Η Bristol Myers Squibb προχωρά σε μία από τις μεγαλύτερες αναβαθμίσεις υπολογιστικής υποδομής που έχουν ανακοινωθεί στον χώρο της βιοφαρμακευτικής έρευνας. Η εταιρεία γνωστοποίησε ότι εγκαθιστά το δεύτερο NVIDIA DGX SuperPOD της, αυτή τη φορά βασισμένο σε οκτώ συστήματα DGX Vera Rubin NVL72. Σύμφωνα με τα στοιχεία που δόθηκαν, πρόκειται για την ισχυρότερη και πιο ενεργειακά αποδοτική συστοιχία AI στον κλάδο των βιοεπιστημών. Η νέα υποδομή δεν προορίζεται για μια μικρή ομάδα ειδικών, αλλά για το σύνολο των επιστημόνων της εταιρείας.
Η κίνηση αυτή δείχνει ότι η Bristol Myers Squibb δεν αντιμετωπίζει πλέον την τεχνητή νοημοσύνη ως πειραματικό εργαλείο, αλλά ως κεντρικό πυλώνα της ερευνητικής της λειτουργίας. Η εταιρεία διαθέτει ήδη εδώ και περίπου τρία χρόνια ένα DGX SuperPOD, το οποίο έχει χρησιμοποιηθεί σε παραγωγικά περιβάλλοντα και έχει αποδώσει απτά αποτελέσματα. Η νέα φάση έρχεται ως απάντηση στις αυξημένες ανάγκες υπολογιστικής ισχύος, ιδιαίτερα για προβλέψεις μεγάλης κλίμακας και για την ανάπτυξη ιδιόκτητων foundation models. Το κρίσιμο στοιχείο είναι ότι η υποδομή σχεδιάζεται ως κοινός πόρος, χωρίς τεχνητούς περιορισμούς πρόσβασης για τους ερευνητές.
Τι φέρνει το νέο σύστημα
Το νέο DGX SuperPOD θα αποτελείται από οκτώ rack-scale συστήματα, καθένα από τα οποία συνδυάζει NVIDIA Vera CPUs και Rubin GPUs. Η Bristol Myers Squibb αναφέρει ότι το σύνολο αυτό προσφέρει έως και δεκαπλάσια απόδοση ανά μεγαβάτ σε σχέση με την υποδομή που αντικαθιστά. Αυτό έχει σημασία όχι μόνο για την ακατέργαστη ισχύ, αλλά και για το λειτουργικό κόστος και την ενεργειακή αποδοτικότητα μιας μεγάλης ερευνητικής εγκατάστασης. Σε περιβάλλοντα όπου τα μοντέλα γίνονται ολοένα μεγαλύτερα, η σχέση απόδοσης προς κατανάλωση αποκτά στρατηγική βαρύτητα.
Η εταιρεία σχεδιάζει να αξιοποιήσει την πλατφόρμα ως ενιαίο περιβάλλον για προβλέψεις, εκπαίδευση μοντέλων και agentic workflows σε όλη την αλυσίδα ανακάλυψης φαρμάκων. Μέρος αυτής της ενοποιημένης προσέγγισης είναι και το NVIDIA BioNeMo Agent Toolkit για biological AI. Αντί οι επιστήμονες να αφιερώνουν χρόνο στην αναζήτηση διαθέσιμων πόρων ή στην τεχνική προετοιμασία υπολογισμών, στόχος είναι να επικεντρώνονται περισσότερο στα επιστημονικά ερωτήματα. Με αυτόν τον τρόπο, η υποδομή παύει να αποτελεί εμπόδιο και μετατρέπεται σε πολλαπλασιαστή παραγωγικότητας.
Από την ιδέα στον μετρήσιμο αντίκτυπο
Η Payal Sheth, senior vice president of therapeutic discovery sciences στη Bristol Myers Squibb, περιγράφει τη σημερινή πρόκληση ως μετάβαση από μια αφηρημένη συζήτηση για τις δυνατότητες της AI σε μετρήσιμο αντίκτυπο στην έρευνα. Αυτό σημαίνει ότι η τεχνητή νοημοσύνη δεν αξιολογείται πλέον με βάση το θεωρητικό ενδιαφέρον της, αλλά με βάση το αν μειώνει τον χρόνο, το κόστος και την αβεβαιότητα σε συγκεκριμένα βήματα της ανακάλυψης φαρμάκων. Η λογική αυτή εξηγεί γιατί η εταιρεία επενδύει σε τόσο μεγάλη κλίμακα υπολογιστικών πόρων. Όσο πιο άμεσα συνδέεται η AI με τις αποφάσεις της έρευνας, τόσο περισσότερο αυξάνονται και οι απαιτήσεις για αξιόπιστη υποδομή.
Ήδη, η Bristol Myers Squibb αναφέρει ότι η AI-assisted αναγνώριση στόχων εξοικονομεί εβδομάδες χειροκίνητης εργασίας για τους επιστήμονες. Το όφελος δεν είναι μόνο η επιτάχυνση, αλλά και η μετατόπιση του ανθρώπινου χρόνου προς αποφάσεις υψηλότερης αξίας. Παράλληλα, οι ομάδες της εταιρείας έχουν χρησιμοποιήσει AI για να επεκτείνουν τη βιβλιοθήκη ενώσεων CELMoD, δηλαδή μορίων σχεδιασμένων ώστε να αποδομούν επιλεκτικά πρωτεΐνες που προκαλούν καρκίνο. Σύμφωνα με την εταιρεία, αυτή η διεύρυνση άνοιξε τον δρόμο για νέους στόχους και νέες πιθανές θεραπείες σε ευρύτερο φάσμα ασθενειών.
Η AI μέσα στην αλυσίδα ανακάλυψης φαρμάκων
Ένα ακόμη πεδίο εφαρμογής είναι η βελτιστοποίηση lead compounds, όπου η Bristol Myers Squibb χρησιμοποιεί μια μεθοδολογία που η Sheth ονομάζει “Predict First”. Η λογική είναι ότι οι υπολογιστικές προβλέψεις προηγούνται της εργαστηριακής προτεραιοποίησης και καθοδηγούν ποια μόρια αξίζει να συντεθούν και να δοκιμαστούν. Οι ερευνητικές ομάδες εξετάζουν υπολογιστικά μοντέλα της δομής ενός μορίου, ώστε να εκτιμήσουν νωρίτερα πώς μπορεί να συμπεριφερθεί κλινικά. Αυτό δίνει ένα πιο ποσοτικό πλαίσιο λήψης αποφάσεων πριν δεσμευτούν πολύτιμοι εργαστηριακοί πόροι.
Η ίδια προσέγγιση χρησιμοποιείται για πολυπαραμετρική βελτιστοποίηση, δηλαδή για την επιλογή μορίων που ταιριάζουν καλύτερα στο επιθυμητό προφίλ ιδιοτήτων. Στην πράξη, αυτό επιτρέπει στις ομάδες να αποκλείουν νωρίς υποψήφιες ενώσεις που είναι λιγότερο πιθανό να πετύχουν. Έτσι, τα εργαστηριακά πειράματα ευθυγραμμίζονται περισσότερο με μόρια που έχουν υψηλότερη πιθανότητα επιτυχίας. Όμως τέτοιες ερευνητικές εφαρμογές αυξάνουν θεαματικά και τις ανάγκες σε υπολογιστική ισχύ, κάτι που εξηγεί γιατί το υπάρχον σύστημα έχει ήδη φτάσει σε κορεσμό.
Ενιαίο περιβάλλον για παγκόσμιες ομάδες
Η Bristol Myers Squibb δεν προσθέτει απλώς έναν νέο υπερυπολογιστικό πόρο, αλλά επιδιώκει να ενώσει το παλιό και το νέο σύστημα σε ένα ενοποιημένο περιβάλλον. Το υφιστάμενο DGX SuperPOD και το νέο σύστημα με DGX Vera Rubin NVL72 θα λειτουργούν πάνω σε ένα κοινό data plane, προσβάσιμο από κάθε εγκατάσταση της εταιρείας παγκοσμίως. Αυτό έχει ιδιαίτερη σημασία για έναν οργανισμό που έχει κληρονομήσει τεχνολογικούς και οργανωτικούς φραγμούς από παλαιότερες εξαγορές. Οι περιορισμοί ανά τοποθεσία και η ανάγκη για βαθιά υπολογιστική εξειδίκευση ήταν παράγοντες που δυσκόλευαν την ευρεία αξιοποίηση.
Στο νέο μοντέλο, η διαχείριση θα γίνεται με AI-native εργαλεία μέσω του NVIDIA Mission Control. Η εταιρεία αναφέρει ότι οι ερευνητές θα μπορούν να ξεκινούν σύνθετες προβλέψεις ακόμη και σε φυσική γλώσσα. Η ενοποίηση αυτή σημαίνει επίσης ότι τα δεδομένα και τα μοντέλα που παράγονται σε ένα κέντρο, όπως στο Lawrenceville του New Jersey, θα μπορούν να τροφοδοτούν ομάδες σε άλλα σημεία, όπως στο San Diego. Με αυτόν τον τρόπο, η γνώση δεν μένει τοπική, αλλά μετατρέπεται σε κοινό ερευνητικό κεφάλαιο για ολόκληρο τον οργανισμό.
Ο σωρευτικός κύκλος μάθησης και οι AI agents
Η Sheth υποστηρίζει ότι η ανακάλυψη φαρμάκων αλλάζει επειδή τα επιμέρους διδάγματα από προγράμματα, πειράματα και κλινικές ενδείξεις μπορούν πλέον να αθροίζονται σε ένα ενιαίο πλαίσιο νοημοσύνης. Όπως επισημαίνει, παλαιότερα κάθε έργο αντιμετωπιζόταν σχεδόν απομονωμένα, με ασύνδετα σύνολα γνώσης. Σήμερα, η AI δίνει τη δυνατότητα σε κάθε νέο αποτέλεσμα να ενισχύει τις επόμενες αποφάσεις. Αυτό δημιουργεί έναν σωρευτικό βρόχο μάθησης που μπορεί να ενισχύσει τη βεβαιότητα των ερευνητικών επιλογών και να μειώσει τον χρόνο μέχρι την επόμενη φάση.
Σε αυτό το πλαίσιο, ιδιαίτερο ενδιαφέρον έχουν τα agentic workflows. Η Erin Davis σημειώνει ότι οι agents δεν περιορίζονται από οργανωτικά σιλό και μπορούν να κινούνται οριζόντια ανάμεσα σε διαφορετικά προγράμματα και ομάδες. Αυτό επιτρέπει στην εταιρεία να μαθαίνει όχι μόνο από αποτελέσματα, αλλά και από μοτίβα αποφάσεων σε όλο το εύρος της δραστηριότητας R&D. Η ίδια υπογραμμίζει πάντως ότι ο ανθρώπινος ρόλος δεν υποκαθίσταται, αλλά ενισχύεται, καθώς οι επιστήμονες εξακολουθούν να αναζητούν εξαιρέσεις, κινδύνους και σημεία που απαιτούν κρίση.
Η στρατηγική διάσταση της επένδυσης
Η νέα υποδομή δεν παρουσιάζεται ως επίδειξη ισχύος, αλλά ως εργαλείο με ήδη χαρτογραφημένη χρήση. Η Davis αναφέρει ότι υπάρχει λεπτομερής σχεδιασμός κατανομής των πόρων σε διαφορετικές κατηγορίες εφαρμογών, από τον σχεδιασμό μικρών και μεγάλων μορίων έως κλινικές εφαρμογές και digital twins. Αυτό δείχνει ότι η Bristol Myers Squibb βλέπει το σύστημα ως υποδομή που αγγίζει κάθε κόμβο της διαδικασίας ανακάλυψης φαρμάκων. Η επένδυση συνδέεται λοιπόν άμεσα με την επιχειρησιακή αρχιτεκτονική της έρευνας και όχι μόνο με την τεχνολογική αναβάθμιση.
Η ευρύτερη σημασία της ανακοίνωσης είναι ότι ο ανταγωνισμός στην AI για τις βιοεπιστήμες μετατοπίζεται από μεμονωμένα μοντέλα προς ολοκληρωμένα υπολογιστικά οικοσυστήματα. Για μεγάλους φαρμακευτικούς οργανισμούς, το ζητούμενο δεν είναι απλώς να έχουν πρόσβαση σε GPUs, αλλά να ενσωματώνουν την υπολογιστική ισχύ, τα δεδομένα, τα εργαλεία και τις ροές εργασίας σε ενιαίο πλαίσιο. Η Bristol Myers Squibb δείχνει ότι αυτή η ενοποίηση θεωρείται πλέον προϋπόθεση για να επιτευχθεί ουσιαστική επιτάχυνση στην έρευνα. Το αν η εταιρεία θα εξαντλήσει γρήγορα τη νέα ισχύ μένει να φανεί, αλλά η ίδια θεωρεί σαφές ότι η ζήτηση ήδη υπάρχει.
