Erin Davis 將其稱為「超級無敵 POD」。這個名稱有雙重含義:製藥巨頭必治妥施貴寶(BMS)已經營運著生命科學領域最大的 AI 叢集之一,並取得了顯著成果。現在,他們正加倍投入。
BMS 今日宣布,他們將部署第二座 NVIDIA DGX SuperPOD,這座叢集由八個 DGX Vera Rubin NVL72 系統組成,將成為生命科學領域中最強大且最節能的 AI 叢集。
必治妥施貴寶(BMS)宣布部署其第二座 NVIDIA DGX SuperPOD,採用最新的 Vera Rubin NVL72 系統,打造生命科學領域最先進且節能的 AI 叢集。此舉旨在讓每位科學家都能無限制地運用 AI 平台,加速藥物探索與開發流程,從而更快地將抽象的 AI 能力轉化為可衡量的實際影響。

Erin Davis 將其稱為「超級無敵 POD」。這個名稱有雙重含義:製藥巨頭必治妥施貴寶(BMS)已經營運著生命科學領域最大的 AI 叢集之一,並取得了顯著成果。現在,他們正加倍投入。
BMS 今日宣布,他們將部署第二座 NVIDIA DGX SuperPOD,這座叢集由八個 DGX Vera Rubin NVL72 系統組成,將成為生命科學領域中最強大且最節能的 AI 叢集。
BMS 研究業務洞察與技術副總裁 Davis 表示:「我們不再只讓一小群研究人員使用超級電腦,而是將其開放給所有科學家。沒有人需要等待,也沒有人會被告知他們有使用限制。」
這八個機架規模的系統,每個都包含 NVIDIA Vera CPU 和 Rubin GPU,其每兆瓦效能比舊有基礎設施提升高達十倍。它將為這家全球製藥巨頭的研究人員提供一個統一的 AI 平台,包括用於生物 AI 的 NVIDIA BioNeMo Agent Toolkit,以執行預測、訓練模型並推動整個藥物探索流程中的代理式工作流程。
Davis 和其他 BMS 頂尖研究人員真正追求的是,這種無限制的存取所帶來的可能性:更快的週期、更大的化學空間,以及一個讓研究人員專注於科學本身,而非資源調度後勤工作的完整藥物探索流程。
Payal Sheth 曾長期在藥物探索實驗室工作,並於一月升任 BMS 治療探索科學資深副總裁。她表示,公司的任務是將「AI 能做什麼」這種抽象概念,轉化為「可衡量的實際影響」。
BMS 營運 DGX SuperPOD 已約三年,並取得了顯著成果。AI 輔助的靶點識別已為科學家節省數週的人工工作,讓他們能專注於最有價值的科學決策。BMS 團隊利用 AI 擴展了其 CELMoD 化合物庫,這些分子經過設計能選擇性降解致癌蛋白,應用於血癌治療及其他領域。
這為更廣泛疾病的新靶點和潛在藥物開啟了大門。AI 也應用於藥物探索的先導化合物優化階段,採用 Sheth 稱之為「預測優先」(Predict First)的方法,根據設計預測來指導實驗篩選。
必治妥施貴寶的團隊會審查分子結構的計算模型,這是預測性設計過程的一部分,有助於科學家預期分子在臨床中的行為。
她解釋道:「我們利用預測來優先合成具有多參數優化的分子,以篩選掉那些不符合我們目標特性範圍的分子。這確保了寶貴的實驗室實驗能與成功機率最高的分子進展保持一致。」
這些研究型 AI 應用對整個研究組織的運算需求產生了重大影響。Davis 表示:「我們的運算資源已經飽和。我們正在進行一些關於大分子的超大規模預測,並且正在建立自己的基礎模型,這需要大量的 GPU。」
隨著新系統的到來,Davis 已經為那些考慮在哪裡發揮最佳工作的研究人員準備好了她的宣傳語:「歡迎來到無限運算。」
Davis 是一名計算化學家,她投入多年進行科學研究,後來意識到技術發展未能跟上,因此她寧願去解決這個問題。她在大約 15 年的時間裡,在 ChemAxon、Schrödinger 和 X-Chem 等供應商端建立企業平台。在每一家公司,製藥業都面臨著相同的瓶頸。
她說:「問題不在於技術本身。挑戰在於如何將技術交到實際科學家手中,並從中學習。」
她個人深知這其中的利害關係。她表示,她的父親五年前死於「非常可怕的阿茲海默症」。BMS 在腦部健康領域投入了大量資金,這是一個出了名的困難領域。Davis 說:「即使他最終仍會離世,如果過程中能緩解症狀,也能為全家人省去許多痛苦。失智症尤其殘酷。」
Davis 的團隊正在將現有的 DGX SuperPOD 與新的 DGX Vera Rubin NVL72 驅動系統整合到一個統一的環境中,形成一個單一的數據平面,可供全球所有 BMS 據點存取。
過去讓早期系統難以使用的障礙,例如過去收購遺留下來的站點特定限制,以及對深厚計算專業知識的需求,現在正被透過 NVIDIA Mission Control 管理的 AI 原生工具所取代。研究人員將能夠以簡單的英文啟動複雜的預測。
Sheth 解釋說:「運算基礎設施將我們所有的科學家連結在一起,並確保我們的學習成果得以制度化。」來自紐澤西州 Lawrenceville 某專案的數據集,可以為加州聖地牙哥團隊所使用的模型提供資料。這些學習成果「可以應用於我們所從事的任何專案。」
Sheth 解釋道:「如今,藥物探索中存在一個累積學習迴圈,這在我剛開始職業生涯時並不存在。當時每個專案都被獨立處理,學習成果是離散的,未能累積成任何形式的探索智慧框架。」
如今,BMS 正利用 AI 將這個學習迴圈擴展為一個探索系統,其中每一次實驗、臨床數據讀取和合作都能累積成更具說服力的科學決策,並加速決策過程。
代理式工作流程可以進一步強化研發架構。
Davis 說:「代理不關心部門界線。它們能跨越所有領域。這是一個巨大的變革,因為現在我們可以從跨部門和跨專案的決策中學習。」
「當你作為一名科學家,能夠擁有一支經過嚴格審查、訓練有素,並內建 BMS 知識的虛擬科學家大軍時,你本身就成為了一個完整的團隊。」
Sheth 表示,人類的直覺並未被取代,「它們透過更量化的洞察和預測得到增強。」她說,能夠透過運算來擴展這種能力,「正是 AI 影響力將完全實現的令人興奮之處。」
Davis 補充道:「你仍然需要人類大腦來主導一切,仍然要尋找潛在問題和陷阱,仍然要教導它們如何運用知識。但這將大幅提升個體人類的能力。」
Davis 表示,新系統已經有明確的規劃:詳細分配到各種模式,從小分子和大分子設計,到臨床應用,再到數位分身。她說:「我們購買這套系統不僅僅是為了擁有最大的運算能力。這個超級無敵 POD 基本上存在於整個流程的每一個節點上。」
當 BMS 首席數位與技術長 Greg Meyers 問 Davis 是否確定她能充分利用這個超級無敵 POD 時,她的回答很直接。
她告訴他:「給我們一點時間就好。」
覺得值得一看?分享給朋友。
以上為 AI 自動翻譯導讀。原文版權歸 NVIDIA Blog 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。
43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。