ویجای پاند روی ۵ شرکت بیوتکنولوژی در سال شرط‌بندی کرد

تصور کنید مدیریت یک سبد ۴ میلیارد دلاری را رها کنید تا تمام سرمایه و اعتبار خود را روی تنها ۵ شرکت در سال متمرکز کنید. ویجای پاند، رئیس سابق بخش علوم زیستی در a16z، دقیقاً همین مسیر جسورانه را با تأسیس شرکت VZVC در کنار زک ورنر انتخاب کرده است. پاند که پیش از این مدیریت یکی از بزرگ‌ترین بخش‌های سرمایه‌گذاری در حوزه سلامت را بر عهده داشت، اکنون مدل حجیم صندوق‌های غول‌پیکر را کنار گذاشته تا رویکردی متمرکزتر را دنبال کند.

چرخش از a16z

پاند برای دوازده سال یکی از چهره‌های محوری در a16z بود. او در لحظه‌ای حساس به این مجموعه پیوست؛ زمانی که مارک اندرسن و بن هوروویتز تصمیم گرفتند وارد حوزه بهداشت و علوم زیستی شوند، در حالی که در پنج سال اول تأسیس شرکت، صراحتاً از ورود به این دسته‌بندی اجتناب کرده بودند. پاند در آن زمان استاد شیمی در دانشگاه استنفورد بود و در محافل آکادمیک به دلیل ساخت Folding@home شهرت داشت. این پروژه رایانش توزیع‌شده، میلیون‌ها کامپیوتر خانگی را به یک ابرکامپیوتر تبدیل کرد که وقف تحقیق روی بیماری‌ها شده بود.

در طول دهه بعد، پاند شرط‌بندی a16z در این حوزه را به بخشی تبدیل کرد که نزدیک به ۴ میلیارد دلار سرمایه را مدیریت می‌کرد. با این حال، در ژوئن سال گذشته، او این عملیات عظیم را ترک کرد تا چیزی به‌مراتب کوچک‌تر را آغاز کند. VZVC بر اساس فلسفه «تمرکز» به‌جای «تنوع‌بخشی» بنا شده است و از مدل ده‌ها شرط‌بندی که در صندوق‌های بزرگ رایج است، فاصله گرفته است.

این تغییر رویکرد در زمانی رخ می‌دهد که هوش مصنوعی در حال تبدیل زیست‌شناسی از یک «علم اکتشافی» به یک «رشته مهندسی» است. برای دهه‌ها، توسعه دارو بر پایه اکتشافات تصادفی و مدل‌های حیوانی بود که اغلب در پیش‌بینی واکنش‌های انسانی شکست می‌خوردند. پاند استدلال می‌کند که یادگیری ماشین اکنون می‌تواند درکی ساختاریافته از این پیچیدگی‌ها ایجاد کند تا اهداف درمانی را شناسایی کرده و داروها را با دقتی بسیار بالاتر طراحی کند.

طبق مصاحبه‌ای با TechCrunch که در ۲۹ اوت ۲۰۲۶ منتشر شد، پاند معتقد است گران‌ترین بخش این فرآیند، یعنی آزمایش‌های بالینی، جایی است که هوش مصنوعی بیشترین تأثیر فوری را خواهد داشت. اگرچه آرزوهای زیادی برای استفاده از داده‌های مصنوعی جهت کاهش هزینه‌ها وجود دارد، اما واقعیت فعلی بی‌رحمانه است: تنها ۲۰٪ از داروها موفق می‌شوند از اولین مرحله آزمایش به پایان مرحله سوم برسند.

هزینه شکست

وقتی ۸ مورد از هر ۱۰ دارو شکست می‌خورند، هزینه سرشره توسعه به‌شدت بالا می‌رود. پاند اشاره می‌کند که این آزمایش‌ها می‌توانند صدها میلیون دلار هزینه داشته باشند و به همین دلیل است که قیمت نهایی داروها بسیار زیاد است. او تصریح می‌کند که این شکست‌ها معمولاً نتیجه خطای زیست‌شناسان نیست. مشکل اینجاست که داروها بر اساس مدل‌های حیوانی، مانند موش‌ها، طراحی می‌شوند که به‌سادگی پیش‌بینی‌کننده بیولوژی انسان نیستند.

مدل‌های هوش مصنوعی کامل نیستند، اما پاند باور دارد که آن‌ها به‌طور قابل‌توجهی بهتر از هر مدل حیوانی خواهند بود. زمانی که هوش مصنوعی از این سد پیش‌بینی عبور کند، صنعت شاهد جهشی عظیم در بهره‌وری خواهد بود.

مهندسی پزشکی دقیق

پاند دوران فعلی را نقطه تلاقی چندین جهش تکنولوژیک می‌بیند:

• فراتر از ژنومیک: پزشکی دقیق برای مدت‌ها بر پایه ژنومیک بود. اما پاند ژنوم را به عنوان «نقشه خانه شما در روز اول» توصیف می‌کند. چون «خانه» در طول زمان تغییر می‌کند، اندازه‌گیری‌های جدید در پروتئومیکس (Proteomics) اکنون برای درک اینکه بدن در حال حاضر در چه وضعیت بیماری قرار دارد، مرتبط‌تر هستند.
• اتوماسیون رباتیک: ظهور اندازه‌گیری‌های خودکار، یک حلقه داده با سرعت بالا ایجاد می‌کند که مستقیماً به مدل‌های هوش مصنوعی تغذیه می‌شود. این دو نیرو — اتوماسیون و AI — دست در دست هم پیش می‌روند.
• شیمی در برابر زیست‌شناسی: هوش مصنوعی به‌طور هم‌زمان در حال حل سؤال زیست‌شناختی (چگونه یک بیماری را درمان کنیم) و سؤال شیمیایی (چگونه پروتئین خاصی را برای انجام این کار بسازیم) است. این روند پیشرفت مستمر برای بیش از یک دهه در حال شکل‌گیری بوده است.
• خطوط پایه فردی: پزشکی فعلی مقادیر آزمایش خون را با میانگین‌های جمعیتی مقایسه می‌کند. پاند استدلال می‌کند که باید به سمت درک این موضوع حرکت کنیم که چه چیزی برای «آن فرد خاص» غیرطبیعی است، تا اطمینان حاصل شود اولین داروی تجویز شده، داروی درست است و نه مجموعه‌ای از حدس‌ها.

مشکل سیلوهای داده

برخلاف مدل‌های زبانی بزرگ (LLMs) که اینترنت آزاد را می‌خراشند، داده‌های زیست‌شناختی در مجموعه‌داده‌های «دیوارکشی شده» حبس شده‌اند. چون داده‌های بیولوژیکی را نمی‌توان به‌راحتی از یک مدل به مدل دیگر منتقل کرد، اکثر شرکت‌های بیوتکنولوژی مجبورند سیلوهای اختصاصی خود را بسازند.

این موضوع تضادی بین اسرار شرکتی و پیشرفت پزشکی ایجاد می‌کند. پاند اشاره می‌کند که این وضعیت بازتاب‌دهنده مشکلی قدیمی در پزشکی است که در آن متخصصان — مانند انکولوژیست‌ها و غددشناسان — در سیلوهای قلمرویی خود فعالیت می‌کنند و با یکدیگر هماهنگ نمی‌شوند. هوش مصنوعی پتانسیل این را دارد که به عنوان یک «متخصص در همه چیز» عمل کند و در واقع مانند تیمی از بهترین پزشکان جهان باشد که در یک لحظه با هم همکاری می‌کنند.

برای تحقق این چشم‌انداز، پاند پیشنهاد می‌کند که راهکار ممکن است مشابه جنبش متن‌باز در AI باشد. او پیش‌بینی می‌کند که مدل‌های بنیادی زیست‌شناختی متن‌باز — که در واقع «اطلس‌هایی» از اطلاعات بیولوژیکی هستند — ظهور کنند و در نهایت از سیستم‌های بسته شرکتی پیشی بگیرند، مشابه همان‌طور که LLMهای متن‌باز با مدل‌های شرکتی رقابت می‌کنند.

یک تز سرمایه‌گذاری leaner (چابک‌تر)

شرکت VZVC به‌گونه‌ای طراحی شده است که نقطه مقابل یک صندوق سرمایه‌گذاری سنتی باشد. پاند تفاوت در مقیاس و شدت را با یک تشبیه تکان‌دهنده بیان می‌کند: اضافه کردن یک شرکت به یک صندوق معمولی مانند اضافه کردن یک دوست در فیس‌بوک است، اما برای VZVC، این کار مانند داشتن یک فرزند دیگر است.

• شرط‌بندی‌های متمرکز: این شرکت از سرعت «۳۰ شرط‌بندی در سال» دوری می‌کند و سالانه تقریباً ۵ سرمایه‌گذاری را هدف قرار می‌دهد. این امر به پاند و ورنر اجازه می‌دهد بسیار فعال‌تر و عملیاتی‌تر (hands-on) باشند. این رویکرد متمرکز بر سبدهای منتخب، مشابه استراتژی‌هایی است که در بازار دیده می‌شود، مانند زمانی که سیتاد سبد سهام هوش مصنوعی Situational Awareness را تصاحب کرد تا بر دارایی‌های استراتژیک خاص متمرکز شود.
• عملیات مبتنی بر AI: این شرکت هیچ همکار رده‌پایینی (Associate) ندارد. در حالی که در ابتدا قصد استخدام آن‌ها را داشتند، پاند و ورنر دریافتند که عامل‌های هوش مصنوعی (AI Agents) که ساخته‌اند، عملیات روزمره را به‌طور کافی مدیریت می‌کنند.
• پروفایل بنیان‌گذاران: پاند یکپارچگی و صداقت بلندمدت را بر ذهنیت «برد به هر قیمت» ترجیح می‌دهد. او به دنبال بنیان‌گذارانی است که بخواهند «با هم برنده شوند» و برای روابطی که ۵ تا ۱۰ سال و بیشتر طول بکشد، آماده است.
• تمرکز سرمایه‌گذاری: پاند در حال حاضر بیشتر وقت خود را روی دو حوزه خاص می‌گذراند: هوش مصنوعی برای ارائه خدمات بهداشتی و هوش مصنوعی برای آزمایش‌های بالینی. او در حال حاضر در حال پرورش (Incubating) شرکتی با بنیان‌گذاری است که ۲۰ سال است او را می‌شناسد.

الهامات استراتژیک

پاند در طراحی VZVC به مدل‌های خاصی از موفقیت متمرکز نگاه می‌کند. او از آنتونیو گراسیاس در Valor — که به دلیل معامله SpaceX شناخته می‌شود — به عنوان الهامی برای سرمایه‌گذاری بلندمدت و پایدار یاد می‌کند. او همچنین به رویکرد سبد متمرکز مورد استفاده در Thrive Capital اشاره می‌کند. اگرچه a16z همچنان در «DNA» اوست، اما این مدل‌های چابک‌تر، آینده حرفه او را نمایندگی می‌کنند.

به دلیل این رویکرد تخصصی و عملیاتی، پاند متوجه شده است که VZVC مجبور نیست برای «روندهای داغ» (سری A یا B) رقابت کند. در عوض، بنیان‌گذاران و سایر سرمایه‌گذاران اغلب برای آن‌ها جا باز می‌کنند، زیرا ارزش خاصی که پاند و ورنر به میز مذاکره می‌آورند، بسیار زیاد است.

واقعیت ورود به بازار (Go-to-Market)

علیرغم درخشش تکنولوژی، پاند درس کلیدی دوران حرفه‌ای خود را اعتراف می‌کند: «جذاب‌ترین» تکنولوژی در درجه دوم اهمیت قرار دارد و استراتژی ورود به بازار اولویت دارد. او در ابتدای مسیر شغلی خود با مقاومت شدیدی از سوی افرادی روبرو شد که ادعا می‌کردند AI در پزشکی هرگز مفید نخواهد بود. اگرچه آن مقاومت اکنون از بین رفته است، اما او اکنون به بنیان‌گذاران — به‌ویژه کسانی که پیشینه علمی یا محصولی دارند — هشدار می‌دهد که بخش تجاری‌سازی دست‌کم به اندازه بخش تکنولوژی دشوار، یا حتی دشوارتر است.

او نسبت به هایپی (Hype) که می‌گوید AI «همه چیز را درمان می‌کند» محتاط است. محدودیت در قدرت استدلال AI نیست، بلکه در در دسترس بودن داده‌های باکیفیت است. LLMها به دلیل حجم عظیم متن‌های موجود کار می‌کنند. در زیست‌شناسی، وقتی داده‌ها به‌سادگی وجود ندارند، هوش مصنوعی نمی‌تواند به‌طور جادویی مشکل را حل کند.

این رویکرد چابک و عامل‌محور در سرمایه‌گذاری خطرپذیر، نشان‌دهنده یک تغییر درجه دوم در نحوه استفاده از AI است — نه فقط برای ساخت محصولات، بلکه برای جایگزینی کل لایه مدیریت میانی در صنعت سرمایه‌گذاری.

منتظر ظهور مدل‌های بنیادی زیست‌شناختی متن‌باز باشید، زیرا این مدل‌ها تعیین می‌کنند که آیا پزشکی مبتنی بر AI به مجموعه‌ای از سیلوهای شرکتی تبدیل می‌شود یا به یک ابزار جهانی مشترک تبدیل خواهد شد.

گام بعدی شما

• اگر در حوزه بیوتکنولوژی فعال هستید، روی مدل‌های بنیادی متن‌باز (Open-source Foundation Models) نظارت کنید.
• برای توسعه‌دهندگان، بررسی جایگزینی لایه‌های مدیریت میانی با عامل‌های هوش مصنوعی در مدل‌های کسب‌وکار کوچک یک فرصت است.
• مطالعه بیشتر درباره تلاقی پروتئومیکس و AI برای درک آینده پزشکی شخصی‌سازی شده.

اما داستان جایگزینی مدیریت انسانی با عامل‌های AI در صنعت سرمایه‌گذاری تازه شروع شده است — به تحلیل ما درباره آینده سازمان‌های بدون کارمند مراجعه کنید.