📰 重點摘要

Vijay Pande去年離開a16z、退出他掌管約40億美元規模的生技投資業務,自行創辦規模小得多、以AI為核心的新創投基金VZVC。他在訪談中談到,生物學正從一門「發現型」科學轉變為「工程型」科學,意即研究方式不再只是被動觀察與偶然發現,而是能像工程領域一樣被系統性設計、預測與建構。他也指出臨床試驗成本至今仍居高不下、極其昂貴,是新藥與新療法推進過程中最大的瓶頸之一。對於AI如何真正改變醫療產業,Pande認為關鍵不在於企業各自建立封閉、獨占的專屬資料庫,而是需要開放、可共享的資料集,唯有讓數據能被更廣泛的研究社群取用與交叉驗證,AI模型才能學到足夠豐富且多元的生物與臨床資訊,進而產生實質的醫療突破。他也提到自己刻意選擇經營規模較小的基金,不追求「一年投三十個案子」的廣撒網策略,而是傾向少量、更集中的投資決策。原文摘要對於VZVC具體投資標的、金額規模及Pande離開a16z的確切原因並未展開說明,詳細內容請見原文連結。

💬 JudyAI Lab 觀點

我們留意到,AI在生技領域的定位正從單純輔助工具,轉向重塑研究方法本身的角色。Vijay Pande離開a16z後創辦VZVC,他提出生物學正從「發現型」科學走向「工程型」科學——研究不再只是被動等待偶然發現,而能被系統性設計與預測,這個轉變本身就值得AI builder關注。

這個案例反映出兩個值得思考的產業趨勢。第一,基礎設施瓶頸往往比模型能力更關鍵——Pande點出臨床試驗成本居高不下是新藥開發最大障礙之一,再強的AI模型也繞不過這道關卡。第二,他強調AI要真正推動醫療突破,關鍵在於開放、可共享的資料集,而非企業各自建立封閉專屬資料庫。這提醒所有AI builder,資料的可及性與品質,往往比模型架構本身更決定最終成果的天花板。同樣值得注意的是,他刻意選擇經營小規模基金,不追求廣撒網式投資,這種「少量、更集中」的決策邏輯,也呼應了許多AI新創在資源配置上的取捨。

下次評估一個AI應用場景時,不妨先問:資料的取得與共享機制,是否已經是比模型選擇更急迫的問題?

📅 原文資訊

🔗 延伸閱讀