Não estamos fazendo 30 apostas por ano: Vijay Pande sobre apostar pequeno após administrar 4 bilhões de dólares na a16z

Antigamente, Vijay Pande era mais conhecido nos círculos acadêmicos do que nos de investimentos. Isso mudou de forma bastante abrupta há uma dúzia de anos, quando Marc Andreessen e Ben Horowitz — que passaram os primeiros cinco anos de sua firma evitando explicitamente a área de saúde e ciências da vida — decidiram que a categoria valia a pena afinal e entregaram as rédeas a Pande. Na época, ele era professor de química de Stanford mais conhecido por criar o Folding@home, o projeto de computação distribuída que transformou milhões de PCs domésticos em um supercomputador para pesquisa de doenças. Na década seguinte e pouco mais, ele transformou a aposta da a16z em uma operação que gerencia perto de US$ 4 bilhões.

Portanto, foi meio inesperado quando, em junho do ano passado, Pande deixou tudo para trás para começar algo muito menor. De fato, sua nova firma, VZVC, cofundada com o investidor de longa data Zach Werner, é construída em torno de um punhado de apostas concentradas por ano, em vez de dezenas, não tem associados e depende fortemente de IA para suas operações diárias.

Para saber mais sobre a guinada radical de Pande, conversamos com ele esta semana sobre o motivo de ele estar fazendo apenas um punhado de apostas concentradas em vez de se espalhar demais no mercado atual — e sobre um dos enigmas mais interessantes na biotecnologia impulsionada por IA: ao contrário do texto, os dados biológicos não podem ser extraídos da internet, então quase toda empresa acaba construindo seu próprio conjunto de dados isolado. O que isso significa para todos os avanços que a IA na medicina prometeu, e quem realmente tem acesso a eles?

Esta conversa foi editada para fins de extensão e clareza. Você também pode ouvir a conversa completa (abaixo).

Você disse que a biologia está mudando de uma “ciência da descoberta” para algo que você pode projetar. O que isso significa?

Para grande parte da forma como os medicamentos foram desenvolvidos, havia um aspecto muito fortuito nisso. Acho que o que mudou é que a IA e o aprendizado de máquina permitem que os computadores apliquem sua compreensão a algo muito, muito complicado... para tentar descobrir quais alvos você quer que seus medicamentos atinjam, para doenças específicas, para poder fabricar esses medicamentos e agora até mesmo para ajudar nos ensaios clínicos — que são a parte mais cara do processo.

Eu achava que os ensaios clínicos estavam ficando mais baratos porque os desenvolvedores de medicamentos estão usando mais dados sintéticos, então não são necessárias tantas pessoas para esses ensaios.

Acho que isso é uma grande aspiração.

O custo e o tempo para chegar aos ensaios clínicos têm diminuído, especialmente com a IA, mas ainda pode custar centenas de milhões de dólares para realizar um ensaio, e é por isso que os medicamentos são muito caros. A probabilidade de um medicamento passar com sucesso do primeiro ensaio até o final do terceiro ensaio é de apenas 20%. Se 8 em cada 10 falham, e essas coisas custam centenas de milhões de dólares, o custo amortizado fica muito alto. O motivo pelo qual eles falham tipicamente não é que o biólogo fez algo errado; é que todos os experimentos nos quais esses medicamentos foram projetados foram em modelos animais como camundongos e, no final das contas, os modelos animais simplesmente não são muito preditivos para humanos. O modelo de IA não vai ser perfeito, mas vai ser muito melhor do que qualquer modelo animal seria, e uma vez que ele cruza essa linha, é aí que fica realmente empolgante.

[A fase depois disso é]: O medicamento é o medicamento certo para mim?

Você quer dizer medicina personalizada. . .

O jargão aqui é a chamada medicina de precisão. Se você vai ao médico com algo que não é trivial, eles têm que adivinhar o que está acontecendo, porque há um limite para o que podem dizer. Então eles te dão um remédio — e se isso não funcionar, eles te dão outro remédio, depois outro remédio. Isso acontece no câncer, acontece em muitas áreas diferentes. Todos nós estaríamos muito melhor se o primeiro remédio fosse o certo. Tipicamente, os valores do seu exame de sangue são comparados às médias da população. Mas na verdade, eles deveriam ser comparados a: este [resultado] é estranho para você? O que estamos começando a fazer também no lado da medicina é [a capacidade] de apenas entender o que seria certo para o indivíduo.

Você diria que o caminho até este momento tem sido lento e constante, ou teve um pico mais recente?

Eu acho que são muitas coisas diferentes [convergindo]. Então, por exemplo, a medicina de precisão por muito tempo foi baseada na genômica. Mas a realidade é que o seu genoma é meio que o projeto da sua casa no dia um, mas a sua casa está bem diferente agora em comparação com o momento em que foi construída. Portanto, há muitas outras coisas que as pessoas agora podem medir em proteômica e assim por diante que são muito mais relevantes para entender a doença e onde o seu corpo está agora. Também tem havido [muita] automação em medições robóticas que está naturalmente ligada à IA, e essas duas coisas caminham juntas muito bem.

Na última década, tem havido esse ritmo constante tanto para a IA na biologia quanto para a IA na química. A parte da biologia é tipo, como podemos tratar esta doença? E então a parte da química é, como podemos criar um medicamento para ir atrás daquela proteína específica? Tem havido avanços realmente muito significativos ao longo desses 10 anos.

Você mencionou que a biologia é um dos poucos lugares onde a IA não pode simplesmente extrair dados da internet. O que isso significa para o desenvolvimento da área?

É um lugar onde você não tem nenhum desses dados em que as pessoas podem apenas treinar a mesma coisa, e seus dados não podem ser destilados de um modelo para outro. É uma dinâmica realmente interessante do ponto de vista puramente da IA.

Isso não ecoa um problema familiar na medicina — médicos operando em silos [territoriais e frequentemente competitivos]?

Você tocou em algo muito importante aqui. Digamos que [alguém] tenha algum tipo de câncer, e seja um problema tanto na oncologia quanto na endocrinologia — esses dois médicos realmente não se sintonizam muito bem. O que é realmente intrigante sobre a IA é que ela pode, em princípio, ser especialista em tudo, e pode começar a ver coisas que realmente nenhum ser humano conseguiria sozinho. Seria equivalente a ter uma equipe dos melhores médicos todos reunidos naquele momento.

Mas há compartilhamento de dados suficiente para que essa visão se realize de fato? Eu entendo por que fundadores e investidores querem proteger suas [respectivas descobertas], mas . . .

Acho que uma das maiores tendências é que estamos começando a ver uma mudança em direção à construção desses atlas de informações biológicas — que, do ponto de vista tecnológico, são tipicamente modelos fundamentais. E à medida que eles se tornam mais comuns, acho que veremos a mesma coisa que aconteceu com os LLMs de código aberto, que se saem muito bem em comparação com os corporativos: modelos fundamentais de código aberto em biologia tendo um impacto muito amplo.

Você está envolvido com a Genesis Therapeutics, que surgiu do seu laboratório em Stanford, e a Insitro, a empresa de descoberta de medicamentos lançada por Daphne Koller, ex-colega em Stanford. Você diz que também está incubando uma empresa com um fundador que você conhece há 20 anos. O que você procura em fundadores e em quais áreas?

Há duas áreas nas quais tenho despendido a maior parte do meu tempo. Uma é a IA para prestação de cuidados de saúde, o que eu fiz muito na a16z também, e depois a IA para ensaios clínicos.

Uma das coisas que é mais importante para mim [sobre os fundadores] é que possamos realmente confiar uns nos outros — fundadores que têm alta integridade, que fazem o que dizem que vão fazer... Estou esperando que esse relacionamento dure de 5, 10 anos ou mais, idealmente até a próxima empresa deles. Quero trabalhar com pessoas que estão pensando a longo prazo desse jeito. Idealmente, são pessoas que não estão apenas tentando vencer e derrotar os outros, mas realmente pensando na questão: como vencemos juntos?

O que você acertou e errou em sua carreira de investidor até agora?

Quando comecei a falar sobre IA, aprendizado de máquina, tecnologia, medicina e biotecnologia há mais de 10 anos, houve muita resistência e muitas pessoas dizendo: ‘Ah, isso nunca vai acontecer. Isso nunca vai ser útil’, e assim por diante. Essa resistência desapareceu em grande parte e ver esse arco é muito gratificante.

Acho que levei algum tempo para realmente perceber que, por mais sedutoras que sejam as tecnologias mais legais, tudo sempre se resume à entrada no mercado (go-to-market). Eu digo aos meus fundadores, especialmente aqueles que vêm da área científica ou de produtos, para pegarem todo o seu brilho e criatividade e realmente aplicarem no lado do go-to-market, que a parte do go-to-market é pelo menos tão difícil ou mais difícil do que o lado tecnológico.

Ajude-nos a entender como você está desenhando esta nova firma de forma diferente, em comparação com o que você geria na a16z.

Agora, estamos fazendo algo bem diferente... A VZ tem o meu nome, Vijay, e o do meu cofundador, Zach Werner — ele é o Z. Intencionalmente somos bem pequenos... no lado dos investimentos, somos realmente apenas nós dois. Na verdade, pretendíamos contratar associados, mas acabou que, com os agentes que construímos, isso não é algo de que precisamos.

Quão concentrado é “concentrado”?

Nós [não] estamos fazendo 30 apostas por ano... estamos falando de provavelmente cinco, não muitos investimentos — muito concentrados. Adicionar uma empresa em um fundo típico é como adicionar um amigo no Facebook — é algo que você faz bem rápido. Para o Zach e para mim, é mais como... querer ter outro filho. Isso é um grande negócio para nós.

Com essa estrutura, contra quem você está competindo por negócios?

O engraçado sobre esse modelo é que tipicamente não estamos tentando competir por uma rodada concorrida — as pessoas abrem espaço para nós. É algo muito diferente de tentar conseguir a Série A ou Série B disputada. Em grande parte, as pessoas nos querem como investidores por causa do que o Zach e eu podemos fazer, e de quão práticos podemos ser. Quando olho para pessoas que são inspirações, olho para alguém como Antonio Gracias, da Valor — ele é bem conhecido agora por causa do negócio da SpaceX, mas ele tem feito o que faz há 20 anos. O que a Thrive fez, com um portfólio mais concentrado, também é uma verdadeira inspiração. Obviamente, a a16z está meio que no meu DNA também, mas acho que esses outros são adições recentes à forma como pensamos sobre as coisas.

O que está recebendo hype demais agora em IA e biotecnologia?

A realidade é que a IA pode encontrar insights que não conseguimos obter apenas com humanos. A coisa que sempre se torna complicada é quando há essa afirmação de que a IA vai curar absolutamente tudo. O motivo da hesitação aí não é por nenhuma dúvida sobre a IA — é sobre a dúvida em relação aos dados. Os LLMs funcionam porque há muitos dados para aprender. Quando os dados simplesmente não estão lá, a IA não pode resolver esse problema magicamente.