前 a16z 生物技术业务负责人、著名计算生物物理学家 Vijay Pande，已经不再相信“大基金、多项目、广撒网”能塑造下一代医疗创新。离开自己掌管约 40 亿美元的投资组合后，他创办了一家规模更小、却完全“AI 原生”的新型基金 VZVC。他的理念很明确：生物医学正在从一门“发现科学”转为一门“工程科学”，而 AI 要真正重塑医学，前提是拥抱开放共享的数据，而不是靠围墙高筑的私有护城河。
换一条更小的船：从“每年 30 个赌注”到专注少数机会
在 a16z 任职期间，Pande 是生物技术领域最具权力的投资人之一，管理资金规模高达 40 亿美元。但他坦言，那种“每年下 30 个赌注”的节奏并不是理想状态。新建的 VZVC 刻意做小，也更聚焦——它不再像传统风投那样追求覆盖率和数量，而是将全部资源押注在正处于范式转换节点的极少数团队身上。
这并不仅仅是机构规模的收缩，更代表一种投资哲学的转向。Pande 认为，AI 医疗的复杂度和专业性比以往任何一轮生物技术浪潮都更高，泛泛而投的风险被低估了。真正有价值的，是找到那些能把 AI 能力、生物学理解与临床问题深度结合的公司，而不是“顺手撒一把种子”。
生物学正在变成一门工程学科
Pande 反复强调，长期以来生物学本质上还是一门“发现式”科学：研究者们观察现象、积累数据，试图理解自然规律。但今天，情况正在改变。随着机器学习、基因编辑、自动化实验和合成生物学工具成熟，科学家已经可以像工程师一样去设计生命体——设计蛋白质、代谢通路和细胞行为，再通过高通量实验快速验证、迭代。
在他看来，这种“从发现到工程”的转变，是 AI 对医学产生颠覆性影响的关键前提。过去的药物研发经常跟在自然规律后面追赶，而现在研究者可以通过模型先“设计”候选分子，再在实验中有针对性地验证。就像软件工程师可以快速修改代码、测试运行一样，生物工程也正在获得类似的反馈闭环。VZVC 要做的，就是资助那些能用这套方法论把生物学“程序化”的创业者。
临床试验仍然是那座最昂贵的天堑
即便 AI 已经把新药研发早期的靶点发现和分子筛选成本大幅降低，Pande 依然承认一个残酷现实：临床试验的代价没有出现同等程度的下降。从临床 I 期到 III 期，每一步都耗费巨量资金和时间；安全性、有效性和监管合规，并不会因为“算法预测”就自动加速。
一方面，AI 能够显著压缩早期研究阶段的试错成本，帮助研究者避开大概率失败的候选药物。另一方面，AI 得出的结论最终仍需在真实人体中验证，而人体复杂性导致的高失败率不是数据驱动方法能轻易消解的。Pande 的观点是，如果不同时推动试验设计、患者招募、生物标志物选择的现代化，AI 的收益就会被限制在实验室里，无法真正降低整体药物开发成本。
开放数据：比封闭数据更有“商业价值”
关于医疗数据的获取和应用，Pande 给出了一个不太符合硅谷商业惯例的判断：真正让 AI 改变医学的数据，必然来自开放、共享的社区，而不是企业级数据库里的“私有资产”。医学数据涉及不同的地域、疾病、种群、年龄和社会环境；没有任何单一医疗机构的数据，能足以训练出一个可信、泛化的 AI 模型。
他警告说，如果每个公司都把患者数据锁在自己的“围墙花园”中，短期内可能形成数据壁垒，但长期看只会拖慢整个行业的进步。真正负责任的 AI 医疗企业，应当支持建立公共数据集、联合协议和共享基准——这样才有可能让模型在多样性和广度上接近真实医疗场景。这既是一个学术问题，也决定了 AI 医疗到底能走多远。
行业影响：小团队、重深度、共享数据成为新一轮关键词
Pande 的“降维式转身”，在医疗投资界有着鲜明的象征意义。此前，生物医药投资以大资金、长周期和多元化组合为主要特征；而 VZVC 所代表的“AI 原生 + 小规模 + 高专注”，表明这个领域正在从资本密集走向认知密集。投资人不再靠“押注多”来提高成功概率，而是靠对底层范式变化的深刻理解去选出少数关键玩家。
同时，他关于开放数据的观点，也为 AI 医疗的竞争逻辑提出了新的维度：数据和 AI 模型之间的协同，不必然是零和博弈。那些能主动参与共享生态、同时具备一流科研能力的公司，很可能才是长期赢家。未来 AI 医疗的胜负手，或许不在谁拥有的数据墙更高，而在谁能更快地融入开放协作，把生物学的工程化推向真正的临床应用。