafund treatment. Ang mas maliit, mas technically engaged investors na maaaring tunay na i-evaluate ang science ay maaaring maging preferred partners para sa mga founders na kanilang sarili ay deeply technical.

Ang Asia tech ecosystem ay nanonood sa US AI wave mula sa isang posisyon ng catching up. Sa AI-native biotech, ang starting lines ay mas malapit na magkasama kaysa dati.

Ano Ang Kahulugan Nito para sa Mga Developers

Kung ikaw ay isang developer na gumagana kahit saan malapit sa AI at biology — o nag-iisip tungkol sa kung saan i-point ang iyong susunod na ilang taon ng technical energy — ang thesis ni Pande ay may concrete implications.

Ang biology ay nagiging isang engineering domain. Nangangahulugan ito na ang mga tools, workflows, at mental models na ginagamit ng software engineers ay nagiging direktang applicable sa biological research. Ang protein structure prediction, gene circuit design, drug-target interaction modeling — ang mga ito ay increasingly software problems. Kung ikaw ay isang malakas na ML engineer na hindi pa seryosong tiningnan ang computational biology, ang entry cost ay mas mababa kaysa dati, at ang upside ay napakalaki.

Ang data infrastructure ay ang leverage point. Ang conviction ni Pande tungkol sa open datasets ay isang data engineering argument kasing-dami ng ito ay isang scientific one. Ang mga teams na magwagi sa AI-driven drug discovery ay ang mga maaaring mag-ingest, mag-clean, mag-harmonize, at mag-query ng biological datasets sa scale — sa buong modalities (genomics, proteomics, clinical records, imaging) at sa buong institutions. Ito ay isang mahirap na engineering problem, at ito ay isa kung saan ang mga developers na may malakas na data pipeline experience ay may tunay na edge.

Ang mas kaunting, mas malalim na bets ay naaangkop sa careers din. Ang spray-and-pray approach sa pag-aaral ng mga bagong AI frameworks — pagpili ng bagong library bawat buwan, pagpapadala ng toy demos, pananatiling permanent sa surface — ay hindi compound. Ang conviction-based approach ni Pande ay nag-map sa kung paano ang pinakamahusay na technical careers ay itinayo: hanapin ang isang tunay na mahirap na problema sa intersection ng AI at isang domain na may real-world stakes, mag-dive ng malalim, at manatili doon ng sapat na mahabang panahon upang bumuo ng judgment na hindi maaaring i-replicate ng isang taong nagbasa lamang ng parehong blog posts na binasa mo.

Para sa mga developers na bumubuo sa mga platform tulad ng MonstarX — kung saan ang AI-native development ay ang default, hindi isang afterthought — ang Pande thesis ay isang useful lens. Ang pinaka-valuable na bagay na maaari mong itayo ngayon ay hindi isa pang wrapper sa paligid ng foundation model. Ito ay infrastructure, tooling, o applications na ginagawang mas mabilis at mas reliable ang mahirap na bahagi ng AI-biology development: data connectors, evaluation pipelines, experiment tracking, regulatory documentation generation.

Ang engineering surface area sa AI-native biotech