Cựu sếp quỹ a16z Vijay Pande ra mắt VZVC: Quỹ đầu tư tinh gọn, vận hành bằng AI

Trước đây, Vijay Pande được biết đến trong giới học thuật nhiều hơn là giới đầu tư. Điều đó đã thay đổi khá đột ngột cách đây 12 năm, khi Marc Andreessen và Ben Horowitz — những người đã dành 5 năm đầu tiên của công ty mình để tránh xa lĩnh vực chăm sóc sức khỏe và khoa học sự sống — quyết định rằng đây là một lĩnh vực đáng để đặt cược và trao quyền điều hành cho Pande. Vào thời điểm đó, ông là giáo sư hóa học tại Stanford, nổi tiếng nhất với việc xây dựng Folding@home, dự án điện toán phân tán biến hàng triệu máy tính cá nhân tại nhà thành một siêu máy tính phục vụ nghiên cứu bệnh tật. Trong hơn một thập kỷ sau đó, ông đã phát triển khoản đặt cược của a16z thành một hoạt động quản lý gần 4 tỷ USD.

Vì vậy, khá bất ngờ khi vào tháng 6 năm ngoái, Pande đã rời bỏ tất cả để bắt đầu một thứ gì đó nhỏ hơn nhiều. Trên thực tế, công ty mới của ông, VZVC, đồng sáng lập cùng nhà đầu tư lâu năm Zach Werner, được xây dựng dựa trên một vài khoản đặt cược tập trung mỗi năm thay vì hàng chục, không có nhân viên cấp dưới (associates) và dựa nhiều vào AI cho các hoạt động hàng ngày.

Để tìm hiểu thêm về bước ngoặt lớn của Pande, tuần này chúng tôi đã trò chuyện với ông về lý do tại sao ông chỉ thực hiện một vài khoản đặt cược tập trung thay vì dàn trải trong thị trường hiện tại — và về một trong những vấn đề hóc búa thú vị nhất trong lĩnh vực công nghệ sinh học dựa trên AI: không giống như văn bản, dữ liệu sinh học không thể được thu thập (scrape) từ internet, vì vậy gần như mọi công ty cuối cùng đều phải tự xây dựng bộ dữ liệu riêng biệt của mình. Điều đó có ý nghĩa gì đối với tất cả những tiến bộ mà AI đã hứa hẹn trong y học, và ai thực sự được tiếp cận chúng?

Cuộc trò chuyện này đã được biên tập lại để đảm bảo độ dài và sự rõ ràng. Bạn cũng có thể nghe toàn bộ cuộc trò chuyện (bên dưới).

Ông từng nói rằng sinh học đang chuyển mình từ một "khoa học khám phá" sang thứ mà chúng ta có thể kỹ thuật hóa. Điều đó có nghĩa là gì?

Trong phần lớn quá trình phát triển thuốc, luôn có một yếu tố may rủi. Tôi nghĩ điều đã thay đổi là AI và học máy cho phép máy tính áp dụng khả năng hiểu biết của chúng vào những thứ rất, rất phức tạp… để cố gắng tìm ra các mục tiêu mà bạn muốn thuốc của mình tác động đến, cho các bệnh cụ thể, để có thể tạo ra những loại thuốc đó, và bây giờ thậm chí còn hỗ trợ trong các thử nghiệm lâm sàng — phần tốn kém nhất của quy trình.

Tôi cứ nghĩ các thử nghiệm lâm sàng đang trở nên rẻ hơn vì các nhà phát triển thuốc đang sử dụng nhiều dữ liệu tổng hợp (synthetic data) hơn, nên không cần nhiều người tham gia vào các thử nghiệm này nữa.

Tôi nghĩ đó mới chỉ là kỳ vọng.

Chi phí và thời gian để tiến tới thử nghiệm lâm sàng đang giảm dần, đặc biệt là với AI, nhưng vẫn có thể tốn hàng trăm triệu đô la để thực hiện một thử nghiệm, đó là lý do tại sao thuốc rất đắt đỏ. Xác suất để một loại thuốc đi từ thử nghiệm đầu tiên đến cuối thử nghiệm thứ ba thành công chỉ là 20%. Nếu 8 trong số 10 loại thuốc thất bại, và những thứ này tiêu tốn hàng trăm triệu đô la, thì chi phí khấu hao sẽ rất cao. Lý do chúng thất bại thường không phải vì nhà sinh học làm sai điều gì đó; mà là vì tất cả các thí nghiệm mà những loại thuốc này được thiết kế dựa trên đó đều thực hiện trên các mô hình động vật như chuột, và cuối cùng, các mô hình động vật không dự đoán chính xác cho con người. Mô hình AI sẽ không hoàn hảo, nhưng nó sẽ tốt hơn nhiều so với bất kỳ mô hình động vật nào, và một khi vượt qua được rào cản đó, đó mới là lúc mọi thứ trở nên thực sự thú vị.

[Giai đoạn sau đó là]: Liệu loại thuốc đó có phải là loại thuốc phù hợp với tôi không?

Ý ông là y học cá nhân hóa...

Thuật ngữ ở đây được gọi là y học chính xác (precision medicine). Nếu bạn đến gặp bác sĩ với một vấn đề không hề đơn giản, họ phải đoán xem chuyện gì đang xảy ra, vì những gì họ có thể biết là có hạn. Sau đó, họ đưa cho bạn một loại thuốc — và nếu không hiệu quả, họ đưa cho bạn một loại thuốc khác, rồi lại một loại khác. Điều này xảy ra trong bệnh ung thư, xảy ra trong rất nhiều lĩnh vực khác nhau. Tất cả chúng ta sẽ tốt hơn nhiều nếu loại thuốc đầu tiên là loại phù hợp. Thông thường, các chỉ số xét nghiệm máu của bạn được so sánh với mức trung bình của dân số. Nhưng thực sự, chúng nên được so sánh với: liệu [kết quả] này có bất thường đối với riêng bạn không? Những gì chúng tôi cũng đang bắt đầu thực hiện ở khía cạnh y học là [khả năng] hiểu được điều gì sẽ phù hợp với từng cá nhân.

Ông có cho rằng con đường dẫn đến thời điểm này là chậm rãi và ổn định, hay nó đã bùng nổ gần đây hơn?

Tôi nghĩ đó là sự kết hợp của rất nhiều yếu tố. Ví dụ, y học chính xác trong một thời gian dài dựa trên hệ gen học (genomics). Nhưng thực tế là hệ gen của bạn giống như bản thiết kế ngôi nhà vào ngày đầu tiên, nhưng ngôi nhà của bạn hiện tại đã khá khác biệt so với thời điểm nó được xây dựng. Vì vậy, có nhiều thứ khác mà con người hiện có thể đo lường trong lĩnh vực protein học (proteomics) và những thứ tương tự, vốn phù hợp hơn nhiều để hiểu về bệnh tật và tình trạng cơ thể bạn hiện tại. Ngoài ra, cũng có [rất nhiều] sự tự động hóa trong các phép đo bằng robot vốn gắn liền với AI, và hai yếu tố đó song hành với nhau rất tốt.

Trong thập kỷ qua, đã có sự tiến triển ổn định trong cả AI cho sinh học và AI cho hóa học. Phần sinh học giống như: làm thế nào chúng ta có thể điều trị căn bệnh này? Và sau đó phần hóa học là: làm thế nào chúng ta có thể tạo ra một loại thuốc để nhắm vào protein cụ thể đó? Thực tế đã có những tiến bộ rất đáng kể trong 10 năm đó.

Ông đã đề cập rằng sinh học là một trong số ít những nơi mà AI không thể chỉ thu thập dữ liệu từ internet. Điều đó có ý nghĩa gì đối với cách lĩnh vực này phát triển?

Đây là nơi bạn không có bất kỳ dữ liệu nào mà mọi người có thể cùng huấn luyện một thứ giống nhau, và dữ liệu của bạn không thể được chắt lọc từ mô hình này sang mô hình khác. Đó là một cuộc chơi thực sự thú vị xét từ góc độ AI thuần túy.

Tuy nhiên, điều đó có phản ánh một vấn đề quen thuộc trong y học không — các bác sĩ hoạt động trong các "ốc đảo" [mang tính lãnh thổ, thường cạnh tranh]?

Bạn đã chạm đúng vào một vấn đề rất lớn. Giả sử [ai đó] mắc một loại ung thư, và đó vừa là vấn đề của khoa ung bướu vừa là của khoa nội tiết — hai bác sĩ đó thực sự không phối hợp tốt với nhau. Điều thực sự hấp dẫn về AI là về nguyên tắc, nó có thể là chuyên gia trong mọi lĩnh vực, và nó có thể bắt đầu nhìn thấy những thứ mà bất kỳ con người đơn lẻ nào cũng không thể thấy. Nó sẽ tương đương với việc có một đội ngũ bác sĩ giỏi nhất cùng hội chẩn trong khoảnh khắc đó.

Nhưng liệu có đủ sự chia sẻ dữ liệu để tầm nhìn đó thực sự trở thành hiện thực không? Tôi hiểu tại sao các nhà 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 đang bắt đầu thấy sự chuyển dịch sang việc xây dựng các bản đồ thông tin sinh học — mà từ góc độ công nghệ, thường là các mô hình nền tảng (foundation models). Và khi chúng trở nên phổ biến hơn, tôi nghĩ chúng ta sẽ thấy điều tương tự đã xảy ra với các LLM mã nguồn mở, vốn hoạt động rất tốt so với các mô hình của doanh nghiệp: các mô hình nền tảng mã nguồn mở trong sinh học sẽ có tác động rất rộng lớn.

Ông có tham gia vào Genesis Therapeutics, công ty bước ra từ phòng thí nghiệm của ông tại Stanford, và Insitro, công ty khám phá thuốc do Daphne Koller, một đồng nghiệp cũ tại Stanford, khởi xướng. Ông nói rằng ông cũng đang ươm tạo một công ty với một nhà sáng lập mà ông đã quen biết 20 năm. Ông đang tìm kiếm điều gì ở các nhà sáng lập, và trong những lĩnh vực nào?

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

Một trong những điều quan trọng nhất đối với tôi [về các nhà sáng lập] là chúng ta có thể thực sự tin tưởng lẫn nhau — những nhà sáng lập có tính chính trực cao, làm những gì họ nói... Tôi kỳ vọng mối quan hệ này sẽ kéo dài 5, 10 năm hoặc hơn, lý tưởng nhất là sang cả công ty tiếp theo của họ. Tôi muốn làm việc với những người có tư duy dài hạn như vậy. Lý tưởng nhất là những người không chỉ cố gắng để thắng và đánh bại người khác, mà thực sự suy nghĩ về câu hỏi: làm thế nào để chúng ta cùng thắng?

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

Khi tôi bắt đầu nói về AI, học máy, công nghệ, y học và sinh học hơn 10 năm trước, đã có rất nhiều sự phản kháng và rất nhiều người nói rằng: '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 chứng kiến quỹ đạo này rất thỏa mãn.

Tôi nghĩ tôi đã mất một thời gian để thực sự nhận ra rằng dù các công nghệ thú vị nhất có hấp dẫn đến đâu, thì cuối cùng mọi thứ vẫn quay trở lại với chiến lược thâm nhập thị trường (go-to-market). Tôi nói với các nhà sáng lập của mình, đặc biệt là những người đến từ phía khoa học hoặc sản phẩm, rằng họ hãy mang tất cả sự thông minh và sáng tạo của mình để thực sự áp dụng vào khía cạnh thâm nhập thị trường, vì phần thâm nhập thị trường khó ít nhất là bằng hoặc khó hơn cả khía cạnh công nghệ.

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

Hiện tại, chúng tôi đang làm một điều gì đó thực sự khá khác biệt... VZ được đặt theo tên tôi, Vijay, và người đồng sáng lập của tôi, Zach Werner — ông ấy là chữ Z. Chúng tôi cố tình giữ quy mô thực sự khá nhỏ... về phía đầu tư, thực sự chỉ có hai chúng tôi. Chúng tôi đã định thuê các nhân viên cấp dưới, nhưng hóa ra, với các tác nhân (agents) mà chúng tôi đã xây dựng, đó không phải là việc cần thiết.

"Tập trung" nghĩa là tập trung đến mức nào?

Chúng tôi [không] thực hiện 30 khoản đặt cược mỗi năm... chúng tôi đang nói về khoảng năm khoản, không nhiều khoản đầu tư — rất tập trung. Thêm một công ty vào một quỹ thông thường 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 vậy. Đây là một vấn đề lớn đối với chúng tôi.

Với cấu trúc đó, ông đang cạnh tranh với ai để giành các thương vụ?

Điều thú vị về mô hình này là thông thường chúng tôi không cố gắng cạnh tranh cho một vòng gọi vốn nóng — mọi người đều dành chỗ cho chúng tôi. Nó rất khác với việc cố gắng giành lấy vòng Series A hoặc Series B đang hot. Phần lớn, mọi người muốn chúng tôi làm nhà đầu tư vì những gì Zach và tôi có thể làm, và mức độ thực chiến (hands-on) của chúng tôi. Khi tôi nhìn vào những người truyền cảm hứng, tôi nhìn vào một người như Antonio Gracias tại Valor — ông ấy hiện nổi tiếng vì thương vụ SpaceX, nhưng ông ấy đã làm những gì mình đang làm trong 20 năm nay. Những gì Thrive đã làm, với danh mục đầu tư tập trung hơn, cũng là một nguồn cảm hứng thực sự. Rõ ràng, a16z cũng là một phần trong DNA của tôi, nhưng tôi nghĩ những cái tên khác đó là những bổ sung mới cho cách chúng tôi suy nghĩ về mọi thứ.

Điều gì đang bị thổi phồng quá mức trong AI và công nghệ sinh học hiện nay?

Thực tế là AI có thể tìm ra những hiểu biết sâu sắc mà chúng ta không thể có được nếu chỉ dựa vào con người. Điều luôn trở nên khó khăn là khi có lời kêu gọi rằng AI sẽ chữa khỏi mọi thứ. Lý do cho sự do dự ở đó không phải vì bất kỳ nghi ngờ nào về AI — mà là về sự nghi ngờ đối với dữ liệu. Các LLM hoạt động vì có quá 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 được.

Khi bạn mua hàng thông qua các liên kết trong bài viết của chúng tôi, chúng tôi có thể nhận được một khoản hoa hồng nhỏ. Điều này không ảnh hưởng đến tính độc lập trong biên tập của chúng tôi.