Виджай Панде о VZVC: почему инвестиции в ИИ-биотехнологии требуют точечного подхода

Когда мы оцениваем современные инвестиции в ИИ-биотехнологии, имя Виджая Панде всплывает одним из первых, хотя еще недавно он был известен исключительно в академических кругах. Ситуация кардинально изменилась около двенадцати лет назад. Марк Андриссен и Бен Хоровиц, которые первые пять лет существования своего фонда Andreessen Horowitz (a16z) принципиально избегали сферы здравоохранения и наук о жизни, решили изменить стратегию и доверили это направление Панде. На тот момент он был профессором химии в Стэнфорде и руководителем знаменитого проекта распределенных вычислений Folding@home, превратившего миллионы домашних компьютеров обычных пользователей в суперкомпьютер для исследования причин тяжелых заболеваний. За следующие десять с лишним лет Панде развил медицинское направление a16z до внушительных масштабов, управляя капиталом почти в 4 миллиарда долларов. Тем неожиданнее стал его уход в июне прошлого года ради создания гораздо более камерного проекта. Этот шаг во многом изменил его личный подход к распределению ресурсов, показав, как сегодня трансформируются подходы венчурного капитала.

Его новый фонд VZVC, основанный совместно с давним инвестором Заком Вернером, устроен принципиально иначе. Вместо десятков сделок в год партнеры делают ставку на единичные концентрированные инвестиции. В штате фонда нет привычных инвестиционных аналитиков, а в повседневной операционной деятельности команда активно опирается на искусственный интеллект. Такой резкий разворот Панде объясняет нежеланием распылять ресурсы в текущих рыночных условиях, когда многие хаотичные инвестиции в ИИ-биотехнологии себя не оправдывают. Кроме того, этот шаг позволяет глубже сосредоточиться на решении фундаментальных вызовов индустрии. Один из главных вызовов — специфика работы с данными. В отличие от текстов для больших языковых моделей, биологические данные невозможно просто собрать из открытого интернета. В результате практически каждая компания вынуждена создавать собственную закрытую базу данных. Это ставит важные вопросы: как именно будут развиваться медицинские ИИ-технологии и кто в итоге получит к ним доступ?

Инженерия вместо случайных открытий: новые инвестиции в ИИ-биотехнологии

Панде убежден, что биология постепенно перестает быть исключительно «наукой случайных открытий» и превращается в дисциплину, поддающуюся точному инженерному расчету. Исторически разработка лекарств во многом зависела от счастливого случая. Сегодня искусственный интеллект и машинное обучение позволяют компьютерным системам анализировать и систематизировать процессы невероятной сложности. С помощью ИИ ученые могут точно определять мишени в организме для борьбы с конкретными заболеваниями, синтезировать необходимые молекулы и оптимизировать проведение клинических испытаний — самого ресурсоемкого этапа создания препаратов.

Почему клинические испытания остаются дорогими

Существует мнение, что клинические испытания становятся дешевле благодаря использованию синтетических данных, снижающих потребность в привлечении большого количества добровольцев. Однако Панде считает это скорее долгосрочной целью, чем текущей реальностью. Хотя технологии сокращают время и затраты на подготовку к испытаниям, само их проведение все еще требует сотен миллионов долларов. Именно поэтому конечные лекарства остаются чрезвычайно дорогими.

Статистика сурова: вероятность того, что препарат успешно пройдет весь путь от первого этапа клинических испытаний до финала третьей фазы, составляет всего 20%. Когда восемь из десяти разработок терпят неудачу на столь дорогих стадиях, амортизационные издержки колоссально возрастают. Основная причина провалов кроется не в ошибках биологов, а в том, что базовые эксперименты проводятся на животных моделях, например на мышах. В конечном счете организмы животных плохо прогнозируют реакцию человека. Модели искусственного интеллекта не будут идеальными, но они уже сейчас способны показать гораздо более точные результаты, чем любые тесты на животных. Преодоление этого барьера открывает принципиально новые возможности для тех, кто осуществляет долгосрочные инвестиции в ИИ-биотехнологии.

Следующим критически важным этапом становится переход к так называемой прецизионной, или персонализированной медицине. Сегодня при обращении к врачу с серьезным заболеванием пациент часто сталкивается с методом проб и ошибок. Из-за ограниченности диагностических инструментов врачам приходится подбирать терапию вслепую: если первое лекарство не помогает, назначается второе, затем третье. Это стандартная практика в онкологии и многих других областях. Ситуация кардинально изменилась бы, если бы первый назначенный препарат гарантированно оказывался правильным. Сейчас же показатели анализов крови пациента просто сопоставляются со средними значениями по популяции, что не учитывает индивидуальные особенности организма.

Но если оценивать реальные результаты терапии, ключевой вопрос должен звучать иначе: насколько этот результат необычен именно для вас? В сфере здравоохранения намечается важный сдвиг — переход к глубокому пониманию того, что необходимо конкретному человеку в конкретный момент. Этот путь не был резким скачком; скорее, речь идет о постепенном слиянии множества различных технологий.

Долгое время концепция прецизионной медицины строилась исключительно на геномике. Однако геном — это лишь чертеж дома в первый день строительства. Реальный же дом спустя годы эксплуатации выглядит совершенно иначе. Сегодня ученые могут измерять показатели протеомики и других смежных областей, которые гораздо точнее отражают текущее состояние организма и развитие заболеваний. Параллельно с этим произошла масштабная автоматизация роботизированных измерений, которая естественным образом соединилась с искусственным интеллектом. Последнее decade ознаменовалось устойчивым прогрессом как в ИИ для биологии (поиск путей лечения болезней), так и в ИИ для химии (синтез молекул под конкретные белковые мишени).

Почему биологический ИИ не может копировать интернет-модели

Биология остается одной из немногих областей, где ИИ не способен просто собирать открытые данные из интернета для обучения. Здесь нет готовых гигантских датасетов, на которых каждый желающий может натренировать аналогичную модель, а полученные знания нельзя легко перенести из одной системы в другую. С точки зрения разработки алгоритмов это создает уникальные вызовы и возможности.

Такая специфика во многом перекликается с давней проблемой самой медицины — разобщенностью специалистов. Например, если у пациента диагностирован рак, затрагивающий и онкологию, и эндокринологию, специалисты из этих двух областей зачастую практически не координируют свои действия. Искусственный интеллект потенциально способен решить эту проблему, выступая в роли универсального эксперта во всех медицинских дисциплинах одновременно. Он может сопоставлять паттерны, которые не увидит ни один живой врач, что эквивалентно постоянному консилиуму лучших мировых светил у постели больного.

Биологические атласы и доминирование открытого кода

Несмотря на то, что стартапы и инвесторы стремятся защищать свою интеллектуальную собственность и неохотно делятся данными, на рынке формируется важный тренд. Начинается создание так называемых «атласов биологической информации» — фундаментальных моделей, которые становятся технологической основой отрасли. По мере их распространения, скорее всего, повторится сценарий из сферы языковых моделей (LLM): открытые базовые модели в биологии окажут колоссальное влияние на индустрию и составят серьезную конкуренцию закрытым коммерческим разработкам.

Перспективные инвестиции в ИИ-биотехнологии: клинические исследования и доставка услуг

Направляя инвестиции в ИИ-биотехнологии, важно понимать, на каких именно этапах технологии создают максимальную ценность. Сегодня выделяются два ключевых направления. Первое — это применение ИИ для оптимизации доставки медицинских услуг (продолжение работы, начатой еще в фонде a16z), второе — автоматизация и повышение точности клинических испытаний.

Портфель таких проектов формируется годами. Среди ярких примеров — компании Genesis Therapeutics (выросшая из лаборатории в Стэнфорде) и Insitro, созданная бывшей коллегой по Стэнфорду Дафной Коллер. Также идет процесс инкубации нового стартапа совместно с основателем, сотрудничество с которым длится уже два десятилетия.

В работе с фаундерами критически важна долгосрочная перспектива. Жизненный цикл биотехнологического стартапа требует взаимного доверия и честности, ведь партнерство обычно рассчитывается на 5–10 лет, а иногда перерастает и в следующие проекты. Успешные создатели бизнеса ориентированы не просто на агрессивное доминирование и победу над конкурентами любой ценой, а на совместное созидание и поиск долгосрочных системных решений.

Уроки прошлого: почему коммерциализация важнее технологий

Когда Виджай Панде более десяти лет назад начал говорить о применении искусственного интеллекта, машинного обучения и передовых технологий в медицине и биологии, он столкнулся с колоссальным сопротивлением. Многие коллеги по индустрии утверждали, что это направление никогда не станет по-настоящему полезным и жизнеспособным. Наблюдать за тем, как этот скепсис полностью исчез, — крайне вдохновляющий процесс. Однако многолетний опыт принес Панде и важное понимание: даже самые привлекательные и сложные технологии всегда упираются в стратегию выхода на рынок (go-to-market).

Сегодня своим портфельным основателям, особенно тем, кто пришел в бизнес из чистой науки или разработки продуктов, инвестор советует направлять весь свой интеллектуальный потенциал и креативность именно на коммерциализацию. Построение каналов продаж и вывод продукта к конечным клиентам — задача как минимум столь же сложная, если не более трудная, чем создание самой технологии.

Бутик-подход VZ: искусственный интеллект вместо штата аналитиков

Новая компания VZ, основанная Панде совместно с Заком Вернером (название фонда образовано из первых букв их имен — Vijay и Zach), спроектирована по совершенно иным принципам, нежели гигант Andreessen Horowitz (a16z). Это намеренно компактная структура, в которой инвестициями занимаются исключительно два человека. Изначально партнеры планировали нанять команду младших аналитиков (associates), однако в процессе работы создали собственных специализированных ИИ-агентов. Оказалось, что автоматизация полностью закрывает аналитические потребности фонда, и расширение штата стало ненужным.

Качественный отбор: пять сделок вместо тридцати

Фонд VZ демонстрирует экстремальную концентрацию портфеля. Вместо стандартного для венчурного рынка темпа в 30 сделок ежегодно, партнеры планируют совершать не более пяти инвестиций в год. Виджай Панде сравнивает этот подход с личным выбором: если для типичного крупного фонда добавление новой компании в портфель похоже на добавление друга в социальной сети (быстрое и формальное действие), то для VZ каждая сделка сопоставима с решением завести ребенка. Это шаг колоссальной важности и ответственности.

При такой структуре фонду не приходится жестко конкурировать за участие в перегретых раундах серий A или B. Как правило, стартапы сами освобождают место в раунде ради возможности работать с Панде и Вернером, понимая уровень их личной вовлеченности в проект. В качестве ориентиров для новой модели Панде называет Антонио Грасиаса из компании Valor, получившего широкую известность благодаря ранней поддержке SpaceX, а также фонд Thrive, доказавший эффективность концентрированного портфеля. Безусловно, ДНК фонда a16z также остается частью подхода Панде, но новые ориентиры позволяют формировать инвестиционную философию иначе.

Инвестиции в ИИ-биотехнологии: где хайп сталкивается с дефицитом данных

Оценивая текущее состояние рынка, Панде указывает на переоцененность некоторых ожиданий. ИИ действительно способен выявлять неочевидные закономерности и инсайты, которые недоступны человеческому разуму. Однако заявления о том, что алгоритмы способны в один миг победить все существующие болезни, вызывают у него здоровый скепсис. И эта сдержанность связана вовсе не с сомнениями в возможностях ИИ, а с дефицитом качественной информации.

Крупные языковые модели демонстрируют выдающиеся результаты исключительно благодаря обучению на гигантских массивах данных. Если в конкретной узкой области медицины или биологии данных физически не существует, никакой, даже самый совершенный алгоритм не сможет решить проблему магическим путем. Разумные инвестиции в ИИ-биотехнологии требуют вдумчивого анализа и черного разграничения между реальным потенциалом технологий и областями, где отсутствие надежной базы данных делает применение ИИ бесполезным на данном этапе.

Источник: techcrunch.com