曾管理近40億美元生物與醫療投資業務的Vijay Pande，如今將重心轉向一個更小的基金。據他說，新機構VZVC每年只進行少數幾筆集中投資，不再追求大範圍鋪開項目，日常運營也更多依賴AI工具。
Pande 曾是斯坦福大學的化學教授，主導過分散式計算項目 Folding @ home。加入 a16z 後，他帶領該機構進入醫療和生命科學投資領域，在十多年的時間裏將相關業務發展起來。如今離開大平臺後，他與長期投資人 Zach Werner 共同創辦了新基金，策略明顯收縮，更加重視高確信度的项目。
投資節奏轉向集中
Pande 表示，新基金不會在一年內進行數十筆交易，而是只選擇少數項目進行投資。他将這種變化歸因於當前的市場環境以及個人判斷方式的調整，即與分散配置相比，不如將時間和資源集中到少數長期項目上。
他提到，新團隊沒有傳統意義上的大量助理或分析師，部分日常工作由 AI 協助完成。這也反映出部分早期投資機構正在嘗試以更輕量的組織結構來運作。
關注 AI 醫療服務和臨床試驗
在投資方向上，Pande 目前主要關注兩類機會：一是由 AI 推動的醫療服務，二是 AI 在臨床試驗中的應用。他認為，藥物研發過去在很大程度上依賴經驗和試錯，而 AI 和機器學習正在幫助研究人員更早地識別藥物靶點、設計候選藥物，并改善臨床試驗流程。
不過，他也指出，臨床試驗並沒有因為 AI 而迅速變得成本低廉。雖然進入臨床階段的時間在縮短，但一項試驗仍可能耗資數億美元，而從一期走到三期並最終成功的藥物比例仍然偏低。據他說，很多失敗並非研究人員的操作失誤，而是因为動物模型對人體的預測能力有限。
Pande認為，只要AI模型在預測人體反應上的效果超過傳統動物模型，行業就會出現更明顯的效率提升。這也是他持續押注該方向的理由之一。
生物數據仍是行業瓶頸
與互聯網文本數據不同，生物醫藥領域的數據很難被公開抓取和統一訓練。Pande認為，這使得許多公司都在建立各自封閉的數據體系，數據壁壘因此成爲AI生物醫藥發展的現實限制。
他同時表示，業界正逐步出現更大規模的生物信息「圖譜」和基礎模型。如果這類開放式模型繼續發展，未來可能像開源大模型一樣，對企業自建系統形成補充，並擴大AI在醫學領域的覆蓋範圍。
在創始人選擇上，Pande 表示他更看重長期合作關係和可信度。他目前也在孵化新項目，並繼續關注自己熟悉的 AI 制藥與醫療科技創業者。
