Mở bài

Một trong những “nghịch lý” của làn sóng AI trong y sinh là: càng nhiều lời hứa về khả năng tăng tốc khám phá thuốc, nhà đầu tư càng phải đối diện thực tế rằng phần tốn kém và rủi ro nhất—thử nghiệm lâm sàng—vẫn khó dịch chuyển nhanh bằng thuật toán. Trong bối cảnh đó, Vijay Pande, người từng xây dựng mảng biotech/health tại Andreessen Horowitz (a16z) lên quy mô quản lý gần 4 tỷ USD, đã rời đi để lập quỹ mới VZVC cùng Zach Werner, với cách làm trái chiều so với nhiều quỹ lớn: ít thương vụ, tập trung sâu và vận hành tinh gọn nhờ AI. (TechCrunch)

Bài học rút ra không chỉ dành cho biotech. Với độc giả kinh doanh và đầu tư, câu chuyện này là một lát cắt về cách một nhà đầu tư kỳ cựu tái thiết mô hình quỹ khi AI thay đổi chi phí “tri thức” (research, phân tích, sàng lọc) nhưng chưa thể thay đổi các nút thắt dữ liệu, pháp lý, và thương mại hóa trong chăm sóc sức khỏe.

1) Từ a16z sang VZVC: “ít kèo” để làm sâu

Theo TechCrunch, Pande rời a16z—nơi ông dẫn dắt mảng biotech/health quản lý gần 4 tỷ USD—để đồng sáng lập VZVC với Zach Werner. Điểm đáng chú ý không phải tên quỹ, mà là “thiết kế tổ chức”:

Danh mục tập trung: Pande nói VZVC không làm “30 kèo/năm” mà khoảng 5; mỗi công ty giống như “muốn có thêm một đứa con”—ám chỉ mức độ cam kết thời gian và nguồn lực. (TechCrunch)
Không có associates và dựa nhiều vào AI cho vận hành hằng ngày. Về phía đầu tư, Pande nói “thực sự chỉ có hai người” (ông và Werner) và họ từng định tuyển associates nhưng với các agents đã xây, họ không còn thấy cần thiết như trước. (TechCrunch)

Hàm ý quản trị ở đây khá rõ: AI có thể làm giảm chi phí vận hành và tăng tốc xử lý thông tin, nhưng đổi lại quỹ chấp nhận giảm bề rộng danh mục để tăng độ sâu hỗ trợ.

2) AI đang “kỹ nghệ hóa” sinh học—nhưng dữ liệu mới là giới hạn

Pande mô tả AI/ML đang giúp chuyển sinh học từ “khoa học khám phá” sang hướng có thể “kỹ nghệ hóa”: máy tính có thể hỗ trợ xác định đích tác động (targets), thiết kế thuốc, và thậm chí hỗ trợ một phần thử nghiệm lâm sàng. (TechCrunch)

Tuy nhiên, ông cũng cảnh báo một kỳ vọng dễ bị thổi phồng: “AI sẽ chữa mọi thứ”. Lập luận cốt lõi của Pande là giới hạn nằm ở dữ liệu. LLMs hoạt động tốt vì có khối dữ liệu văn bản khổng lồ; còn khi dữ liệu không tồn tại/không đủ, AI không thể “tự nhiên giải quyết”. (TechCrunch)

Điều này đặc biệt đúng với y sinh, nơi Pande nhấn mạnh: dữ liệu sinh học không thể “scrape” từ internet như dữ liệu text, nên gần như công ty nào cũng phải tự xây một bộ dữ liệu “walled-off” (đóng kín). (TechCrunch)

Từ góc nhìn đầu tư công nghệ, đây là một sự đảo chiều quan trọng: lợi thế cạnh tranh trong AI-biotech có thể nghiêng nhiều hơn về quyền truy cập dữ liệu thực nghiệm chất lượng cao, quy trình tạo dữ liệu, và năng lực đo lường—chứ không chỉ mô hình.

3) “Atlas” và foundation models sinh học: hy vọng giảm phân mảnh

Một điểm đáng chú ý khác: Pande quan sát xu hướng xây các “atlases of biological information”, thường dưới dạng foundation models. Ông kỳ vọng sẽ có các open-source foundation models trong sinh học tạo tác động rộng, tương tự vai trò của open-source LLMs trong AI hiện nay. (TechCrunch)

Nếu kịch bản này thành hiện thực, nó có thể tạo ra một lớp hạ tầng chung giúp giảm sự phân mảnh “mỗi công ty một dữ liệu đóng kín”. Nhưng chính bài phỏng vấn cũng cho thấy đây vẫn là kỳ vọng, phụ thuộc vào mức độ chia sẻ dữ liệu, chuẩn hóa đo lường, và động lực thương mại của các bên.

4) Thử nghiệm lâm sàng: nơi AI chạm “bức tường” chi phí và xác suất

Dù lạc quan về khả năng AI hỗ trợ thử nghiệm lâm sàng, Pande vẫn đưa ra hai mốc thực tế:

Thử nghiệm lâm sàng vẫn có thể tốn hàng trăm triệu USD. (TechCrunch)
Xác suất một thuốc đi từ thử nghiệm đầu đến cuối pha 3 chỉ khoảng 20% theo ông. (TechCrunch)

Với câu hỏi về việc dùng dữ liệu tổng hợp (synthetic data) để làm thử nghiệm rẻ hơn, Pande thẳng thắn: đó “rất mang tính khát vọng”. (TechCrunch)

Thông điệp cho nhà đầu tư là: AI có thể giúp tăng chất lượng quyết định (chọn target, chọn phân nhóm bệnh nhân, tối ưu thiết kế thử nghiệm), nhưng không đồng nghĩa sẽ “xóa” được rủi ro thống kê và chi phí tuân thủ.

5) Vượt qua mô hình động vật: mục tiêu thực dụng của AI-bio

Pande chỉ ra một nguyên nhân thất bại quan trọng: thuốc được thiết kế dựa trên mô hình động vật (như chuột) vốn dự đoán kém cho người. Ông cho rằng AI không cần hoàn hảo; chỉ cần vượt “ngưỡng” dự đoán của mô hình động vật là đã tạo ra bước nhảy đáng kể về hiệu quả R&D. (TechCrunch)

Cách diễn giải này rất “VC-friendly”: đặt mục tiêu AI ở mức cải thiện tương đối (better-than-animal-model) thay vì “tái tạo sự thật sinh học tuyệt đối”. Đây cũng là cách định nghĩa ROI thực tế hơn cho các startup AI-biotech.

6) Precision medicine: từ genomics sang proteomics và đo lường tự động

Pande nhấn mạnh tinh thần của precision medicine là chọn đúng thuốc cho từng cá nhân, giảm “thử-sai”. Ông đưa ra một cách so sánh trực quan: xét nghiệm nên được nhìn theo mức “bất thường đối với chính bạn” chứ không chỉ so với trung bình quần thể. (TechCrunch)

Ông cũng mô tả precision medicine trước đây dựa nhiều vào genomics, nhưng nay mở rộng sang các đo lường khác như proteomics, cùng với tự động hóa/robotic measurements gắn chặt với AI. (TechCrunch)

Từ góc nhìn thị trường, điều này ngụ ý cơ hội không chỉ nằm ở “thuật toán”, mà còn ở chuỗi giá trị đo lường–dữ liệu–mô hình–triển khai lâm sàng.

7) VZVC đặt trọng tâm ở đâu: delivery và clinical trials

Pande nói hiện ông dành phần lớn thời gian cho hai mảng: AI cho vận hành/cung cấp dịch vụ y tế (healthcare delivery) và AI cho thử nghiệm lâm sàng. (TechCrunch)

Đây là lựa chọn đáng chú ý vì nó dịch chuyển khỏi câu chuyện “thuần khám phá thuốc” sang những điểm có thể tạo tác động vận hành rõ ràng hơn: tối ưu quy trình chăm sóc, điều phối, giảm ma sát, và thiết kế thử nghiệm.

8) Bài học đầu tư: công nghệ hấp dẫn, nhưng go-to-market quyết định

Pande đúc kết một bài học “cũ mà mới”: dù công nghệ có hấp dẫn đến đâu, cuối cùng vẫn quay về go-to-market—và phần này “khó ngang hoặc khó hơn công nghệ”. (TechCrunch)

Đối với AI trong y tế, go-to-market còn bị “kẹp” bởi đặc thù ngành: quy trình mua sắm dài, tích hợp hệ thống phức tạp, yêu cầu tuân thủ, và thay đổi hành vi của bác sĩ/bệnh viện. Vì vậy, một mô hình quỹ tập trung và hands-on có thể là lợi thế nếu thực sự giúp startup băng qua đoạn đường triển khai.

Hàm ý thực tiễn cho nhà đầu tư và founder

Thẩm định dữ liệu trước mô hình: Pande nhấn mạnh giới hạn là dữ liệu; vì vậy khi đánh giá AI-biotech, cần hỏi rõ nguồn dữ liệu đến từ đâu, quyền truy cập, khả năng mở rộng, và tính đại diện. (TechCrunch)
Đừng “ảo tưởng” về synthetic data trong clinical trials: chính Pande gọi việc làm thử nghiệm rẻ hơn nhờ dữ liệu tổng hợp là “mang tính khát vọng”. Kế hoạch tài chính vẫn phải chịu kịch bản thử nghiệm tốn kém “hàng trăm triệu USD”. (TechCrunch)
Định vị AI như công cụ vượt ngưỡng mô hình động vật: thay vì hứa hẹn “đột phá mọi thứ”, hãy chứng minh mô hình dự đoán tốt hơn animal models trong những bài toán cụ thể. (TechCrunch)
Go-to-market là năng lực lõi, không phải phần phụ: nếu “đưa vào hệ thống y tế” khó ngang công nghệ, đội ngũ thương mại hóa và chiến lược triển khai phải được đầu tư tương xứng. (TechCrunch)
Hiểu cơ chế của quỹ tập trung: VZVC chỉ làm khoảng 5 khoản/năm và tham gia vì giá trị hỗ trợ hands-on; điều này phù hợp với founder muốn nhà đầu tư đồng hành sâu, nhưng “slot” sẽ hiếm và tiêu chuẩn chọn dự án có thể rất cao. (TechCrunch)

Hạn chế của nguồn và những điều chưa thể kết luận

Đây là bài phỏng vấn/ bài báo; các con số như “hàng trăm triệu USD” và “20%” là phát biểu của Pande trong bài, không kèm phương pháp hay bộ dữ liệu đối chứng ngay trong bài viết. (TechCrunch)
Bài không nêu quy mô quỹ/tiền huy động của VZVC, cấu trúc phí hay hiệu suất, nên không thể suy luận về năng lực tài chính hoặc lợi nhuận kỳ vọng.
Nhận định về open-source foundation models sinh học là dự báo xu hướng; bài không cung cấp bằng chứng định lượng về tốc độ/độ phủ.
Bài cũng không mô tả chi tiết các “agents” mà VZVC dùng để thay thế associates, nên khó định lượng mức tăng năng suất vận hành.

Nguồn tham khảo

TechCrunch (2026-08-29): “We’re not doing 30 bets a year”: Vijay Pande on betting small after running $4 billion at a16z — https://techcrunch.com/2026/08/29/were-not-doing-30-bets-a-year-vijay-pande-on-betting-small-after-running-4-billion-at-a16z/

Vijay Pande lập VZVC: Quỹ nhỏ, ít kèo, dùng AI để “đánh sâu” vào biotech và thử nghiệm lâm sàng