Vijay Pande 离开 a16z 后创办 VZVC

从学术圈到投资圈

Vijay Pande 最初在学术圈比在投资圈更有名。十多年前，这种局面突然改变：Marc Andreessen 和 Ben Horowitz 在 firm 成立后的头五年里明确回避医疗和生命科学领域，后来却决定押注这一方向，并把钥匙交给了 Pande。

当时，Pande 是斯坦福大学的化学教授，最广为人知的身份是 Folding@home 的缔造者。这个分布式计算项目把数百万台家用电脑变成用于疾病研究的超级计算机。此后十多年，他把 a16z 的这笔押注发展成一个管理近 40 亿美元的业务。

因此，去年六月他离开这一切、去创办一个小得多的新机构，多少有些出人意料。他的新 firm 名为 VZVC，与资深投资人 Zack Werner 共同创办，核心逻辑是每年只做少数几个集中押注，而不是几十个；没有 associates，日常运营高度依赖 AI。

为什么不再一年下 30 个注

Pande 的新打法与当前市场的主流做法形成鲜明对比。他选择集中火力，而不是把精力摊薄。背后的判断是：在当下的市场环境里，广泛撒网未必是最优解，真正重要的是对少数机会有足够深的理解和投入。

VZVC 的架构也服务于这一逻辑：没有 associates，意味着团队极小；重度依赖 AI，意味着日常运营效率被放在很高位置。这种配置让 firm 能够以更少的资源维持运转，同时把注意力集中在少数关键决策上。

AI 如何改变生物学

Pande 认为，生物学正在从一门“发现科学”转变为可以被工程化的领域。

过去药物开发有很大偶然性。AI 和机器学习带来的变化在于，计算机能够围绕极其复杂的问题建立理解：

• 找出药物应该作用于哪些靶点
• 针对特定疾病设计药物
• 甚至在临床试验阶段提供帮助

临床试验是整个过程中最昂贵的部分。Pande 指出，把临床试验成本下降视为现实还为时过早，这更像是一种愿景。尽管 AI 让进入临床试验的成本和时间在缩短，但运行一次试验仍可能花费数亿美元，这也是药物昂贵的原因。

一个关键数字是：药物从一期试验成功走到三期试验结束的概率只有 20%。如果 10 个里有 8 个失败，而每个都耗资数亿美元，摊销成本就会非常高。

失败的原因通常不是生物学家做错了什么，而是这些药物所依据的实验大多是在小鼠等动物模型上完成的，而动物模型对人类并不具备很强的预测能力。Pande 认为，AI 模型不会完美，但会远比任何动物模型更好。一旦跨过这条线，事情就会变得真正令人兴奋。

精准医疗：从群体平均到个体

Pande 还谈到个性化医疗，也就是所谓的精准医疗。

如果一个人带着不那么简单的病症去看医生，医生往往只能猜测发生了什么，因为能获得的信息有限。然后医生给一种药，如果无效，再换一种，再换一种。这种情况在癌症和许多领域都会发生。如果第一种药就是对的，所有人都会受益更多。

他提到，通常血液检测值是与人群平均值比较，但真正应该问的是：这个结果对“你”来说是否异常？医学正在开始做的，是理解什么对个体才是正确的。