“Chúng tôi không đặt cược 30 lần một năm”: Vijay Pande đặt cược nhỏ sau khi kiếm được 4 tỷ đô la tại a16z

Trước đây, Vijay Pande được biết đến nhiều hơn trong giới học thuật hơn là giới đầu tư. Điều đó đã thay đổi khá đột ngột cách đây hơn chục năm, khi Marc Andreessen và Ben Horowitz – những người đã dành 5 năm đầu tiên thành lập công ty của họ một cách rõ ràng là tránh né lĩnh vực chăm sóc sức khỏe và khoa học đời sống – quyết định rằng hạng mục này rốt cuộc đáng để đặt cược và giao chìa khóa cho Pande. Vào thời điểm đó, ông là giáo sư hóa học ở Stanford, người nổi tiếng với việc xây dựng Folding@home, dự án điện toán phân tán biến hàng triệu PC gia đình thành siêu máy tính để nghiên cứu bệnh tật. Hơn một thập kỷ tiếp theo, anh đã phát triển hoạt động đặt cược của a16z thành một hoạt động quản lý gần 4 tỷ USD.

Vì vậy, thật bất ngờ khi vào tháng 6 năm ngoái, Pande đã từ bỏ tất cả để bắt đầu một điều gì đó nhỏ hơn nhiều. Trên thực tế, công ty mới của ông, VZVC, được đồng sáng lập với nhà đầu tư lâu năm Zach Werner, được xây dựng dựa trên một số ít vụ đặt cược tập trung mỗi năm thay vì hàng chục. Công ty không có cộng sự và phụ thuộc rất nhiều vào AI cho hoạt động hàng ngày của mình.

Để tìm hiểu thêm về chiến lược chuyển hướng cứng rắn của Pande, tuần này chúng tôi đã nói chuyện với anh ấy về lý do tại sao anh ấy chỉ đặt cược một số ít thay vì dàn trải mỏng manh trên thị trường hiện tại — và về một trong những câu hỏi hóc búa thú vị hơn trong công nghệ sinh học do AI điều khiển: không giống như văn bản, dữ liệu sinh học không thể được lấy ra khỏi internet, vì vậy gần như mọi công ty đều phải xây dựng bộ dữ liệu có tường bao riêng của mình. Điều đó có ý nghĩa gì đối với tất cả những tiến bộ mà AI trong y học đã hứa hẹn và ai thực sự được tiếp cận với chúng?

Cuộc trò chuyện này đã được chỉnh sửa để có độ dài và rõ ràng. Bạn cũng có thể nghe cuộc trò chuyện đầy đủ hơn (bên dưới).

Bạn đã nói rằng sinh học đang chuyển từ một “khoa học khám phá” sang một thứ gì đó mà bạn có thể thiết kế được. Điều đó có nghĩa là gì?

Đối với nhiều cách phát triển thuốc, có rất nhiều khía cạnh ngẫu nhiên trong đó. Tôi nghĩ điều đã thay đổi là AI và học máy cho phép máy tính hiểu được những vấn đề rất, rất phức tạp… để cố gắng tìm ra mục tiêu mà bạn muốn thuốc của mình đạt được, đối với các bệnh cụ thể, để có thể tạo ra những loại thuốc đó và thậm chí bây giờ là trợ giúp trong các thử nghiệm lâm sàng — vốn là phần tốn kém nhất của quy trình.

Tôi nghĩ các thử nghiệm lâm sàng ngày càng rẻ hơn vì các nhà phát triển thuốc đang sử dụng nhiều dữ liệu tổng hợp hơn nên không cần nhiều người cho những thử nghiệm này.

Tôi nghĩ đó là một khát vọng rất lớn.

Chi phí và thời gian để thực hiện các thử nghiệm lâm sàng ngày càng giảm, đặc biệt là với AI, nhưng vẫn có thể tốn hàng trăm triệu đô la để thực hiện thử nghiệm, đó là lý do tại sao thuốc rất đắt. Xác suất một loại thuốc thành công từ lần thử đầu tiên đến khi kết thúc lần thử thứ ba chỉ là 20%. Nếu 8 trong số 10 dự án thất bại và những thứ này tiêu tốn hàng trăm triệu đô la thì chi phí khấu hao sẽ rất cao. Lý do họ thất bại thường không phải là nhà sinh vật học đã làm sai điều gì đó; đó là tất cả các thí nghiệm mà những loại thuốc này được thiết kế đều diễn ra trên mô hình động vật như chuột, và cuối cùng, mô hình động vật không có khả năng dự đoán chính xác về con người. Mô hình AI sẽ không hoàn hảo, nhưng nó sẽ tốt hơn bất kỳ mô hình động vật nào và một khi nó vượt qua ngưỡng đó, đó là lúc nó thực sự thú vị.

(Giai đoạn sau đó là): Thuốc có phải là thuốc phù hợp cho Tôi?

Ý bạn là thuốc được cá nhân hóa. . .

Thuật ngữ ở đây được gọi là y học chính xác. Nếu bạn đến gặp bác sĩ với một vấn đề không tầm thường, họ phải đoán xem chuyện gì đang xảy ra, bởi vì họ chỉ có thể nói được rất nhiều điều. Sau đó, họ đưa cho bạn một loại thuốc – và nếu nó không có tác dụng, họ sẽ cho bạn một loại thuốc khác, rồi một loại thuốc khác. Điều này xảy ra với bệnh ung thư, nó xảy ra ở nhiều lĩnh vực khác nhau. Tất cả chúng ta sẽ tốt hơn nhiều nếu loại thuốc đầu tiên là loại thuốc phù hợp. Thông thường, giá trị xét nghiệm máu của bạn được so sánh với mức trung bình của dân số. Nhưng thực sự, chúng nên được so sánh với: (kết quả) này có lạ đối với bạn không? Những gì chúng tôi cũng đang bắt đầu làm về mặt y học là (khả năng) hiểu được điều gì phù hợp với cá nhân.

Bạn sẽ nói rằng con đường dẫn đến thời điểm này chậm và ổn định, hay gần đây nó đã tăng đột biến?

Tôi nghĩ đó là rất nhiều thứ khác nhau (kết hợp với nhau). Ví dụ, y học chính xác trong thời gian dài nhất đều dựa trên gen. Nhưng thực tế là bộ gen của bạn giống như bản thiết kế cho ngôi nhà của bạn ngày đầu tiên, nhưng ngôi nhà của bạn bây giờ khá khác so với thời điểm nó được xây dựng. Vì vậy, có nhiều thứ khác mà giờ đây mọi người có thể đo lường bằng proteomics, v.v., những thứ đó phù hợp hơn nhiều để hiểu về bệnh tật và cơ thể bạn hiện đang ở đâu. Cũng đã có (rất nhiều) tính năng tự động hóa trong các phép đo bằng robot được gắn liền với AI một cách tự nhiên và cả hai tính năng đó thực sự đi đôi với nhau rất tốt.

Trong thập kỷ qua, đã có sự phát triển ổn định về cả AI cho sinh học và AI cho hóa học. Phần sinh học là làm thế nào chúng ta có thể điều trị căn bệnh này? Và phần hóa học là, làm thế nào chúng ta có thể tìm ra loại thuốc có tác dụng với loại protein cụ thể đó? Thực sự đã có những tiến bộ rất đáng kể trong 10 năm đó.

Bạn đã đề cập rằng sinh học là một trong số ít nơi AI không thể lấy dữ liệu ra khỏi internet. Điều đó có ý nghĩa gì đối với sự phát triển của lĩnh vực này?

Đó là nơi bạn không có bất kỳ dữ liệu nào mà mọi người có thể đào tạo giống nhau và dữ liệu của bạn không thể được chắt lọc từ mô hình này sang mô hình khác. Đó là một trò chơi thực sự thú vị chỉ dựa trên cảm giác AI thuần túy.

Tuy nhiên, liệu điều đó có lặp lại một vấn đề quen thuộc trong y học không – các bác sĩ hoạt động trong các khu vực riêng biệt (lãnh thổ, thường mang tính cạnh tranh)?

Bạn đang tham gia vào một điều gì đó thực sự lớn lao ở đây. Giả sử (ai đó) mắc một số loại ung thư và đó là cả một vấn đề về ung thư và nội tiết – hai bác sĩ đó thực sự không phối hợp ăn ý với nhau lắm. Điều thực sự hấp dẫn về AI là về nguyên tắc, nó có thể trở thành chuyên gia trong mọi lĩnh vực và nó có thể bắt đầu nhìn thấy những thứ mà thực sự bất kỳ con người nào cũng không thể. Nó tương đương với việc có một đội ngũ bác sĩ giỏi nhất cùng kêu lên trong thời điểm đó.

Nhưng liệu có đủ dữ liệu chia sẻ để tầm nhìn đó thực sự được hiện thực hóa không? Tôi hiểu tại sao những người sáng lập và nhà đầu tư muốn bảo vệ (những phát hiện tương ứng) của họ, nhưng . . .

Tôi nghĩ một trong những xu hướng lớn hơn là chúng ta bắt đầu thấy sự thay đổi trong việc xây dựng các tập hợp thông tin sinh học này – mà, từ quan điểm công nghệ, thường là các mô hình nền tảng. Và khi chúng trở nên phổ biến hơn, tôi nghĩ chúng ta sẽ thấy điều tương tự đã xảy ra với LLM nguồn mở, hoạt động rất tốt so với LLM của công ty: các mô hình nền tảng nguồn mở trong sinh học có tác động rất rộng.

Bạn đang tham gia vào Genesis Therapeutics, công ty được thành lập từ phòng thí nghiệm của bạn tại Stanford và Insitro, công ty nghiên cứu thuốc do Daphne Koller, một đồng nghiệp cũ tại Stanford, thành lập. Bạn nói rằng bạn cũng đang ươm tạo một công ty với người sáng lập mà bạn đã biết 20 năm. Bạn đang tìm kiếm điều gì ở những người sáng lập và trong lĩnh vực nào?

Có hai lĩnh vực mà tôi dành phần lớn thời gian của mình cho nó. Một là AI để cung cấp dịch vụ chăm sóc sức khỏe, điều mà tôi cũng đã làm rất nhiều ở a16z và sau đó là AI cho các thử nghiệm lâm sàng.

Một trong những điều quan trọng nhất đối với tôi (về những người sáng lập) là chúng tôi thực sự có thể tin tưởng lẫn nhau – những người sáng lập có tính chính trực cao, làm những gì họ nói rằng họ sẽ làm… Tôi kỳ vọng mối quan hệ này sẽ kéo dài 5, 10 năm cộng thêm, lý tưởng nhất là vào công ty tiếp theo của họ. Tôi muốn làm việc với những người có suy nghĩ lâu dài như vậy. Lý tưởng nhất là những người không chỉ cố gắng chiến thắng và đánh bại người khác mà còn thực sự suy nghĩ về câu hỏi: làm thế nào để chúng ta cùng nhau giành chiến thắng?

Bạn đã làm đúng và sai điều gì trong sự nghiệp đầu tư của mình cho đến nay?

Khi tôi bắt đầu nói về AI, máy học, công nghệ, y học và sinh học hơn 10 năm trước, đã có rất nhiều sự phản đối và nhiều người nói, ‘Ồ, điều đó sẽ không bao giờ xảy ra. Điều đó sẽ không bao giờ hữu ích’, v.v. Sự phản kháng đó phần lớn đã biến mất và việc nhìn thấy vòng cung này rất mãn nguyện.

Tôi nghĩ rằng tôi đã phải mất một thời gian để thực sự đánh giá cao sự quyến rũ như những công nghệ tuyệt vời nhất, nhưng nó thực sự luôn quay trở lại thị trường. Tôi nói với những người sáng lập của mình, đặc biệt là những người đến từ lĩnh vực khoa học hoặc sản phẩm, để họ tận dụng tất cả tài năng và sự sáng tạo của mình và thực sự áp dụng nó vào khía cạnh tiếp cận thị trường, rằng phần tiếp cận thị trường ít nhất cũng khó hoặc khó hơn khía cạnh công nghệ.

Hãy giúp chúng tôi hiểu bạn đang thiết kế công ty mới này khác biệt như thế nào so với những gì bạn đang điều hành tại a16z.

Hiện tại, chúng tôi đang làm một điều gì đó thực sự khá khác biệt… VZ được đặt theo tên của tôi, Vijay và người đồng sáng lập của tôi, Zach Werner – anh ấy là Z. Chúng tôi cố tình thực sự khá nhỏ bé… về mặt đầu tư, thực sự chỉ có hai chúng tôi. Thực ra, chúng tôi đã có ý định thuê cộng sự, nhưng hóa ra, với các đại lý mà chúng tôi đã xây dựng, đó không phải là điều chúng tôi cần phải làm.

Tập trung là “tập trung” như thế nào?

Chúng tôi (không) đang thực hiện 30 vụ cá cược mỗi năm… chúng tôi đang nói về khoảng 5 khoản đầu tư, không nhiều – rất tập trung. Việc thêm một công ty vào một quỹ thông thường cũng giống như thêm một người bạn trên Facebook – đó là việc bạn làm khá nhanh chóng. Đối với Zach và tôi, nó giống như . . . muốn có thêm một đứa con nữa. Đây là một vấn đề lớn đối với chúng tôi.

Với cơ cấu đó, bạn đang cạnh tranh với ai để giành được giao dịch?

Điều buồn cười về mô hình này là chúng tôi thường không cố gắng cạnh tranh để giành được một vòng đấu hấp dẫn – mọi người nhường chỗ cho chúng tôi. Đó là một điều rất khác so với việc cố gắng giành được Series A hoặc Series B hấp dẫn. Phần lớn, mọi người muốn chúng tôi với tư cách là nhà đầu tư vì những gì Zach và tôi có thể làm cũng như mức độ thực tế của chúng tôi. Khi tôi nhìn những người là nguồn cảm hứng, tôi nhìn những người như Antonio Gracias ở Valor – anh ấy hiện nổi tiếng nhờ thỏa thuận với SpaceX, nhưng anh ấy đã làm những gì anh ấy đã làm trong 20 năm. Những gì Thrive đã làm, với danh mục đầu tư tập trung hơn, cũng là nguồn cảm hứng thực sự. Rõ ràng, a16z cũng có trong DNA của tôi, nhưng tôi nghĩ những cái khác đó là những bổ sung mới cho cách chúng ta nghĩ về mọi thứ.

Điều gì đang được thổi phồng quá mức trong lĩnh vực AI và công nghệ sinh học?

Thực tế là AI có thể tìm ra những hiểu biết sâu sắc mà chúng ta không thể có được chỉ từ con người. Điều luôn trở nên khó khăn là khi có lời kêu gọi AI sẽ chữa khỏi mọi thứ. Lý do do dự không phải vì nghi ngờ gì về AI – mà là nghi ngờ về dữ liệu. LLM hoạt động hiệu quả vì có rất nhiều dữ liệu để học hỏi. Khi dữ liệu đơn giản là không có ở đó, thì AI không thể giải quyết vấn đề đó một cách kỳ diệu.