"ہم سال میں 30 شرطیں نہیں لگا رہے ہیں": Vijay Pande نے a16z میں $4 بلین چلانے کے بعد چھوٹی شرطوں پر بات کی

Vijay Pande نے دنیا کے سب سے زیادہ اثر رکھنے والے بائیو ٹیک سرمایہ کاری کے طریقوں میں سے ایک کو چلایا — Andreessen Horowitz میں تقریباً $4 بلین کے انتظام میں۔ پھر وہ اسے چھوڑ کر کچھ بہت چھوٹا شروع کرنے کے لیے چلے گئے۔ یہ فیصلہ، اور اس کے پیچھے کی وجہ، آپ کو کچھ اہم بتاتی ہے کہ AI اور حیاتیات اصل میں کہاں جا رہے ہیں — اور اس کا مطلب بانیوں اور ڈویلپرز کے لیے کیا ہے جو اس چوراہے پر تعمیر کر رہے ہیں۔

"ہم سال میں 30 شرطیں نہیں لگا رہے ہیں": Vijay Pande نے a16z میں $4 بلین چلانے کے بعد چھوٹی شرطوں پر بات کی صرف ایک سرمایہ کار کے کیریئر کے موڑ کا پروفائل نہیں ہے۔ یہ ایک اشارہ ہے کہ کس طرح سنجیدہ تکنیکی ذہن AI کے ارد گرد دوبارہ تنظیم کر رہے ہیں — سرمایہ کو وسیع پیمانے پر پھیلا کر نہیں، بلکہ کم تعداد میں سچی مشکل مسائل پر گہرائی سے جا کر۔ ایشیا کے ٹیک ایکوسسٹم کے لیے، جہاں AI بنیادی ڈھانچہ تیزی سے پختہ ہو رہا ہے اور بائیو ٹیک ابھی سنجیدہ انجینئرنگ ٹیلنٹ کو اپنانا شروع کر رہا ہے، یہ اشارہ احتیاط سے پڑھنے کے قابل ہے۔

کیا ہوا

Vijay Pande نے a16z کے بائیو ٹیک طریقے کو چھوڑ دیا — جو تقریباً $4 بلین تک بڑھ گیا تھا — VZVC کو شروع کرنے کے لیے، ایک بہت چھوٹی، AI-native وینچر فرم۔ یہ اقدام نہ صرف پیمانے کے فرق کی وجہ سے قابل غور ہے، بلکہ اس کو چلانے والی فلسفے کی وجہ سے۔

TechCrunch انٹرویو کے مطابق، Pande کا خیال ہے کہ حیاتیات ایک بنیادی تبدیلی سے گزر رہی ہے — "دریافت" کی سائنس سے "انجینئرنگ" میں۔ یہ فریم ورک اہم ہے۔ دریافت کی سائنس امکانی اور پورٹ فولیو سے چلنے والی ہے: آپ بہت سی شرطیں لگاتے ہیں کیونکہ زیادہ تر ناکام ہوں گی اور کچھ بہت بڑی کامیابی دیں گی۔ انجینئرنگ سائنس مختلف ہے۔ جب آپ حیاتیاتی نظاموں کو اسی طرح ڈیزائن، نقل، اور دوبارہ کام کر سکتے ہیں جس طرح سافٹ ویئر انجینئرز کوڈ پر کام کرتے ہیں، ناکامی کے طریقے بدل جاتے ہیں۔ آپ کو کم شرطوں کی ضرورت ہے، لیکن ہر ایک کو گہری سوچ اور قریبی تعاون کی ضرورت ہے۔

Pande اس بات کے بارے میں بھی صاف ہے کہ کیا نہیں بدلا ہے: کلینیکل ٹرائلز بہت مہنگے رہتے ہیں۔ AI دوا کی دریافت کو تیز کر سکتا ہے، لیب میں وقت کو کم کر سکتا ہے، اور امیدوار سطح پر لا سکتا ہے جو انسانی محققین کو یاد آئیں گے — لیکن Phase II اور Phase III ٹرائلز کے ذریعے تھراپی حاصل کرنا ابھی بھی سینکڑوں ملین ڈالر اور سالوں کا وقت لیتا ہے۔ رکاوٹ اوپر کی طرف منتقل ہو گئی ہے، لیب اور ڈیٹا میں، لیکن نیچے کی طرف کی رکاوٹ نہیں ہٹی۔

اس کا ایک اور مضبوط عقیدہ ڈیٹا آرکیٹیکچر کے بارے میں ہے۔ Pande کا دعویٰ ہے کہ کھلے، مشترکہ ڈیٹاسیٹ — بند ملکیتی نہیں — وہ ہیں جو اصل میں AI کو دوا میں تبدیل کرنے دیں گے۔ وہ کمپنیاں اور ادارے جو حیاتیاتی ڈیٹا کو جمع کرتے ہیں وہ قلیل مدتی مسابقتی فوائد جیت سکتے ہیں، لیکن الگ تھلگ ڈیٹا پر تربیت یافتہ ماڈلز پلیٹو پر پہنچیں گے۔ سرخیاں ان محققین اور کمپنیوں سے آئیں گی جو مشترکہ ڈیٹا کمنز میں حصہ ڈالنے اور اس سے حاصل کرنے کے لیے تیار ہیں۔ یہ ایک ساختی طور پر مختلف شرط ہے جو اکثر فارما کے موجودہ کمپنیاں لگا رہی ہیں۔

VZVC، جیسا کہ Pande اسے بیان کرتے ہیں، اس تھیسس کے ارد گرد بنایا گیا ہے: کم سرمایہ کاری، زیادہ شمولیت، اور AI-native سے شروع کر کے بائیو ٹیک کمپنیوں کا اندازہ لگانے اور تعمیر کرنے کا ایک حقیقی طریقہ۔

ایشیا کے لیے اہمیت

ایشیا کے بائیو ٹیک اور ہیلتھ ٹیک شعبے ایک موڑ پر ہیں جو تقریباً پانچ سال کے فاصلے کے ساتھ عکاسی کرتے ہیں، جہاں امریکہ تھا جب Pande نے پہلے a16z میں سنجیدہ AI-biotech شرطیں لگانا شروع کیں۔ یہ فاصلہ تیزی سے کم ہو رہا ہے۔

جنوبی کوریا، سنگاپور، جاپان، اور ہندوستان جیسی ممالک میں عالمی سطح کے جینومکس تحقیق کے ادارے ہیں، الگ الگ جینیاتی پروفائل والی بڑی آبادی ہے جو مغربی ڈیٹاسیٹ میں کم نمائندگی رکھتی ہے، اور تیزی سے نفیس AI انجینئرنگ ٹیلنٹ ہے۔ جو انہوں نے تاریخی طور پر کمی کی ہے وہ گہری سائنس کو جارحانہ مصنوعات کی ترقی سے جوڑنے کے لیے وینچر بنیادی ڈھانچہ ہے۔ یہ فاصلہ بند ہو رہا ہے۔

کھلے، مشترکہ ڈیٹاسیٹ کے بارے میں Pande کی دلیل ایشیا میں خاص طور پر گونجتی ہے۔ اس علاقے میں کئی حکومتوں — سنگاپور کی Precision Health Research کی شراکت، جاپان کے بائیو بینک پروگرام، ہندوستان کے جینومکس گرڈ — نے کھلے ڈیٹا بنیادی ڈھانچے پر واضح پالیسی شرطیں لگائی ہیں۔ اگر Pande صحیح ہے کہ مشترکہ ڈیٹا کمنز بند باغوں کے ساتھ مسابقت کریں گے، تو ایشیائی ادارے جنہوں نے کھلے بنیادی ڈھانچے میں سرمایہ کاری کی ہے وہ اگلے دہائی میں ایک ساختی فائدہ تلاش کر سکتے ہیں، نقصان نہیں۔

دریافت کی سائنس سے انجینئرنگ سائنس میں تبدیلی ایشیا کی طاقتوں کے ساتھ بھی کھیلتی ہے۔ یہ علاقہ بہت بڑی تعداد میں انجینئرز تیار کرتا ہے — وہ لوگ جو نظاموں، تکرار کے حلقوں، اور ناپنے کے قابل نتائج میں سوچتے ہیں۔ حیاتیات-انجینئرنگ کے طور پر ایک فریم ورک قدرتی طور پر اس طریقے سے نقشہ بناتا ہے جس طرح انجینئرنگ سے بھرے ہوئے ثقافتیں مسائل کو حل کرتے ہیں۔ چیلنج ہمیشہ اس انجینئرنگ سوچ کو حیاتیاتی ڈومین میں ترجمہ کرنا رہا ہے جہاں فیڈ بیک حلقے سست اور مہنگے ہیں۔ AI ان فیڈ بیک حلقوں کو کم کر رہا ہے۔

جنوب مشرقی ایشیا اور شمال مشرقی ایشیا میں بانیوں کے لیے AI-حیاتیات کے چوراہے پر تعمیر کر رہے ہیں، Pande کے فنڈ سائز کے انتخاب کی بھی تعلیم ہے۔ VZVC چھوٹا اور زیادہ توجہ مرکوز ہونے کا مطلب ہے کہ سنجیدہ AI-biotech کمپنیوں کی اگلی نسل کو شاید megafund علاج کی ضرورت نہیں ہے — یا چاہتے ہیں۔ چھوٹے، زیادہ تکنیکی طور پر مشغول سرمایہ کار جو اصل میں سائنس کا اندازہ لگا سکتے ہیں وہ بانیوں کے لیے ترجیحی شراکت دار بن سکتے ہیں جو خود گہری تکنیکی ہیں۔

ایشیا کے ٹیک ایکوسسٹم نے امریکی AI کی لہر کو پکڑنے کی پوزیشن سے دیکھا ہے۔ AI-native biotech میں، شروعات کی لائنیں ہمیشہ سے زیادہ قریب ہیں۔

ڈویلپرز کے لیے اس کا مطلب

اگر آپ ایک ڈویلپر ہیں جو AI اور حیاتیات کے قریب کہیں بھی کام کر رہے ہیں — یا سوچ رہے ہیں کہ اپنی اگلی کچھ سالوں کی تکنیکی توانائی کہاں لگائیں — Pande کی تھیسس کے ٹھوس مطلب ہیں۔

حیاتیات ایک انجینئرنگ ڈومین بن رہی ہے۔ اس کا مطلب ہے کہ سافٹ ویئر انجینئرز استعمال کرتے ہیں وہ ٹولز، ورک فلوز، اور ذہنی ماڈلز براہ راست حیاتیاتی تحقیق پر لاگو ہو رہے ہیں۔ پروٹین کی ساخت کی پیشن گوئی، جین سرکٹ ڈیزائن، دوا-ہدف کے تعامل کی ماڈلنگ — یہ تیزی سے سافٹ ویئر کے مسائل ہیں۔ اگر آپ ایک مضبوط ML انجینئر ہیں جنہوں نے کمپیوٹیشنل حیاتیات کو سنجیدگی سے نہیں دیکھا ہے، تو داخلہ کی لاگت ہمیشہ سے کم ہے، اور اوپر کی طرف بہت بڑی ہے۔

ڈیٹا بنیادی ڈھانچہ لیور پوائنٹ ہے۔ کھلے ڈیٹاسیٹ کے بارے میں Pande کا عقیدہ ڈیٹا انجینئرنگ کی دلیل ہے جتنا کہ سائنسی ہے۔ وہ ٹیمیں جو AI سے چلنے والی دوا کی دریافت میں جیتیں گی وہ ہیں جو حیاتیاتی ڈیٹاسیٹ کو پیمانے پر لے سکتے ہیں، صاف کر سکتے ہیں، ہم آہنگ کر سکتے ہیں، اور سوال کر سکتے ہیں — طریقوں میں (جینومکس، پروٹیومکس، کلینیکل ریکارڈ، امیجنگ) اور اداروں میں۔ یہ ایک مشکل انجینئرنگ کا مسئلہ ہے، اور یہ وہ ہے جہاں مضبوط ڈیٹا پائپ لائن کے تجربے والے ڈویلپرز کے پاس حقیقی فائدہ ہے۔

کم، گہری شرطیں کیریئر پر بھی لاگو ہوتی ہیں۔ نئے AI فریم ورکس کے لیے اسپرے اور دعا کا طریقہ — ہر مہینے ایک نئی لائبریری اٹھانا، کھلونے کے ڈیمو بھیجنا، ہمیشہ سطح پر رہنا — مرکب نہیں بناتا۔ Pande کا عقیدہ پر مبنی طریقہ اس طریقے سے نقشہ بناتا ہے کہ بہترین تکنیکی کیریئر کیسے بنائے جاتے ہیں: AI اور حقیقی دنیا کے داؤ والے ڈومین کے چوراہے پر ایک حقیقی مشکل مسئلہ تلاش کریں، گہرائی سے جائیں، اور وہاں اتنی دیر رہیں کہ فیصلہ تیار کریں جو کوئی بھی نقل نہیں کر سکتا جو صرف وہی بلاگ پوسٹ پڑھے ہیں۔

MonstarX جیسے پلیٹ فارمز پر تعمیر کرنے والے ڈویلپرز کے لیے — جہاں AI-native ترقی ڈیفالٹ ہے، نہ کہ ایک بعد میں سوچا ہوا — Pande کی تھیسس ایک مفید لینز ہے۔ سب سے قیمتی چیز جو آپ ابھی بنا سکتے ہیں وہ ایک بنیادی ماڈل کے ارد گرد ایک اور ریپر نہیں ہے۔ یہ بنیادی ڈھانچہ، ٹولنگ، یا ایسی ایپلیکیشنز ہیں جو AI-حیاتیات کی ترقی کے مشکل حصوں کو تیز اور زیادہ قابل اعتماد بناتے ہیں: ڈیٹا کنکٹرز، تشخیص کی پائپ لائنیں، تجربے کی ٹریکنگ، ریگولیٹری دستاویزات کی نسل۔

AI-native biotech میں انجینئرنگ کی سطح کا رقبہ