Bristol Myers Squibb внедряет NVIDIA DGX SuperPOD для ускорения разработки лекарств

Фармацевтический гигант Bristol Myers Squibb (BMS) развернул вторую систему NVIDIA DGX SuperPOD на базе оборудования NVIDIA Vera Rubin NVL72. Новая инфраструктура объединяет восемь вычислительных стоек и обеспечивает производительность в 10 раз выше на единицу потребляемой энергии по сравнению с предыдущим поколением. Компания называет этот комплекс «SuperDuperPOD» и открывает доступ к нему для всех своих ученых, а не только для узкой группы специалистов. Это решение устраняет очереди на вычислительные ресурсы и позволяет проводить сложные симуляции и обучение моделей без ограничений.

Важный нюанс: Компания не просто покупает мощное железо, а меняет культуру работы: доступ к суперкомпьютеру становится таким же обыденным инструментом, как офисная программа, что стирает границы между теоретиками и инженерами.

Технологический прорыв: от абстрактных идей к измеримым результатам

Внедрение новой системы направлено на перевод возможностей искусственного интеллекта из разряда теоретических в плоскость практического применения. Ранее ученые тратили недели на ручную идентификацию мишеней для лекарств. Сейчас ИИ берет на себя рутину, освобождая время для принятия стратегических решений.

Ключевые направления использования новой мощности:

• Расширение библиотеки молекул: ИИ помогает создавать соединения CELMoD, которые избирательно разрушают белки, вызывающие рак крови и другие заболевания.
• Метод «Предсказание первым»: Ученые используют вычислительные модели для оценки структуры молекулы еще до начала лабораторных экспериментов. Это позволяет отбраковывать бесперспективные варианты и тратить ресурсы только на те, у которых высока вероятность успеха.
• Единая платформа: Система объединяет данные из лабораторий в Нью-Джерси и Калифорнии, создавая единый контур обучения. Опыт, полученный в одном проекте, сразу становится доступен для других программ.

Стоит учесть: Переход к модели «предсказание первым» меняет экономику разработки: лабораторные эксперименты становятся более дорогими, но и более точными, так как проводятся только с предварительно отобранными кандидатами.

Операционные последствия: устранение барьеров и создание «виртуальной команды»

Главной проблемой, которую решает новая инфраструктура, является нехватка вычислительных мощностей и сложность доступа к ним. Ранее сотрудники сталкивались с ограничениями, связанными с географией и необходимостью глубоких технических знаний. Теперь управление ресурсами осуществляется через интерфейс NVIDIA Mission Control, а запуск сложных прогнозов возможен с помощью простых команд на естественном языке.

Это создает эффект «виртуальной команды»: каждый ученый получает доступ к армей виртуальных ассистентов, обученных на внутренних данных компании. Такие агенты способны работать через организационные барьеры, собирая знания из разных отделов и проектов.

• Масштабируемость: Инфраструктура готова к нагрузкам от разработки малых и крупных молекул до создания цифровых двойников для клинических испытаний.
• Накопление знаний: В отличие от прошлого, когда каждый проект велся изолированно, теперь каждый эксперимент и клинический результат усиливают общую базу знаний компании.
• Усиление человеческого фактора: ИИ не заменяет ученых, а дополняет их интуицию количественными данными, позволяя быстрее находить скрытые закономерности и ошибки.

Важный нюанс: Реализация «безлимитных вычислений» требует смены мышления: задача смещается с поиска вычислительной мощности на формулировку правильных научных вопросов, которые система сможет решить.

Операционные последствия, тренды и практические аспекты

• Рост зависимости от вычислительной инфраструктуры: Переход на метод «Предсказание первым» делает процесс разработки лекарств критически зависимым от стабильности и мощности ИИ-кластеров. Сбои в работе оборудования могут парализовать ключевые этапы исследований.
• Необходимость переквалификации персонала: Ученые должны освоить навыки взаимодействия с ИИ-агентами и формулирования задач на естественном языке, чтобы эффективно использовать новые возможности без участия технических специалистов.
• Снижение стоимости неудачных экспериментов: Отбраковка молекул на этапе компьютерного моделирования позволяет существенно сократить затраты на синтез и тестирование веществ с низкой вероятностью успеха, что напрямую влияет на бюджет R&D.
• Ускорение циклов разработки: Объединение данных из разных географических точек в единый контур обучения сокращает время на повторение ошибок и дублирование исследований, что может ускорить вывод новых препаратов на рынок.