"წელიწადში 30 ინვესტიციას აღარ ვაკეთებთ": ვიჯეი პანდე a16z-ის 4-მილიარდიანი პორტფელის დატოვებისა და მცირე ფონდის უპირატესობების შესახებ

ვიჯეი პანდე წლების განმავლობაში უფრო მეტად აკადემიურ წრეებში იყო ცნობილი, ვიდრე ინვესტორთა საზოგადოებაში. თუმცა, ვითარება მკვეთრად შეიცვალა დაახლოებით 12 წლის წინ, როდესაც მარკ ანდრიზენმა და ბენ ჰოროვიცმა — რომელთა ფონდიც მანამდე ჯანდაცვისა და სიცოცხლის შემსწავლელი მეცნიერებების სფეროს განზრახ არიდებდა თავს — გადაწყვიტეს, რომ ეს სექტორი ინვესტირებისთვის ღირებული იყო და მართვის სადავეები პანდეს გადასცეს.

იმ პერიოდში პანდე სტენფორდის უნივერსიტეტის ქიმიის პროფესორი იყო, რომელიც სახელს Folding@home-ის შექმნით იხვეჭდა. ეს იყო განაწილებული გამოთვლების პროექტი, რომელმაც მილიონობით სახლის კომპიუტერი დაავადებების კვლევისთვის საჭირო სუპერკომპიუტერად აქცია. მომდევნო ათწლეულზე მეტი ხნის განმავლობაში, მან a16z-ის საინვესტიციო მიმართულება თითქმის 4 მილიარდი დოლარის მქონე პრაქტიკად აქცია. ამიტომაც, მოულოდნელი აღმოჩნდა მისი გადაწყვეტილება, როდესაც გასული წლის ივნისში მან ეს ყველაფერი დატოვა, რათა გაცილებით მცირე მასშტაბის პროექტი წამოეწყო.

მისი ახალი ფონდი, VZVC, რომელიც გამოცდილ ინვესტორ ზაკ ვერნერთან ერთად დააფუძნა, აგებულია წელიწადში მხოლოდ რამდენიმე კონცენტრირებულ ინვესტიციაზე. ფონდს არ ჰყავს ასისტენტები (associates) და ყოველდღიურ საქმიანობაში დიდწილად ხელოვნურ ინტელექტს ეყრდნობა. პანდეს სტრატეგიული ცვლილება განპირობებულია იმით, რომ დღევანდელ ბაზარზე რესურსების გაფანტვას ერთი მიმართულებით ფოკუსირება სჯობს, განსაკუთრებით AI-ზე დაფუძნებული ბიოტექნოლოგიების სფეროში.

ბიოლოგიის ტრანსფორმაცია: აღმოჩენიდან ინჟინერიამდე

ბიოლოგია „აღმოჩენების მეცნიერებიდან“ გადადის სფეროში, სადაც შესაძლებელია პროცესების ინჟინერია. ადრე წამლების შემუშავება დიდწილად იღბალზე იყო დამოკიდებული. ხელოვნური ინტელექტი და მანქანური სწავლება კი კომპიუტერებს საშუალებას აძლევს, გააანალიზონ ძალიან რთული სტრუქტურები, რათა დადგინდეს, კონკრეტულად რომელ სამიზნეებზე უნდა იმოქმედოს წამალმა სპეციფიკური დაავადებების დროს.

AI-ის გამოყენება უკვე კლინიკურ კვლევებშიც იწყება, რაც პროცესის ყველაზე ძვირადღირებული ნაწილია. მიუხედავად იმისა, რომ სინთეტიკური მონაცემების გამოყენებით კლინიკური კვლევების გაიაფების მოლოდინი არსებობს, ეს ჯერ კიდევ უფრო მისწრაფებაა, ვიდრე რეალობა. კვლევის ჩატარება კვლავ ასობით მილიონი დოლარი ჯდება, ხოლო წამლის წარმატების ალბათობა პირველი ფაზიდან მესამე ფაზის დასრულებამდე მხოლოდ 20%-ია.

რატომ მარცხდება კლინიკური კვლევები?

• წარუმატებლობის მიზეზი ხშირად არა ბიოლოგების შეცდომა, არამედ ცხოველებზე (მაგალითად, თაგვებზე) ჩატარებული ექსპერიმენტებია.
• ცხოველური მოდელები ვერ ახდენენ ადამიანის ორგანიზმის რეაქციების ზუსტ პროგნოზირებას.
• AI მოდელები, მიუხედავად იმისა, რომ იდეალური არ არის, ცხოველურ მოდელებზე ბევრად უფრო ეფექტურია.

პერსონალიზებული მედიცინა და მონაცემთა მნიშვნელობა

ეგრეთ წოდებული „ზუსტი მედიცინა“ (precision medicine) მიზნად ისახავს იმას, რომ პაციენტმა პირველივე მცდელობაზე მიიღოს სწორი წამალი. დღეს ექიმები ხშირად ვარაუდით მოქმედებენ — თუ ერთი წამალი არ მუშაობს, ნიშნავენ მეორეს, შემდეგ მესამეს. ეს განსაკუთრებით ხშირია ონკოლოგიაში.

ტრადიციულად, სისხლის ანალიზის შედეგები მოსახლეობის საშუალო მაჩვენებლებს ადარებენ. თუმცა, რეალურად, მონაცემები ინდივიდუალურ ნორმას უნდა შეედაროს. გენომიკა მხოლოდ „სახლის გეგმას“ ჰგავს მშენებლობის პირველ დღეს, მაგრამ დროთა განმავლობაში სახლი იცვლება. ამიტომ, პროტეომიკა და სხვა გაზომვები უფრო რელევანტურია იმის გასაგებად, თუ რა მდგომარეობაშია ადამიანის ორგანიზმი მოცემულ მომენტში.

მონაცემთა ხელმისაწვდომობის პრობლემა ბიოტექნოლოგიაში

ბიოლოგია ერთ-ერთია იმ მცირე სფეროებს შორის, სადაც AI-ს არ შეუძლია მონაცემების უბრალოდ ინტერნეტიდან ამოკრება (scraping). აქ მონაცემები ხშირად იზოლირებულია სხვადასხვა კომპანიებში. ხელოვნური ინტელექტის უპირატესობა ისაა, რომ მას შეუძლია ერთდროულად იყოს ყველა სფეროს სპეციალისტი — მაგალითად, დაინახოს კავშირი ონკოლოგიასა და ენდოკრინოლოგიას შორის, რასაც ცალკეული ექიმები ხშირად ვერ ახერხებენ.

მოსალოდნელია, რომ ბიოლოგიაშიც განვითარდება ღია წყაროს (open-source) მოდელები, მსგავსად იმისა, რაც ენობრივი მოდელების (LLM) შემთხვევაში მოხდა. ეს ხელს შეუწყობს ბიოლოგიური ინფორმაციის „ატლასების“ შექმნას, რაც მთელ სფეროზე მოახდენს გავლენას.

საინვესტიციო სტრატეგია და დამფუძნებლებთან ურთიერთობა

ვიჯეი პანდე ამჟამად ორ ძირითად მიმართულებაზეა ფოკუსირებული:

1. ხელოვნური ინტელექტი ჯანდაცვის მიწოდების სფეროში.
2. ხელოვნური ინტელექტი კლინიკური კვლევებისთვის.

დამფუძნებლებში ის პირველ რიგში მაღალ კეთილსინდისიერებასა და გრძელვადიან ხედვას ეძებს. მისი თქმით, ტექნოლოგია რამდენადაც არ უნდა ხიბლავდეს ინვესტორს, საბოლოოდ ყველაფერი მაინც ბაზარზე გასვლის სტრატეგიამდე (go-to-market) დადის. მეცნიერული წრეებიდან მოსულ დამფუძნებლებს ხშირად ურჩევს, რომ თავიანთი კრეატიულობა სწორედ ბაზარზე დამკვიდრების გზების ძიებას მოახმარონ, რადგან ეს ტექნოლოგიურ ნაწილზე რთულიც კი შეიძლება აღმოჩნდეს.

VZVC-ის მოდელი: ხარისხი რაოდენობის ნაცვლად

VZVC-ის სტრუქტურა რადიკალურად განსხვავდება a16z-ისგან. საინვესტიციო მხარეს მხოლოდ ორი ადამიანია — ვიჯეი და ზაკი. მათ უარი თქვეს ასისტენტების აყვანაზე, რადგან მათ ფუნქციებს AI აგენტები ასრულებენ. წელიწადში 30 ინვესტიციის ნაცვლად, ისინი მხოლოდ ხუთზე აკეთებენ აქცენტს.

„ტიპური ფონდისთვის ახალი კომპანიის დამატება Facebook-ზე მეგობრის დამატებას ჰგავს — ამას სწრაფად აკეთებ. ჩვენთვის კი ეს კიდევ ერთი შვილის გაჩენასავითაა. ეს ჩვენთვის ძალიან მნიშვნელოვანი მოვლენაა.“

ფონდი არ ცდილობს კონკურენციას „ცხელ“ საინვესტიციო რაუნდებში. პირიქით, დამფუძნებლები თავად უთმობენ მათ ადგილს, რადგან სურთ პანდესა და ვერნერის პერსონალური ჩართულობა და გამოცდილება.

AI-ის რეალური შესაძლებლობები და გადაჭარბებული მოლოდინები

დღეს ბევრი საუბრობს იმაზე, რომ AI ყველაფერს განკურნავს. პანდე ამ საკითხს სიფრთხილით ეკიდება. მისი თქმით, ეჭვი არა ხელოვნურ ინტელექტში, არამედ მონაცემებშია. LLM-ები მუშაობს იმიტომ, რომ არსებობს უზარმაზარი მასალა სასწავლად. როდესაც მონაცემები უბრალოდ არ არსებობს, ხელოვნური ინტელექტი ამ პრობლემას ჯადოსნურად ვერ გადაჭრის.