Vijay Pande Tinggalkan $4B a16z Demi VC AI-Native

Vijay Pande pernah lebih dikenali sebagai profesor kimia di Stanford dan pengasas Folding@home, projek pengkomputeran teragih yang menggunakan jutaan komputer pengguna untuk membantu penyelidikan penyakit.

Kemudian, sekitar sedekad lalu, Marc Andreessen dan Ben Horowitz memilih Pande untuk membina bahagian healthcare dan life sciences di a16z. Dari situ, beliau mengembangkan portfolio tersebut sehingga menguruskan hampir $4 bilion.

Jadi agak menarik apabila Pande meninggalkan a16z pada Jun tahun lalu dan memilih untuk bermula semula dengan firma yang jauh lebih kecil.

Firma itu ialah VZVC, yang diasaskannya bersama Zach Werner. Mereka sengaja memilih model yang sangat kecil: hanya beberapa pelaburan setahun, tiada associate, dan sebahagian kerja operasi dibuat menggunakan agen AI.

Dalam wawancara dengan TechCrunch, Pande menerangkan kenapa dia memilih cara yang nampak berlawanan dengan pendekatan dana VC besar. Pada masa yang sama, perbualan itu menyentuh satu masalah yang lebih besar dalam AI untuk biologi: data biologi tidak boleh dikumpulkan dari internet semudah data teks.

Lima Pelaburan, Bukan 30

Pande tidak berminat untuk membina portfolio yang besar.

Sasaran VZVC adalah kira-kira lima pelaburan setahun. Bagi mereka, setiap pelaburan bukan sekadar satu lagi nama dalam portfolio. Mereka mahu terlibat dengan syarikat dan founder untuk tempoh yang panjang.

Pande menyamakan perbezaan itu dengan menambah kawan di Facebook berbanding mempunyai seorang lagi anak. Yang pertama boleh dilakukan dengan cepat. Yang kedua memerlukan komitmen yang jauh lebih besar.

Pendekatan ini juga mengubah cara VZVC mendapatkan deal. Mereka tidak semestinya perlu berebut untuk masuk ke pusingan pelaburan yang paling panas. Sebaliknya, founder datang kerana mahukan pengalaman dan penglibatan Pande serta Werner.

Bagi Pande, hubungan dengan founder itu sendiri adalah sebahagian daripada nilai pelaburan. Dia mahu bekerja dengan orang yang boleh dipercayai, berintegriti dan berfikir tentang cara untuk menang bersama, bukan semata-mata mengalahkan pesaing.

Bila Associate Tidak Lagi Diperlukan

Pada asalnya, VZVC memang merancang untuk mengambil associate.

Kemudian mereka membina beberapa agen AI dan mendapati sebahagian daripada kerja yang biasanya dilakukan oleh associate boleh dibuat oleh agen tersebut.

Ini bukan bermaksud AI mengambil alih keputusan pelaburan.

Kerja seperti mencari maklumat, membuat penyelidikan awal, menyusun bahan dan membantu menyediakan kerja di sekeliling proses pelaburan boleh dibantu oleh agen. Keputusan terakhir masih berada pada Pande dan Werner.

Ini sebenarnya lebih menarik daripada sekadar cerita "AI menggantikan pekerjaan".

Struktur VZVC menunjukkan bagaimana pasukan yang kecil boleh menggunakan AI sebagai leverage. Mereka tidak perlu menambah ramai orang hanya untuk menampung kerja operasi apabila jumlah pelaburan yang dibuat memang kecil.

Bagi syarikat yang lebih besar, model ini mungkin tidak boleh digunakan dengan cara yang sama. Tetapi untuk pasukan dua orang dengan skop yang sangat tertumpu, perbezaannya memang ketara.

Biologi Mula Jadi Sesuatu Yang Boleh Di-engineer

Pande mempunyai pandangan yang lebih besar daripada sekadar cara mengurus firma VC.

Menurutnya, biologi semakin bergerak daripada bidang yang banyak bergantung pada penemuan dan percubaan kepada bidang yang boleh direka bentuk dengan bantuan komputer.

AI dan machine learning sudah membantu dalam beberapa bahagian proses pembangunan ubat: mengenal pasti sasaran, mereka bentuk calon ubat dan, semakin banyak, membantu dalam proses clinical trial.

Masalahnya, bahagian paling mahal masih belum hilang.

Kos dan masa untuk sampai ke clinical trial semakin baik, termasuk dengan bantuan AI. Tetapi menjalankan clinical trial masih boleh menelan kos ratusan juta dolar.

Pande juga menyebut satu angka yang cukup keras: hanya sekitar 20% ubat berjaya bergerak dari trial pertama hingga tamat trial ketiga.

Masalahnya bukan semestinya saintis membuat kesilapan. Salah satu masalah besar ialah model haiwan seperti tikus tidak sentiasa meramalkan apa yang akan berlaku kepada manusia dengan tepat.

Jadi, menurut Pande, model AI tidak perlu sempurna. Jika ia boleh memberikan ramalan yang lebih baik daripada model haiwan, itu sendiri sudah cukup untuk mengubah ekonomi pembangunan ubat.

Soalan Seterusnya: Ubat Yang Betul Untuk Siapa?

Selepas persoalan "boleh tak kita hasilkan ubat yang lebih baik?", datang pula persoalan yang lebih dekat dengan pesakit:

Adakah ini ubat yang betul untuk saya?

Itulah idea di sebalik precision medicine.

Hari ini, banyak keputusan perubatan masih dibuat dengan membandingkan keputusan seseorang dengan julat atau purata populasi. Pande melihat masa depan yang lebih menarik apabila doktor boleh memahami apa yang normal untuk individu tertentu, bukan sekadar apa yang normal untuk populasi.

Genomik sahaja juga tidak mencukupi.

Pande menggunakan analogi rumah: genom ialah seperti pelan rumah pada hari pertama pembinaan. Selepas bertahun-tahun, rumah itu sudah berubah. Untuk memahami keadaan semasa, kita perlukan ukuran lain.

Di sinilah proteomics dan pelbagai bentuk pengukuran biologi lain menjadi penting. Ia boleh memberikan gambaran yang lebih dekat dengan keadaan tubuh seseorang pada masa itu.

Dalam tempoh sedekad lalu, kemajuan berlaku pada dua sisi yang saling berkait: AI untuk memahami biologi dan AI untuk membantu mereka bentuk bahan kimia atau ubat yang menyasarkan protein tertentu.

Masalah Besar Yang Tak Boleh Diselesaikan Dengan Scraping

Ini mungkin bahagian paling penting dalam keseluruhan wawancara.

Untuk model bahasa, sebahagian besar bahan latihan boleh diperoleh daripada teks yang tersedia secara terbuka di internet.

Biologi tidak begitu.

Data biologi yang diperlukan untuk membina sistem AI yang benar-benar berguna tidak tersedia sebagai satu korpus terbuka yang besar. Data juga tidak boleh dipindahkan atau "disuling" daripada satu model kepada model lain semudah pengetahuan bahasa.

Akibatnya, banyak syarikat membina dataset mereka sendiri dan menyimpannya dalam silo.

Masalah ini bukan sekadar masalah teknikal. Ia juga masalah insentif.

Syarikat dan founder mempunyai sebab untuk melindungi data serta penemuan mereka. Dalam bidang perubatan pula, data sudah lama tersekat antara bidang dan organisasi yang berbeza.

Pande memberi contoh situasi apabila seorang pesakit mempunyai masalah yang melibatkan lebih daripada satu bidang perubatan. Pakar dalam bidang yang berbeza tidak semestinya mempunyai semua maklumat yang diperlukan untuk melihat gambaran penuh.

AI berpotensi membantu kerana satu sistem boleh menggabungkan pengetahuan daripada banyak bidang pada masa yang sama.

Tetapi untuk itu berlaku, data tetap diperlukan.

Foundation Model Biologi dan Open Source

Salah satu harapan Pande ialah kemunculan "atlas" maklumat biologi yang lebih besar.

Dalam konteks teknologi, ini berkait rapat dengan foundation models untuk biologi.

Pande menjangkakan model open-source dalam biologi boleh memainkan peranan yang sama seperti model bahasa open-source: memberikan akses yang lebih luas kepada teknologi yang sebelum ini banyak berada dalam ekosistem syarikat besar.

Bagi developer, ini adalah bahagian yang paling mudah difahami.

Model yang terbuka boleh dikaji, diuji dan dibangunkan oleh lebih ramai orang. Tetapi dalam biologi, persoalan data masih menjadi penghalang utama. Membuka kod sahaja tidak menyelesaikan masalah jika dataset yang diperlukan masih terkunci.

Sebab itu perkembangan foundation model biologi bukan hanya tentang model mana yang paling hebat. Persoalannya juga ialah siapa yang mempunyai data, siapa yang boleh menggunakannya dan sejauh mana data itu boleh dikongsi.

Apa Yang Pande Rasa Dia Betul dan Silap

Bila melihat semula perjalanan kerjayanya, Pande menyebut dua perkara yang agak menarik.

Pertama, dia percaya pertaruhan jangka panjang terhadap AI, machine learning dan biologi akhirnya membuahkan hasil. Lebih sedekad lalu, masih ramai yang menganggap gabungan teknologi tersebut tidak akan membawa banyak perubahan.

Pandangan itu sudah berubah.

Kedua, Pande mengakui bahawa teknologi yang hebat sahaja tidak cukup untuk membina syarikat yang berjaya.

Pada akhirnya, semuanya kembali kepada go-to-market.

Ini nasihat yang mudah dilupakan oleh founder yang datang daripada latar belakang sains atau teknologi. Produk yang hebat masih perlu dijual, digunakan dan dibawa kepada pelanggan yang sebenar.

Menurut Pande, bahagian go-to-market boleh jadi sama sukar, malah lebih sukar, daripada membina teknologinya sendiri.

AI Tidak Boleh Menyelesaikan Masalah Data Yang Tidak Wujud

Bahagian terakhir wawancara ini mungkin paling berguna untuk membezakan antara hype AI dengan realiti.

Pande tidak menolak kemampuan AI dalam biotech. Sebaliknya, dia berhati-hati dengan dakwaan bahawa AI akan menyelesaikan semua masalah perubatan.

Sebabnya mudah: model AI memerlukan data.

LLM berkembang kerana terdapat jumlah data teks yang sangat besar untuk dipelajari. Dalam biologi, masalahnya berbeza. Banyak data yang diperlukan sama ada tidak wujud dalam bentuk yang mudah digunakan, tidak dikongsi atau berada dalam dataset milik organisasi tertentu.

Jadi AI bukan tongkat sakti.

Ia boleh membantu mencari corak yang manusia mungkin terlepas, mempercepatkan eksperimen dan mengurangkan sebahagian kerja yang sebelum ini mengambil masa yang panjang. Tetapi jika data yang diperlukan memang tidak ada, model yang lebih besar tidak semestinya menyelesaikan masalah tersebut.

Dan mungkin itu sebenarnya perkara paling menarik tentang VZVC.

Pande bukan sekadar mengecilkan saiz firma VC-nya. Dia sedang menguji satu model kerja yang sangat berbeza: pasukan kecil, keputusan yang sedikit tetapi besar, dan AI digunakan untuk mengurangkan kerja di sekeliling keputusan tersebut.

Dalam biotech pula, masalah yang sama muncul dalam bentuk lain. AI boleh menjadi sangat kuat, tetapi kelebihan sebenar mungkin datang daripada data yang sukar diperoleh dan sukar dikongsi.

Jadi perlumbaan AI dalam biologi mungkin bukan hanya tentang siapa yang mempunyai model terbaik.

Ia juga tentang siapa yang mempunyai data yang paling berguna.

Sumber:

• TechCrunch — "We're not doing 30 bets a year": Vijay Pande on betting small
• VZVC — vz.vc