"我们一年不做30个赌注"：Vijay Pande在a16z管理40亿美元后谈论小额投资策略

Vijay Pande曾运营全球最具影响力的生物技术投资实践之一——在Andreessen Horowitz管理约40亿美元资产。随后他离开了这个职位，创办了一家规模小得多的公司。这个决定及其背后的逻辑揭示了AI与生物学的发展方向，以及对在这个交叉领域构建的创始人和开发者意味着什么。

"我们一年不做30个赌注"：Vijay Pande在a16z管理40亿美元后谈论小额投资策略不仅仅是一位投资者职业转变的档案。它是一个信号，表明认真的技术思维者如何围绕AI进行重新定位——不是广泛撒钱，而是深入研究少数真正困难的问题。对于AI基础设施快速成熟、生物技术刚开始吸引严肃工程人才的亚洲科技生态系统来说，这个信号值得仔细阅读。

发生了什么

Vijay Pande离开了a16z的生物技术部门——该部门已增长到约40亿美元——创办了VZVC，一家规模小得多的AI原生风险投资公司。这一举动之所以引人注目，不仅因为规模差异，还因为驱动它的哲学。

根据TechCrunch的采访，Pande认为生物学正在经历根本性转变——从"发现"科学转向"工程"科学。这个框架很重要。发现科学是概率性的、投资组合驱动的：你进行许多赌注，因为大多数会失败，少数会获得巨大回报。工程科学则不同。当你能像软件工程师迭代代码一样设计、模拟和迭代生物系统时，失败模式会改变。你需要更少的赌注，但每一个都需要更深的信念和更紧密的合作。

Pande也坦诚地说明了什么没有改变：临床试验仍然非常昂贵。AI可以加速药物发现、压缩实验室时间表，并发现人类研究人员会遗漏的候选药物——但让疗法通过第二期和第三期试验仍需花费数亿美元和数年的日历时间。瓶颈已向上游转移，进入实验室和数据，但下游约束没有改变。

他的另一个强烈信念是关于数据架构的。Pande主张开放、共享的数据集——而不是被隔离的专有数据集——才能真正让AI改变医学。囤积生物数据的公司和机构可能会赢得短期竞争优势，但在孤立数据上训练的模型会达到平台期。突破将来自愿意为共享数据共享库做出贡献并从中获益的研究人员和公司。这在结构上是一个不同于大多数制药巨头目前正在进行的赌注。

VZVC正如Pande所描述的那样，是围绕这一论点构建的：更少的投资、更多的参与，以及从头开始评估和构建生物技术公司的真正AI原生方法。

为什么这对亚洲很重要

亚洲的生物技术和健康科技部门处于一个拐点，大致反映了美国在Pande首次在a16z进行严肃AI-生物技术赌注时的情况，滞后约五年。这个滞后正在快速缩小。

韩国、新加坡、日本和印度等国拥有世界一流的基因组学研究机构、具有不同遗传特征的庞大患者群体（在西方数据集中代表不足）以及日益复杂的AI工程人才。历史上他们缺少的是连接深层科学与激进产品开发的风险投资基础设施。这个差距正在缩小。

Pande关于开放、共享数据集的论点在亚洲特别有共鸣。该地区的几个政府——新加坡的精准健康研究计划、日本的生物银行项目、印度的基因组学网络——已对开放数据基础设施进行了明确的政策赌注。如果Pande是对的，共享数据共享库将胜过围墙花园，那么已投资开放基础设施的亚洲机构在未来十年可能会发现自己拥有结构性优势，而不是劣势。

从发现科学到工程科学的转变也发挥了亚洲的优势。该地区产生了大量工程师——那些在系统、迭代循环和可测量输出方面思考的人。生物学即工程是一个框架，自然地映射到工程密集型文化如何解决问题。挑战一直是将这种工程思维转化为生物领域，其中反馈循环缓慢且昂贵。AI正在压缩这些反馈循环。

对于在东南亚和东北亚AI-生物学交叉领域构建的创始人来说，Pande的基金规模选择也很有指导意义。VZVC规模较小且更专注，意味着下一代严肃的AI-生物技术公司可能不需要——或不想要——大型基金的待遇。规模较小、技术参与度更高的投资者，他们实际上能够评估科学，可能会成为本身深度技术的创始人的首选合作伙伴。

亚洲科技生态系统一直在追赶美国AI浪潮。在AI原生生物技术中，起始线比以往任何时候都更接近。

这对开发者意味着什么

如果你是一名在AI和生物学领域工作的开发者——或者在思考如何投入未来几年的技术能量——Pande的论点有具体的含义。

生物学正在成为一个工程领域。这意味着软件工程师使用的工具、工作流和心智模型正在直接适用于生物研究。蛋白质结构预测、基因回路设计、药物-靶点相互作用建模——这些越来越多是软件问题。如果你是一名强大的ML工程师，还没有认真研究计算生物学，进入成本比以往任何时候都低，上升空间巨大。

数据基础设施是杠杆点。Pande关于开放数据集的信念与其说是科学论证，不如说是数据工程论证。将在AI驱动药物发现中获胜的团队是那些能够大规模摄取、清理、协调和查询生物数据集的团队——跨模态（基因组学、蛋白质组学、临床记录、成像）和跨机构。这是一个困难的工程问题，具有强大数据管道经验的开发者在这方面具有真正的优势。

更少、更深的赌注也适用于职业。学习新AI框架的广撒网方法——每个月学习一个新库、发布玩具演示、永久停留在表面——不会复合。Pande的基于信念的方法映射到最佳技术职业的构建方式：在AI与具有真实世界利益的领域的交叉点找到一个真正困难的问题，深入研究，并停留足够长的时间来开发无法通过只阅读相同博客文章的人复制的判断力。

对于在MonstarX等平台上构建的开发者来说——AI原生开发是默认设置，而不是事后补充——Pande论点是一个有用的视角。你现在能构建的最有价值的东西不是基础模型周围的另一个包装器。它是基础设施、工具或应用程序，使AI-生物学开发的困难部分更快、更可靠：数据连接器、评估管道、实验跟踪、监管文档生成。

AI原生生物技术中的工程表面积