Vijay Pande 過去在學術界比投資界更為人知。十二年前，當 Marc Andreessen 和 Ben Horowitz 決定投入醫療保健和生命科學領域時，情況突然改變，他們將這個重責大任交給了 Pande。

當時，Pande 是史丹佛大學的化學教授，以建立 Folding@home 而聞名。這是一個分散式運算專案，將數百萬台家用電腦轉變為用於疾病研究的超級電腦。在接下來的十多年裡，他將 a16z 在該領域的投資業務發展到管理近 40 億美元的規模。

因此，去年六月 Pande 毅然離開一切，創立一家規模小得多的公司，這多少有些出人意料。事實上，他與長期投資人 Zach Werner 共同創立的新公司 VZVC，每年只進行少數幾項集中投資，而非數十項。

該公司沒有任何協理，並且高度依賴 AI 來處理日常營運。

為了更深入了解 Pande 的重大轉變，我們本週與他進行了對談，探討他為何在當前市場中選擇少數精準投資，而非廣泛撒網。

我們也討論了 AI 驅動的生技領域中一個有趣的難題：與文本不同，生物數據無法從網路上抓取，因此幾乎每家公司最終都建立了自己的封閉數據集。這對 AI 在醫學領域所承諾的所有進展意味著什麼？誰又能真正獲得這些數據？

這段對話經過編輯以求精簡和清晰。您也可以收聽完整的對話（如下）。

您曾說生物學正從「發現科學」轉變為可以「工程化」的領域。這意味著什麼？

過去藥物開發的許多方式都帶有偶然性。我認為現在的轉變是，AI 和機器學習讓電腦能夠以其獨特的方式理解非常、非常複雜的事物。

這讓電腦能嘗試找出藥物針對特定疾病的目標、製造這些藥物，甚至協助進行臨床試驗，而臨床試驗是整個過程中成本最高的部分。

我以為臨床試驗正變得更便宜，因為藥物開發商使用更多合成數據，所以不需要那麼多人參與這些試驗。

我認為這很大程度上是一種願景。

臨床試驗的成本和時間一直在縮短，尤其是在 AI 的幫助下，但運行一項試驗仍可能花費數億美元，這也是藥物如此昂貴的原因。藥物從第一次試驗到第三次試驗成功通過的機率只有 20%。

如果十個中有八個失敗，而這些試驗花費數億美元，那麼攤銷成本就會變得非常高。它們失敗的原因通常不是生物學家做錯了什麼；而是這些藥物設計所依據的所有實驗都是在小鼠等動物模型上進行的，而最終，動物模型對人類的預測性並不高。

AI 模型不會是完美的，但它會比任何動物模型都好得多，一旦它跨越了這個門檻，那將會非常令人興奮。

[下一個階段是]：這種藥物適合我嗎？

您指的是個人化醫療……

這裡的術語是所謂的精準醫療。如果您去看醫生，遇到一些不尋常的問題，他們必須猜測發生了什麼，因為他們能判斷的有限。

然後他們會給您一種藥物，如果無效，他們會再給您另一種，然後再一種。這種情況發生在癌症和許多不同領域。如果第一種藥物就是正確的，我們都會好得多。

通常，您的血液檢測值會與人群平均值進行比較。但實際上，它們應該與「這個結果對您來說是否異常？」進行比較。我們在醫學方面也開始做的是，能夠理解什麼對個人來說是正確的。

您會說達到這個時刻的過程是緩慢而穩定的，還是最近才突然加速？

我認為這是許多不同因素匯聚的結果。例如，精準醫療長期以來都基於基因組學。但現實是，您的基因組就像您房子建造第一天的藍圖，但您的房子現在與剛建成時已經大不相同。

因此，現在人們可以在蛋白質組學等方面測量許多其他更相關的指標，以了解疾病和您身體目前的狀況。此外，機器人測量技術也實現了大量自動化，這自然與 AI 緊密結合，兩者相輔相成。

在過去十年中，AI 在生物學和化學領域都取得了穩定的進展。生物學部分是關於如何治療這種疾病？而化學部分則是關於如何開發一種藥物來針對特定的蛋白質？

這十年來，這些領域實際上都取得了非常顯著的進展。

您提到生物學是少數 AI 無法直接從網路上抓取數據的領域之一。這對該領域的發展意味著什麼？

這是一個你沒有任何數據可以讓所有人訓練相同模型的地方，你的數據也無法從一個模型提煉到另一個模型。從純粹的 AI 角度來看，這是一個非常有趣的局面。

然而，這不也呼應了醫學領域一個常見的問題嗎，醫生們在各自為政、競爭激烈的「筒倉」中運作？

您觸及了一個非常重要的問題。假設某人患有某種癌症，這既是腫瘤學問題，也是內分泌學問題，這兩位醫生之間的協調通常不佳。

AI 真正引人入勝之處在於，原則上它可以成為各方面的專家，並開始看到任何單一人類都無法看到的事物。這就像擁有一支由最頂尖醫生組成的團隊，在那個時刻共同協作。

但是否有足夠的數據共享來實現這個願景呢？我理解創始人和投資者為何想保護他們的[各自發現]，但……

我認為一個更大的趨勢是，我們開始看到轉向建立這些生物資訊圖譜，從技術角度來看，它們通常是基礎模型 (foundation models)。

隨著它們變得越來越普遍，我認為我們將看到與開源大型語言模型 (LLM) 相同的現象，它們在與企業級模型競爭時表現出色：生物學領域的開源基礎模型將產生非常廣泛的影響。

您參與了 Genesis Therapeutics（源自您在史丹佛的實驗室）和 Insitro（由您在史丹佛的前同事 Daphne Koller 創立的藥物發現公司）。您還提到正在與一位認識 20 年的創始人共同孵化一家公司。您在創始人和哪些領域尋找什麼？

我大部分時間都花在兩個領域。一個是 AI 應用於醫療保健服務，這也是我在 a16z 時投入大量精力的地方；另一個是 AI 應用於臨床試驗。

對我來說，創始人最重要的特質之一是我們能夠真正互相信任，創始人必須具有高度的誠信，言出必行……我期望這種關係能持續五年、十年甚至更久，理想情況下能延續到他們的下一家公司。

我希望與那些有長遠眼光的人合作。理想情況下，這些人不只是想贏過別人，而是真正思考：我們如何共同獲勝？

到目前為止，您的投資生涯中，哪些方面做得對，哪些方面做得不對？

十多年前，當我開始談論 AI、機器學習、科技與醫學和生物學時，遇到了很多阻力，很多人說「哦，那永遠不會發生。那永遠不會有用」等等。現在這種阻力基本上已經消失了，看到這個發展歷程讓我感到非常滿足。

我認為我花了一些時間才真正體會到，儘管最酷的技術很有吸引力，但最終還是要回歸到市場推廣 (go-to-market)。我告訴我的創始人，特別是那些來自科學或產品背景的人，要他們將所有的才華和創造力真正應用到市場推廣方面。

市場推廣至少與技術本身一樣困難，甚至更困難。

請幫助我們了解您如何設計這家新公司，與您在 a16z 經營的方式有何不同？

現在，我們正在做一些非常不同的事情…… VZ 是以我 Vijay 和我的共同創始人 Zach Werner 的名字命名的，他是 Z。我們刻意保持非常小的規模……在投資方面，實際上只有我們兩個人。

我們原本打算聘請協理，但事實證明，由於我們建立的 AI 代理，這並不是我們需要做的事情。

「集中」的程度有多高？

我們不會每年進行 30 項投資……我們談論的可能是五項，投資數量不多，非常集中。在一個典型基金中增加一家公司，就像添加一個 Facebook 朋友一樣，你很快就能做到。

對於 Zach 和我來說，這更像是……想要再生一個孩子。這對我們來說是件大事。

以這種結構，您在爭取交易時與誰競爭？

這種模式有趣的地方在於，我們通常不會去競爭熱門輪次，人們會為我們騰出空間。這與爭取熱門的 A 輪或 B 輪融資非常不同。

很大程度上，人們希望我們成為投資者，是因為 Zach 和我能做什麼，以及我們能多麼親力親為。當我看到那些啟發我的人時，我會想到 Valor 的 Antonio Gracias，他現在因為 SpaceX 的交易而聞名，但他已經這樣做了 20 年。

Thrive 以更集中的投資組合所做的一切，也是一個真正的啟發。顯然，a16z 也在我的基因中，但我認為這些是我們思考方式的新增元素。

目前在 AI 和生技領域，哪些方面被過度炒作了？

現實是，AI 可以找到我們單靠人類無法獲得的洞見。但當有人聲稱 AI 將治癒所有疾病時，情況就會變得棘手。這種猶豫並不是因為對 AI 有任何疑慮，而是對數據的疑慮。

大型語言模型 (LLM) 之所以有效，是因為有大量的數據可供學習。當數據根本不存在時，AI 無法神奇地解決這個問題。