“Chúng tôi không làm 30 thương vụ mỗi năm”: Vijay Pande về chiến lược đặt cược nhỏ sau khi quản lý 4 tỷ USD tại a16z

Trong hơn một thập kỷ, Vijay Pande là cái tên gắn liền với tham vọng đưa AI và công nghệ vào lĩnh vực sinh học. Từ vị trí giáo sư hóa học tại Stanford với dự án Folding@home nổi tiếng, ông đã xây dựng mảng đầu tư công nghệ sinh học trị giá gần 4 tỷ USD cho quỹ a16z. Thế nhưng vào tháng 6 năm ngoái, ông bất ngờ rời đi để thành lập VZVC — một quỹ đầu tư nhỏ, tinh gọn, không có cộng sự, chỉ đặt cược vào khoảng năm thương vụ mỗi năm và vận hành chủ yếu bằng AI.

Trong cuộc trò chuyện mới đây, Pande lý giải vì sao ông chọn chiến lược tập trung thay vì dàn trải, đồng thời nêu quan điểm về một trong những bài toán nan giải nhất của AI trong y sinh: khác với văn bản, dữ liệu sinh học không thể thu thập từ internet, khiến hầu hết công ty phải tự xây dựng kho dữ liệu riêng biệt. Điều đó ảnh hưởng thế nào đến những tiến bộ mà AI hứa hẹn trong y học?

Sinh học: Từ khoa học “khám phá” đến kỹ thuật hóa

Theo Pande, trong suốt chiều dài lịch sử phát triển thuốc, yếu tố may mắn đóng vai trò rất lớn. Nhưng điều đã thay đổi là AI và máy học giúp máy tính hiểu được những hệ thống cực kỳ phức tạp — từ xác định mục tiêu điều trị cho từng bệnh cụ thể, đến thiết kế thuốc và giờ đây còn hỗ trợ cả thử nghiệm lâm sàng.

“Về bản chất, AI giúp 'bọc' sự hiểu biết của máy tính quanh một thứ rất phức tạp… để tìm ra mục tiêu thuốc nên nhắm vào, chế tạo thuốc, và thậm chí hỗ trợ các thử nghiệm lâm sàng — vốn là phần tốn kém nhất của quy trình.”

Thử nghiệm lâm sàng vẫn “cực kỳ đắt đỏ”

Dù chi phí đưa thuốc đến giai đoạn thử nghiệm đang giảm nhờ AI, nhưng Pande thẳng thắn rằng việc chạy một thử nghiệm hoàn chỉnh vẫn có thể tiêu tốn hàng trăm triệu USD. Lý do là xác suất thành công từ thử nghiệm đầu tiên đến cuối thử nghiệm giai đoạn ba chỉ khoảng 20%. Nếu 8 trên 10 loại thuốc thất bại, chi phí phân bổ sẽ trở nên khổng lồ.

“Nguyên nhân thất bại thường không phải do nhà sinh học làm sai, mà vì các thí nghiệm thiết kế thuốc đều dựa trên mô hình động vật như chuột — và cuối cùng, mô hình động vật không dự đoán chính xác được phản ứng ở người. AI cũng không hoàn hảo, nhưng chắc chắn tốt hơn nhiều so với bất kỳ mô hình động vật nào. Khi vượt qua ngưỡng đó, mọi thứ trở nên thực sự thú vị.”

Y học cá thể hóa: Liều thuốc đầu tiên là liều đúng

Một trong những ứng dụng quan trọng khác là y học chính xác (precision medicine). Thay vì so sánh chỉ số xét nghiệm với giá trị trung bình của dân số, AI có thể giúp trả lời câu hỏi: “Kết quả này có bất thường so với chính bạn không?”. Pande nhấn mạnh đây là bước tiến lớn, dù nó đến từ sự hội tụ của nhiều yếu tố — từ genomics, proteomics đến tự động hóa trong đo lường robot.

“Bộ gen chỉ là bản thiết kế ngôi nhà ngày đầu tiên, nhưng ngôi nhà giờ đã khác nhiều so với lúc mới xây. Có nhiều thứ khác mà con người giờ có thể đo lường trong proteomics và các lĩnh vực liên quan, quan trọng hơn nhiều cho việc hiểu bệnh và tình trạng cơ thể hiện tại.”

Dữ liệu sinh học: Không thể “cạo” từ internet

Điểm khác biệt lớn giữa AI sinh học và AI ngôn ngữ nằm ở nguồn dữ liệu. Trong khi chatbot có thể học từ hàng tỷ văn bản trên web, dữ liệu sinh học gần như không thể thu thập công khai. Điều này tạo ra rào cản lớn: mỗi công ty đều xây dựng hệ thống dữ liệu riêng, khép kín.

Tuy nhiên, Pande lạc quan rằng xu hướng đang dịch chuyển về việc xây dựng các “bản đồ thông tin sinh học” (biological atlases) — thường là các mô hình nền tảng (foundation models). Ông tin rằng một ngày nào đó, mã nguồn mở trong sinh học sẽ có tác động rộng rãi giống như các mô hình ngôn ngữ lớn mã nguồn mở đã chứng minh sức mạnh trước các sản phẩm thương mại.

VZVC: Nhỏ nhưng tinh gọn, không cần cộng sự nhờ AI

Khác với hình ảnh một quỹ đầu tư truyền thống với hàng loạt thương vụ mỗi năm, VZVC chỉ thực hiện khoảng năm khoản đầu tư mỗi năm, rất tập trung. Đội ngũ đầu tư chỉ gồm hai người: Pande và cộng sự Zach Werner. Đáng chú ý, họ không tuyển thêm cộng sự vì các “agent AI” mà họ xây dựng đã đảm nhận phần lớn công việc vận hành.

“Với Zach và tôi, việc thêm một công ty vào danh mục đầu tư không giống như kết bạn trên Facebook — nó giống như việc muốn có thêm một đứa con. Đó là một quyết định lớn.”

Mô hình này cũng giúp họ không phải cạnh tranh trong các vòng gọi vốn “nóng”. Các nhà sáng lập chủ động tìm đến VZVC vì họ muốn sự hỗ trợ thực hành, sâu sát từ Pande — một người có bề dày kinh nghiệm và mạng lưới rộng khắp trong ngành.

Điều gì đang bị thổi phồng?

Khi được hỏi về điều gì đang được cường điệu hóa trong lĩnh vực AI và công nghệ sinh học, Pande thẳng thắn:

“AI có thể tìm ra những hiểu biết mà con người không thể đạt được một mình. Điều trở nên rắc rối là khi người ta tuyên bố AI sẽ chữa được tất cả. Sự dè dặt không nằm ở nghi ngờ AI, mà nằm ở nghi ngờ về dữ liệu. LLM hoạt động tốt vì có rất nhiều dữ liệu để học. Khi dữ liệu đơn giản là không tồn tại, AI không thể biến điều không thể thành có thể.”

Pande nhấn mạnh rằng chặng đường phía trước không nằm ở việc chạy theo công nghệ hào nhoáng, mà ở khâu đưa sản phẩm ra thị trường (go-to-market) — một bài toán mà theo ông, khó không kém phần công nghệ.