„Не правим 30 залога годишно“: Виджай Панде за малките залози, след като управляваше $4 млрд. в a16z

Някога Vijay Pande беше по-известен в академичните среди, отколкото сред инвеститорите. Това се промени доста внезапно преди дузина години, когато Marc Andreessen и Ben Horowitz — които през първите пет години на фирмата си изрично избягваха здравеопазването и науките за живота — все пак решиха, че си струва да заложат на тази категория, и предадоха управлението на Pande. По това време той беше професор по химия в Stanford, най-известен с изграждането на Folding@home — проект за разпределени изчисления, който превърна милиони домашни компютри в суперкомпютър за изследване на заболявания. През следващото десетилетие и повече той разрасна инвестицията на a16z до практика, управляваща близо 4 милиарда долара.

Затова беше донякъде неочаквано, когато през юни миналата година Pande се оттегли от всичко това, за да започне нещо много по-малко. Всъщност новата му фирма, VZVC, съоснована с дългогодишния инвеститор Zach Werner, е изградена около няколко концентрирани инвестиции годишно, вместо около десетки, няма асоциирани инвеститори и разчита сериозно на AI за ежедневните си операции.

За да научим повече за резкия завой на Pande, тази седмица разговаряхме с него за това защо в настоящия пазар прави само няколко концентрирани инвестиции, вместо да разпилява усилията си — както и за един от по-интересните парадокси в биотехнологиите, управлявани от AI: за разлика от текстовите данни, биологичните данни не могат да бъдат извличани от интернет, така че почти всяка компания в крайна сметка изгражда собствен набор от данни зад защитена стена. Какво означава това за всички обещани от AI напредъци в медицината и кой всъщност получава достъп до тях?

Този разговор е редактиран за дължина и яснота. Можете също да чуете пълния разговор (по-долу).

Казвали сте, че биологията преминава от „наука за откритията“ към нещо, което може да бъде инженерно проектирано. Какво означава това?

При голяма част от начина, по който са разработвани лекарствата, имаше много голям елемент на случайност. Мисля, че промяната е, че AI и машинното обучение позволяват на компютрите да приложат своя тип разбиране към нещо много, много сложно… да се опитат да разберат към какви мишени трябва да се насочат лекарствата ви за конкретни заболявания, да могат да създават тези лекарства, а сега дори да помагат и в клиничните изпитвания — най-скъпата част от процеса.

Мислех, че клиничните изпитвания поевтиняват, защото разработчиците на лекарства използват повече синтетични данни, така че не са нужни толкова много хора за тези изпитвания.

Мисля, че това до голяма степен е стремеж.

Разходите и времето до достигане на клинични изпитвания намаляват, особено благодарение на AI, но едно изпитване все още може да струва стотици милиони долари, което е причината лекарствата да са толкова скъпи. Вероятността едно лекарство да премине успешно от първото изпитване до края на третото е едва 20%. Ако 8 от 10 се провалят, а тези неща струват стотици милиони долари, амортизираната цена става изключително висока. Обикновено причината за провала не е, че биологът е направил нещо погрешно; причината е, че всички експерименти, върху които са били проектирани тези лекарства, са били проведени върху животински модели като мишки, а в крайна сметка животинските модели просто не предсказват много добре какво се случва при хората. Моделът с AI няма да е съвършен, но ще бъде много по-добър от всеки животински модел, а щом премине този праг, нещата стават наистина вълнуващи.

[Следващият етап е]: Правилното лекарство ли е за мен?

Имате предвид персонализираната медицина. . .

Жаргонът тук е т.нар. прецизна медицина. Ако отидете на лекар с нещо, което не е тривиално, той трябва да гадае какво се случва, защото може да разбере само до определена степен. След това ви дава лекарство — и ако то не подейства, ви дава друго, после още едно. Това се случва при рака, случва се в много различни области. Всички бихме били много по-добре, ако първото лекарство беше правилното. Обикновено стойностите от кръвните ви изследвания се сравняват със средните за населението. Но всъщност трябва да се сравняват с въпроса: странен ли е този [резултат] за вас? Това, което започваме да правим и от медицинска страна, е просто да разбираме какво би било правилно за конкретния човек.

Бихте ли казали, че пътят до този момент е бил бавен и постепенен, или напоследък е имало рязък скок?

Мисля, че това е съчетание на много различни неща. Например прецизната медицина дълго време се основаваше на геномиката. Но реалността е, че геномът ви е нещо като проект на къщата ви в първия ден, докато сега къщата ви е доста различна в сравнение с момента, в който е била построена. Затова има много други неща, които хората вече могат да измерват чрез протеомиката и други подобни методи, и които са много по-релевантни за разбирането на заболяването и на състоянието, в което се намира тялото ви сега. Имаше и много автоматизация на роботизираните измервания, която естествено е свързана с AI, а двете неща работят много добре заедно.

През последното десетилетие имаше стабилен напредък както при AI за биологията, така и при AI за химията. Биологичната част е: как можем да лекуваме това заболяване? А химичната част е: как можем да създадем лекарство, което да атакува конкретния протеин? Всъщност през тези 10 години имаше много значителни напредъци.

Споменахте, че биологията е едно от малкото места, където AI не може просто да извлича данни от интернет. Какво означава това за развитието на областта?

Това е област, в която не разполагате с всички тези данни, върху които всеки може просто да обучава едно и също нещо, а вашите данни не могат да бъдат дестилирани от един модел в друг. Това е много интересен въпрос от гледна точка на чистия AI.

Но това не отразява ли един познат проблем в медицината — лекарите, работещи в [териториални, често конкурентни] изолирани структури?

Докосвате се до нещо наистина голямо. Да кажем, че [някой] има някакъв вид рак и това е едновременно проблем в онкологията и ендокринологията — тези двама лекари наистина не си взаимодействат много добре. Това, което е наистина интригуващо при AI, е, че той по принцип може да бъде специалист във всичко и да започне да вижда неща, които на практика никой отделен човек не би могъл да види. Това би било равносилно на екип от най-добрите лекари, които в този момент обсъждат случая заедно.

Но има ли достатъчно споделяне на данни, за да се реализира тази визия? Разбирам защо основателите и инвеститорите искат да защитават [съответните си открития], но . . .

Мисля, че една от по-големите тенденции е, че започваме да виждаме преход към изграждането на атласи на биологичната информация — които от технологична гледна точка обикновено са фундаментални модели. И с разпространяването им мисля, че ще видим същото, което се случи с LLM моделите с отворен код, които се представят много добре спрямо корпоративните: фундаменталните модели с отворен код в биологията ще имат много широко въздействие.

Участвате в Genesis Therapeutics, която произлезе от лабораторията ви в Stanford, и Insitro, компанията за откриване на лекарства, основана от Daphne Koller, ваша бивша колежка в Stanford. Казвате, че също така инкубирате компания с основател, когото познавате от 20 години. Какво търсите у основателите и в какви области?

Има две области, върху които прекарвам по-голямата част от времето си. Едната е AI за предоставяне на здравни услуги, с което също се занимавах много в a16z, а другата е AI за клинични изпитвания.

Едно от най-важните неща за мен [при основателите] е, че можем истински да си имаме доверие — основатели с висока почтеност, които правят това, което казват, че ще направят… Очаквам тези отношения да продължат 5, 10 или повече години, в идеалния случай до следващата им компания. Искам да работя с хора, които мислят дългосрочно по този начин. В идеалния случай това са хора, които не просто се опитват да спечелят и да победят другите, а наистина мислят върху въпроса: как печелим заедно?

Какво сте направили правилно и какво сте сбъркали в инвестиционната си кариера досега?

Когато преди повече от 10 години започнах да говоря за AI и машинното обучение, технологиите, медицината и биологията, имаше много съпротива и много хора казваха: „О, това никога няма да се случи. Това никога няма да бъде полезно“ и така нататък. Тази съпротива до голяма степен изчезна и е много удовлетворяващо да наблюдавам тази траектория.

Мисля, че ми трябваше известно време, за да осъзная напълно, че колкото и съблазнителни да са най-готините технологии, всичко винаги се свежда до излизането на пазара. Казвам на основателите си, особено на тези, които идват от научната или продуктовата страна, да приложат целия си блясък и креативност към излизането на пазара, защото тази част е поне толкова трудна, а вероятно и по-трудна, от технологичната.

Помогнете ни да разберем как проектирате тази нова фирма по различен начин в сравнение с това, което управлявахте в a16z.

В момента правим нещо доста различно… VZ е кръстена на мен, Vijay, и на моя съосновател Zach Werner — той е Z. Умишлено сме наистина много малки… от инвестиционна гледна точка сме само двамата. Всъщност възнамерявахме да наемем асоциирани инвеститори, но се оказа, че благодарение на агентите, които изградихме, това не е необходимо.

Колко концентрирана е „концентрираната“ инвестиционна стратегия?

Ние [не] правим 30 инвестиции годишно… говорим вероятно за пет, не за много инвестиции — много концентрирани. Добавянето на компания към един типичен фонд е като добавянето на приятел във Facebook — прави се доста бързо. За Zach и мен това е по-скоро като . . . да искаме да имаме още едно дете. Това е голяма работа за нас.

При тази структура с кого се конкурирате за сделките?

Смешното при този модел е, че обикновено не се опитваме да се конкурираме за горещ рунд — хората ни правят място. Това е нещо много различно от опита да се включим в горещ Series A или Series B. Като цяло хората ни искат като инвеститори заради това, което Zach и аз можем да направим, и заради това колко активно можем да участваме. Когато мисля за хора, които ме вдъхновяват, се сещам за някого като Antonio Gracias от Valor — сега той е известен заради сделката със SpaceX, но вече 20 години прави това, което прави. Това, което Thrive направи с по-концентриран портфейл, също е истинско вдъхновение. Очевидно a16z също е част от моето ДНК, но мисля, че другите са нови допълнения към начина, по който мислим за нещата.

Кое е надценено в момента в AI и биотехнологиите?

Реалността е, че AI може да открива прозрения, до които не можем да достигнем само с помощта на хора. Става сложно, когато се появи твърдението, че AI ще излекува абсолютно всичко. Причината за колебанието тук не е някакво съмнение относно AI — става дума за съмнение относно данните. LLM моделите работят, защото има толкова много данни, от които да се учат. Когато данните просто не са налични, AI не може магически да реши този проблем.