在领导Andreessen Horowitz的生物技术业务超过十年、管理规模达到近40亿美元后，Vijay Pande于去年6月离开该公司，与Zach Werner共同创立了规模更小的投资公司VZVC。新实体每年依赖数量有限的集中式押注，同时利用人工智能和软件代理，以减少对传统投资团队的需求。
但投资模式的变化并不是Pande愿景的唯一核心。他认为，人工智能正逐步推动生物学从依赖零散发现和运气的领域，转向一个更大程度上可以进行设计和工程化的领域。这包括确定药物靶点、设计药物以及改进临床试验阶段，而临床试验阶段是药物研发中成本最高的环节之一。
从发现走向设计
据Pande介绍，机器学习技术使计算机能够处理以传统方法难以分析的生物学复杂性。在过去十年中，生物学和化学人工智能领域出现了相互并行的发展：前者侧重于理解疾病及其治疗方法，后者则侧重于创造针对特定蛋白质的化合物。
这些发展并不意味着药物研发已经变得廉价或有保障。Pande表示，进入临床试验所需的时间和成本已经开始下降，但开展试验仍可能需要数亿美元。他还提到，一种药物从第一次试验成功推进到第三期试验结束的概率约为20%，这意味着每十种药物中有八种失败，会提高每种成功药物的核算成本。
Pande质疑，使用合成数据是否真的已经像通常所说的那样大幅降低了临床试验成本；他认为这更像是一种愿景，而不是已经实现的现实。他还将药物失败的很大一部分归因于动物模型（如小鼠）预测人体将发生何种情况的能力有限。在他看来，人工智能模型不会完美，但在某些情况下，其预测能力可能超过动物模型。
精准医疗需要关于个体的数据
这一设想延伸到了药物发现之外，即为每位患者选择最合适的治疗方法。Pande解释说，医疗实践在很大程度上依赖于将患者的检测结果与人群平均值进行比较，但更重要的问题可能是，这一结果对于这个特定的人而言有多么异常。
他认为，仅依靠基因组是不够的；基因组就像房屋建造时的蓝图，但未必能描述房屋多年后的状态。因此，蛋白质组学等其他测量对于了解身体当前状态变得十分重要。此外，自动化和机器人测量能够提供新的数据量，并将其与人工智能模型关联起来。
封闭数据的问题
生物学与互联网上可获取的文本在一个关键点上有所不同：企业无法简单地从网络上收集生物学数据并用其训练模型。因此，每家公司往往都会构建自己的专有数据集，这限制了训练共享模型的可能性，也使知识难以从一个模型轻松转移到另一个模型。
Pande认为，开发广泛的生物学信息图谱，通常以基础模型的形式呈现，可能改变这一进程。他预计，开源生物学模型将发挥类似开放式大型语言模型在与商业模型竞争中所发挥的作用。但这一主张仍取决于企业和研究人员是否愿意分享具有商业和科学价值的数据。
实践中发生了什么变化？
VZVC专注于Pande提到的两个主要领域：用于提供医疗服务的人工智能，以及用于临床试验的人工智能。他表示，该基金计划每年进行约五项投资，而不是三十项，并由他和Werner直接参与所选公司。该基金还在寻找具备诚信、考虑长期关系的创始人，而不是寻求通过一轮热门融资进行短期竞争取胜。
Pande谈话中最重要的启示是，医疗人工智能面临的主要障碍并不只是算法本身。即使模型不断改进，数据的质量、可获得性和可共享性仍是关键因素。此外，技术在实验室中的成功并不保证其商业成功；Pande承认，进入市场可能比构建技术本身更困难。
因此，这番谈话呈现出一种乐观但有条件的愿景：人工智能可以改进药物靶点的选择、药物设计以及治疗指导，但它无法创造不存在的生物学数据，也无法消除临床试验风险。关于数据共享、在人体中验证模型，以及将科学成果转化为可应用产品的开放问题，仍将决定从“发现”走向“工程”是否会成为一场广泛的实践性转型。