"Chúng tôi không đặt cược 30 lần một năm": Vijay Pande về chiến lược đặt cược nhỏ sau khi quản lý 4 tỷ đô la tại a16z

Vijay Pande từng điều hành một trong những hoạt động đầu tư công nghệ sinh học có ảnh hưởng nhất trên thế giới — khoảng 4 tỷ đô la tài sản quản lý tại Andreessen Horowitz. Sau đó, anh ấy rời bỏ nó để khởi động một cái gì đó nhỏ hơn đáng kể. Quyết định đó, và lý do đằng sau nó, cho bạn biết điều gì đó quan trọng về nơi AI và sinh học thực sự đang hướng tới — và điều đó có nghĩa gì đối với những người sáng lập và nhà phát triển xây dựng ở giao điểm đó ngay bây giờ.

"Chúng tôi không đặt cược 30 lần một năm": Vijay Pande về chiến lược đặt cược nhỏ sau khi quản lý 4 tỷ đô la tại a16z không chỉ là hồ sơ về sự thay đổi sự nghiệp của một nhà đầu tư. Đó là một tín hiệu về cách những bộ óc kỹ thuật nghiêm túc đang định vị lại xung quanh AI — không phải bằng cách phân tán vốn rộng rãi, mà bằng cách đi sâu vào một số lượng nhỏ hơn các vấn đề thực sự khó khăn. Đối với hệ sinh thái công nghệ châu Á, nơi cơ sở hạ tầng AI đang trưởng thành nhanh chóng và công nghệ sinh học mới bắt đầu thu hút tài năng kỹ thuật nghiêm túc, tín hiệu đó đáng để đọc kỹ.

Điều Gì Đã Xảy Ra

Vijay Pande rời khỏi bộ phận công nghệ sinh học của a16z — đã phát triển lên khoảng 4 tỷ đô la — để khởi động VZVC, một công ty đầu tư mạo hiểm nhỏ hơn nhiều, được xây dựng theo hướng AI-native. Bước đi này đáng chú ý không chỉ vì sự khác biệt về quy mô, mà còn vì triết lý thúc đẩy nó.

Theo cuộc phỏng vấn TechCrunch, Pande tin rằng sinh học đang trải qua một sự thay đổi cơ bản — từ khoa học "khám phá" sang khoa học "kỹ thuật". Cách khung này rất quan trọng. Khoa học khám phá có tính xác suất cao và dựa trên danh mục đầu tư: bạn đặt cược nhiều lần vì hầu hết sẽ thất bại và một vài sẽ mang lại lợi nhuận khổng lồ. Khoa học kỹ thuật là khác biệt. Khi bạn có thể thiết kế, mô phỏng và lặp lại các hệ thống sinh học theo cách mà các kỹ sư phần mềm lặp lại mã, các chế độ lỗi thay đổi. Bạn cần ít cược hơn, nhưng mỗi cái yêu cầu niềm tin sâu sắc hơn và hợp tác chặt chẽ hơn.

Pande cũng thẳng thắn về những gì chưa thay đổi: các thử nghiệm lâm sàng vẫn còn cực kỳ tốn kém. AI có thể tăng tốc độ khám phá thuốc, nén các dòng thời gian trong phòng thí nghiệm, và phát hiện các ứng cử viên mà các nhà nghiên cứu con người sẽ bỏ lỡ — nhưng việc đưa một liệu pháp qua các thử nghiệm Giai đoạn II và Giai đoạn III vẫn còn tốn hàng trăm triệu đô la và nhiều năm thời gian. Nút thắt đã dịch chuyển lên trên, vào phòng thí nghiệm và dữ liệu, nhưng ràng buộc hạ lưu chưa di chuyển.

Một niềm tin mạnh mẽ khác của anh ấy là về kiến trúc dữ liệu. Pande lập luận rằng các tập dữ liệu mở, được chia sẻ — không phải những tập dữ liệu độc quyền bị cô lập — là những gì sẽ thực sự cho phép AI biến đổi y học. Các công ty và tổ chức tích trữ dữ liệu sinh học có thể giành được những lợi thế cạnh tranh ngắn hạn, nhưng các mô hình được đào tạo trên dữ liệu bị cô lập sẽ đạt đến mức cao. Những bước đột phá sẽ đến từ những nhà nghiên cứu và công ty sẵn sàng đóng góp vào và rút ra từ các kho dữ liệu chung. Đó là một cược có cấu trúc khác biệt so với những gì hầu hết các công ty dược phẩm hiện tại đang thực hiện.

VZVC, như Pande mô tả, được xây dựng xung quanh luận điểm này: ít đầu tư hơn, sự tham gia nhiều hơn, và một cách tiếp cận AI-native thực sự để đánh giá và xây dựng các công ty công nghệ sinh học từ đầu.

Tại Sao Điều Này Quan Trọng Đối Với Châu Á

Các lĩnh vực công nghệ sinh học và healthtech của châu Á đang ở một điểm uốn cong phản ánh, với khoảng năm năm chậm trễ, nơi Hoa Kỳ đã ở khi Pande lần đầu tiên bắt đầu đặt cược AI-biotech nghiêm túc tại a16z. Sự chậm trễ đó đang nén nhanh chóng.

Các quốc gia như Hàn Quốc, Singapore, Nhật Bản và Ấn Độ có các tổ chức nghiên cứu genomics hàng đầu thế giới, dân số bệnh nhân lớn với các hồ sơ di truyền riêng biệt được đại diện không đủ trong các tập dữ liệu phương Tây, và tài năng kỹ thuật AI ngày càng tinh vi. Những gì họ từng thiếu về mặt lịch sử là cơ sở hạ tầng mạo hiểm để kết nối khoa học sâu với phát triển sản phẩm tích cực. Khoảng cách đó đang đóng lại.

Lập luận của Pande về các tập dữ liệu mở, được chia sẻ có sự cộng hưởng đặc biệt ở châu Á. Một số chính phủ trong khu vực — sáng kiến Nghiên cứu Sức khỏe Chính xác của Singapore, các chương trình ngân hàng sinh học của Nhật Bản, lưới genomics của Ấn Độ — đã đặt cược chính sách rõ ràng trên cơ sở hạ tầng dữ liệu mở. Nếu Pande đúng rằng các kho dữ liệu chung sẽ cạnh tranh với các khu vườn bị cô lập, các tổ chức châu Á đã đầu tư vào cơ sở hạ tầng mở có thể thấy mình có một lợi thế cấu trúc trong thập kỷ tới, không phải là một bất lợi.

Sự chuyển đổi từ khoa học khám phá sang khoa học kỹ thuật cũng phát huy thế mạnh của châu Á. Khu vực này sản xuất một số lượng khổng lồ các kỹ sư — những người suy nghĩ trong các hệ thống, vòng lặp lặp lại, và kết quả có thể đo lường được. Sinh học-như-kỹ thuật là một cách khung tự nhiên ánh xạ vào cách các nền văn hóa nặng về kỹ thuật tiếp cận giải quyết vấn đề. Thách thức luôn là dịch bộ óc kỹ thuật đó vào các lĩnh vực sinh học nơi các vòng phản hồi chậm và tốn kém. AI đang nén các vòng phản hồi đó.

Đối với những người sáng lập ở Đông Nam Á và Đông Bắc Á xây dựng ở giao điểm AI-sinh học, lựa chọn kích thước quỹ của Pande cũng có tính chỉ dẫn. VZVC nhỏ hơn và tập trung hơn có nghĩa là thế hệ tiếp theo của các công ty AI-biotech nghiêm túc có thể không cần — hoặc muốn — xử lý megafund. Các nhà đầu tư nhỏ hơn, tham gia kỹ thuật hơn có thể thực sự đánh giá khoa học có thể trở thành những đối tác ưa thích cho những người sáng lập là chính họ sâu sắc về mặt kỹ thuật.

Hệ sinh thái công nghệ châu Á đã theo dõi làn sóng AI của Hoa Kỳ từ vị trí bắt kịp. Trong công nghệ sinh học AI-native, các đường xuất phát gần nhau hơn bao giờ hết.

Điều Này Có Nghĩa Gì Đối Với Các Nhà Phát Triển

Nếu bạn là một nhà phát triển làm việc ở bất cứ đâu gần AI và sinh học — hoặc suy nghĩ về nơi để hướng năng lượng kỹ thuật của bạn trong vài năm tới — luận điểm của Pande có những hàm ý cụ thể.

Sinh học đang trở thành một lĩnh vực kỹ thuật. Điều đó có nghĩa là các công cụ, quy trình làm việc, và các mô hình tinh thần mà các kỹ sư phần mềm sử dụng đang trở nên trực tiếp áp dụng được cho nghiên cứu sinh học. Dự đoán cấu trúc protein, thiết kế mạch gen, mô hình hóa tương tác thuốc-mục tiêu — những cái này ngày càng trở thành các vấn đề phần mềm. Nếu bạn là một kỹ sư ML mạnh mẽ chưa nhìn kỹ vào sinh học tính toán, chi phí nhập cảnh thấp hơn bao giờ hết, và lợi nhuận là khổng lồ.

Cơ sở hạ tầng dữ liệu là điểm tác động. Niềm tin của Pande về các tập dữ liệu mở là một lập luận kỹ thuật dữ liệu cũng như một lập luận khoa học. Các đội sẽ thắng trong khám phá thuốc do AI điều khiển là những đội có thể tiếp nhận, làm sạch, hài hòa, và truy vấn các tập dữ liệu sinh học ở quy mô — trên các phương thức (genomics, proteomics, hồ sơ lâm sàng, hình ảnh) và trên các tổ chức. Đó là một vấn đề kỹ thuật khó, và đó là một nơi mà các nhà phát triển có kinh nghiệm đường ống dữ liệu mạnh mẽ có một lợi thế thực sự.

Ít cược sâu hơn cũng áp dụng cho sự nghiệp. Cách tiếp cận phun và cầu nguyện để học các khung AI mới — chọn một thư viện mới mỗi tháng, vận chuyển các bản demo đồ chơi, ở vĩnh viễn ở bề mặt — không kết hợp. Cách tiếp cận dựa trên niềm tin của Pande ánh xạ vào cách các sự nghiệp kỹ thuật tốt nhất được xây dựng: tìm một vấn đề thực sự khó khăn ở giao điểm của AI và một lĩnh vực có cổ phần thực tế, đi sâu, và ở đó đủ lâu để phát triển phán xét không thể được sao chép bởi ai đó chỉ đọc các bài đăng trên blog tương tự như bạn đã làm.

Đối với các nhà phát triển xây dựng trên các nền tảng như MonstarX — nơi phát triển AI-native là mặc định, không phải là một suy nghĩ sau — luận điểm Pande là một ống kính hữu ích. Điều có giá trị nhất mà bạn có thể xây dựng ngay bây giờ không phải là một trình bao bọc khác xung quanh một mô hình nền tảng. Đó là cơ sở hạ tầng, công cụ, hoặc ứng dụng giúp các phần khó của phát triển AI-sinh học nhanh hơn và đáng tin cậy hơn: các bộ kết nối dữ liệu, đường ống đánh giá, theo dõi thử nghiệm, tạo tài liệu quy định.

Diện tích kỹ thuật trong công nghệ sinh học AI-native