a16z 前生物科技負責人 Vijay Pande 轉型:從管理 40 億美元到每年只做少數精準押注

從40億美元掌舵者到精品基金創始人

12年前，斯坦福化學教授Vijay Pande因開發Folding@home專案一戰成名——他把數百萬臺家用電腦變成超級計算機，用來研究疾病。當Marc Andreessen和Ben Horowitz決定殺入醫療健康領域時，他們直接把a16z生物科技板塊的"指揮棒"交給了Pande。十年磨一劍，Pande把這個賭注做成了管理近40億美元的大生意。

但去年6月，Pande做出了一個出人意料的決定：離開a16z，和老搭檔Zach Werner一起創立了小而美的VZVC基金。這支基金不走尋常路：每年只投幾個重點專案，不搞"撒網式"投資；團隊裡沒有初級分析師；日常運營全靠AI工具撐場。

AI如何把生物醫藥從"碰運氣"變成工程學

Pande在採訪中分享了他對AI改造生物醫藥的洞察："以前搞藥物研發全靠運氣。AI和機器學習讓計算機能讀懂複雜的生物系統——知道該打哪個靶點、怎麼造藥，連最燒錢的臨床試驗都能幫上忙。"

他點出了行業痛點：臨床試驗從一期到三期的成功率只有20%，80%的藥都得'涼'。一次試驗砸進去幾個億，失敗率這麼高，不是因為生物學家不行，而是依賴的小鼠模型根本預測不了人體反應。"AI模型雖然不完美，但絕對比動物模型靠譜得多——一旦突破這個門檻，前景不可限量。"

說到精準醫療，Pande認為傳統做法是把患者的血檢資料和大眾平均值比，但真正該問的是'這個結果對你個人來說正常嗎'。他指出，基因組學曾是精準醫療的基石，但"基因組就像房子的設計圖，而你的房子早就不是剛建好的樣子了"——蛋白質組學等其他檢測手段更能反映身體當下的真實狀態。

生物資料的"抓取困境"

和文本AI不同，生物資料沒法從網上隨便抓，這就導致幾乎每家AI製藥公司都在建自己的"資料圍牆"。Pande直言："這裡沒有公開資料讓你隨意訓練模型，你的資料也無法在不同模型間遷移。從純AI角度看，這局面還挺有意思。"

這種資料孤島現象和醫療界的老問題如出一轍：醫生們都在各自的'孤島'裡單打獨鬥。比如一個癌症患者同時要看腫瘤科和內分泌科，但兩位專家很少能協同作戰。Pande認為AI的潛力在於"理論上能成為所有領域的專家，看到任何單個人類都看不到的東西——相當於讓一群頂尖醫生即時會診"。

為什麼選擇"少而精"的投資策略

從每年投幾十個專案到只押注少數幾個，Pande的策略轉變背後是對市場環境的精準判斷。雖然具體原因沒說透，但這種轉型通常離不開這幾點：集中火力打高勝率專案、深度賦能被投企業、用AI工具提升決策效率。

對中國AI醫療創業者來說，Pande提到的資料困境尤其值得關注。在國內資料合規要求越來越嚴的背景下，如何在保護患者隱私、滿足監管要求的同時，建立起足夠規模和質量的訓練資料集，是決定AI製藥公司能否突圍的關鍵。

常見問題

Vijay Pande 創立的新基金 VZVC 與傳統 VC 有何不同?

VZVC 採用每年少數幾個集中押注的策略,而非傳統 VC 每年數十個專案的分散投資;團隊沒有初級分析師,大量依賴 AI 工具進行日常運營,這在投資行業中較為罕見。

為什麼 AI 製藥的臨床試驗成功率這麼低?

根據 Pande 的說法,臨床試驗從一期到三期的成功率僅 20%,主要原因是藥物設計依賴的動物模型(如小鼠)對人體反應的預測性很差。AI 模型雖不完美,但預期會顯著優於動物模型。

生物資料無法從網際網路抓取對 AI 醫療意味著什麼?

這導致每家 AI 製藥公司都需要建立自己的封閉資料集,無法像文本 AI 那樣共享訓練資料。這可能形成資料護城河,但也可能阻礙行業整體進步,加劇醫療領域已存在的'資料孤島'問題。

中國 AI 醫療創業者可以從 Pande 的觀點中獲得什麼啟示?

需要重視資料積累的戰略價值,但同時要在資料合規(如《個人資訊保護法》)與模型訓練需求間找到平衡。精準醫療方向可能更適合有醫院資源或真實世界資料(RWD)獲取能力的團隊。

---

本文基於 TechCrunch 報道, 由 AiDuo123 AI 編輯翻譯改寫。原文連結: https://techcrunch.com/2026/08/29/were-not-doing-30-bets-a-year-vijay-pande-on-betting-small-after-running-4-billion-at-a16z/