VZVC bira pet koncentrisanih AI ulaganja godišnje
Vijay Pande, nekadašnji rukovodilac zdravstvene i biotehnološke prakse Andreessen Horowitz koja je upravljala sa gotovo 4 milijarde dolara, osnovao je VZVC sa dugogodišnjim investitorom Zachom Wernerom. Nova firma planira približno pet koncentrisanih ulaganja godišnje, umesto 30, a investicioni posao vode samo dvojica suosnivača uz AI agente koje su razvili za svakodnevne operacije.
Pande je u a16z došao iz akademskog sveta, kao profesor hemije na Stanfordu i autor projekta Folding@home. Posle više od decenije rada u velikom fondu, odlučio se za manju strukturu u kojoj želi da bude neposrednije uključen u rad kompanija iz portfolija.
Mali tim i koncentrisan portfolio
VZVC je prvobitno razmatrao zapošljavanje saradnika, ali Pande kaže da su interni agenti uklonili tu potrebu. Takav model ne znači samo manji broj zaposlenih: ograničavanje na nekoliko investicija godišnje menja i kriterijum izbora, jer osnivači fonda svaku novu kompaniju posmatraju kao dugoročnu obavezu.
Prema Pandeu, VZVC ne pokušava pre svega da uđe u najtraženije runde serije A ili B. Prednost manjeg fonda vidi u praktičnom angažmanu dvojice partnera i u odnosu sa osnivačima zasnovanom na poverenju tokom pet, deset ili više godina. Kao važne uzore naveo je Antonio Graciasa iz Valora i koncentrisaniji pristup portfoliju koji primenjuje Thrive.
AI u medicini zavisi od podataka
Glavne oblasti interesovanja VZVC-a su AI za pružanje zdravstvene zaštite i AI za klinička ispitivanja. Pande smatra da mašinsko učenje može pomoći pri izboru terapijskih meta, dizajnu lekova i pojedinim delovima kliničkog razvoja. Ipak, naglašava da kliničko ispitivanje i dalje može koštati stotine miliona dolara, dok je verovatnoća da lek uspešno prođe put od prve do treće faze oko 20 odsto.
Jedan od razloga neuspeha jeste ograničena prediktivna vrednost životinjskih modela za ljudski organizam. Pande očekuje da će AI modeli postati korisni kada nadmaše takve modele, ali ne tvrdi da mogu biti savršeni. U preciznoj medicini cilj je i da se stanje pacijenta ne poredi samo sa prosekom populacije, već sa onim što je neuobičajeno upravo za tu osobu.
Za razvoj ove oblasti presudna je dostupnost kvalitetnih bioloških podataka. Za razliku od teksta sa interneta, biološki podaci ne mogu se jednostavno prikupiti u jedinstven skup za obuku modela, pa kompanije često grade zatvorene skupove podataka. Pande ipak vidi pomak ka atlasima bioloških informacija i osnovnim modelima koji bi, po uzoru na otvorene velike jezičke modele, mogli imati širi uticaj.
Praktičan zaključak za kompanije
Za kompanije koje razvijaju AI u zdravstvu, tehnološka novina sama po sebi nije dovoljna. Vrednost će zavisiti od pouzdanosti podataka, mogućnosti primene u kliničkom okruženju i jasnog izlaska na tržište. Pande posebno ističe da je strategija izlaska na tržište najmanje jednako zahtevna kao tehnologija, pa poslovni timovi treba istovremeno da grade podatke, validaciju proizvoda i dugoročna partnerstva.