Bristol Myers Squibb Building Life Science Industry’s Most Advanced AI Factory on NVIDIA Vera Rubin

🖼️ 인포그래픽

Bristol Myers Squibb Building Life Science Industry’s Most Advanced AI Factory on NVIDIA Vera Rubin 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 요약

브리스톨 마이어스 스퀴브는 베라 루빈 기반의 두 번째 DGX 슈퍼팟을 구축해 전 세계 과학자에게 대규모 연산과 통합된 생물학 AI 도구를 제공하고, 신약 발굴 전 과정의 예측·학습·에이전트형 업무를 확장한다.

📌 핵심 요약

브리스톨 마이어스 스퀴브는 베라 CPU와 루빈 GPU로 구성된 DGX 베라 루빈 NVL72 랙 규모 시스템 8대를 기반으로 두 번째 DGX 슈퍼팟을 배치한다고 발표했다.
새 시스템은 대체하는 기존 인프라보다 메가와트당 최대 10배의 성능을 제공하며, 일부 연구자만이 아니라 회사의 모든 과학자가 기다림이나 사용량 제한 없이 활용하도록 설계된다.
기존 DGX 슈퍼팟은 약 3년 동안 표적 식별에 필요한 수작업을 수주 단축하고, 암 유발 단백질을 선택적으로 분해하는 CELMoD 화합물군을 확대하는 데 활용됐다.
BMS는 기존 시스템과 신규 시스템을 전 세계 사업장에서 접근할 수 있는 하나의 데이터 평면으로 통합하고, 연구자가 일상적인 영어로 복잡한 예측 작업을 시작할 수 있게 할 계획이다.
통합 인프라는 예측, 자체 기반 모델 학습, 바이오네모 에이전트 툴킷 기반 업무를 지원하며, 인간 과학자의 판단을 대체하기보다 정량적 통찰과 조직 전체의 축적된 지식으로 보강하는 데 초점을 둔다.

🧩 주요 포인트

연산 자원 확충과 전사 개방 → 과학자가 자원 배정 절차보다 연구 자체에 집중하면서 더 빠른 반복과 더 넓은 화학 공간 탐색을 수행할 수 있다.
표적 식별·CELMoD·예측 우선 방식에서 확인된 활용 성과 → 신규 인프라는 추상적인 AI 가능성을 측정 가능한 연구 성과로 전환하려는 확장 투자다.
세계 단일 데이터 평면과 프로그램 경계를 넘는 에이전트 → 개별 프로젝트에 흩어졌던 학습을 조직 지식으로 누적해 후속 의사결정의 확신과 속도를 높이는 구조를 만든다.

🧠 상세 정리

1. 두 번째 DGX 슈퍼팟과 전사적 연산 개방

BMS는 기존 DGX 슈퍼팟을 약 3년 운영한 데 이어, 두 번째 시스템으로 DGX 베라 루빈 NVL72 랙 규모 시스템 8대를 배치한다고 발표했다. 각 시스템은 엔비디아 베라 CPU와 루빈 GPU로 구성되며, 대체하는 기존 인프라와 비교해 메가와트당 최대 10배의 성능을 제공한다. 기사에서는 이를 생명과학 분야에서 가장 강력하고 에너지 효율적인 AI 클러스터로 소개한다. BMS는 이 연산 능력을 소수 전문가에게만 제공하지 않고 회사의 모든 과학자에게 개방해, 대기 시간과 정해진 사용량 한도를 없애겠다는 목표를 제시했다. 핵심 목적은 가장 큰 장비를 보유하는 것 자체가 아니라 연구자가 자원 확보 절차에 신경 쓰지 않고 과학적 문제에 집중할 수 있는 환경을 만드는 것이다.

2. 기존 AI 인프라가 만든 연구 성과

기존 DGX 슈퍼팟은 이미 신약 발굴 현장에서 구체적인 성과를 냈다. AI 기반 표적 식별은 과학자들이 수행하던 수작업을 수주 단축해, 연구진이 가치가 더 높은 과학적 판단에 시간을 집중하도록 했다. BMS는 또한 암을 유발하는 단백질을 선택적으로 분해하도록 설계된 CELMoD 화합물군을 AI로 확대했다. 이 접근은 혈액암 치료를 비롯해 더 폭넓은 질환에서 새로운 표적과 잠재적 의약품을 탐색할 가능성을 열었다. 이러한 사례는 BMS가 AI의 추상적 가능성을 논하는 단계에서 벗어나, 연구 시간 절감과 후보 공간 확장처럼 측정 가능한 영향으로 전환하고 있음을 보여준다.

3. 예측 우선 연구 방식과 연산 수요의 포화

BMS는 선도물질 최적화 단계에서 ‘예측 우선’이라고 부르는 방법론을 적용하고 있다. 여러 특성을 동시에 최적화하는 과정에서 먼저 설계 예측을 사용해 합성할 분자의 우선순위를 정하고, 목표로 하는 특성 범위에 맞지 않을 분자는 실험 전에 걸러낸다. 이를 통해 귀중한 실험실 작업을 성공 가능성이 가장 높은 분자의 진전에 맞추려는 것이다. 그러나 대형 분자에 대한 대규모 예측이 이미 실제 연구 환경에서 운영되고 있고 자체 기반 모델도 구축하고 있어, 기존 GPU 자원은 포화 상태에 이르렀다. 신규 시스템은 더 빠른 연구 주기와 더 넓은 화학 공간 탐색, 신약 발굴 전 과정의 예측·모델 학습·에이전트형 업무를 뒷받침하기 위한 직접적인 대응이다.

4. 기술보다 접근성이 문제라는 연구 현장의 시각

연구 비즈니스 통찰 및 기술 부문 부사장인 에린 데이비스는 계산화학자로 일한 뒤, 과학의 요구를 기술이 충분히 따라가지 못한다고 판단해 기업용 연구 플랫폼 구축에 약 15년을 보냈다. 여러 기술 기업에서 제약사가 공통으로 겪는 병목을 관찰한 그는 문제의 핵심이 기술 자체보다 실제 과학자의 손에 기술을 전달하고 그 사용으로부터 학습하는 데 있다고 설명한다. 그의 부친은 5년 전 알츠하이머병으로 사망했으며, 데이비스는 증상을 완화할 방법만 있었어도 환자와 가족의 고통을 덜 수 있었을 것이라고 말했다. BMS는 뇌 건강 분야에 상당한 투자를 하고 있지만, 원문은 신규 시스템이 특정 질환의 치료 성과를 보장한다고 주장하지 않는다. 이 개인적 경험은 접근 가능한 연구 기술과 더 빠른 과학적 진전이 왜 중요한지 보여주는 배경으로 제시된다.

5. 세계 단일 데이터 평면과 낮아지는 사용 장벽

BMS는 기존 DGX 슈퍼팟과 신규 베라 루빈 기반 시스템을 하나의 통합 환경으로 결합하고, 전 세계 모든 BMS 사업장에서 접근할 수 있는 단일 데이터 평면을 만들고 있다. 과거 인수 과정에서 남은 사업장별 제한과 고도의 계산 전문성을 요구하던 사용 방식은 기존 시스템의 접근성을 낮추는 요인이었다. 신규 환경은 엔비디아 미션 컨트롤을 통해 관리되는 AI 중심 도구로 이러한 장벽을 줄일 계획이다. 연구자는 복잡한 예측 작업을 일상적인 영어로 시작할 수 있으며, 바이오네모 에이전트 툴킷을 포함한 통합 플랫폼에서 예측 실행과 모델 학습을 수행하게 된다. BMS는 이 공통 인프라가 지역과 조직의 경계를 넘어 과학자를 연결하고, 개별 연구에서 얻은 학습을 조직의 지식으로 정착시키는 기반이 될 것으로 보고 있다.

6. 프로젝트별 지식에서 누적 학습 체계로의 전환

통합 환경에서는 미국 뉴저지주 로런스빌의 한 연구 프로그램에서 생성된 데이터가 캘리포니아주 샌디에이고 연구팀이 사용하는 모델에 반영될 수 있다. 이렇게 축적된 학습은 생성된 프로그램에만 머무르지 않고 다른 연구 과제의 맥락에서도 활용된다. 페이얼 셰스는 과거에는 프로젝트마다 별도의 학습이 만들어졌지만, 그 결과가 신약 발굴 전체의 지능 체계로 누적되지는 않았다고 설명한다. 현재 BMS가 목표로 하는 구조에서는 모든 실험, 임상 결과 판독, 외부 협력에서 얻은 정보가 다음 과학적 판단의 확신과 속도를 높이는 학습 순환에 합쳐진다. 에이전트형 업무는 부서와 프로그램의 경계를 넘어 의사결정에서 학습하고, BMS 지식을 내재화한 검증된 가상 과학자 도구를 개별 연구자가 활용하도록 하는 수단으로 제시된다.

7. 인간 판단의 보강과 신약 발굴 전 과정 배치

셰스는 인간의 과학적 직관이 AI로 대체되는 것이 아니라 더 많은 정량적 통찰과 예측으로 보강된다고 강조한다. 데이비스 역시 인간이 연구 방향을 이끌고, 예외와 함정을 점검하며, 시스템이 지식을 올바르게 활용하도록 계속 가르쳐야 한다고 말한다. AI와 대규모 연산은 이러한 인간의 역할을 없애는 대신 한 사람이 처리하고 판단할 수 있는 범위를 크게 넓히는 도구로 정의된다. BMS는 소분자와 대분자 설계부터 임상 응용, 디지털 트윈까지 시스템 자원을 어떻게 배분할지 이미 세부 계획을 마련했으며, 신규 슈퍼팟을 신약 발굴 과정의 여러 지점에 투입할 예정이다. 회사는 단순히 최대 규모의 연산 능력을 보유하려는 구매가 아니라고 밝히며, 현재의 포화된 수요와 준비된 활용 계획을 바탕으로 신규 자원도 충분히 사용하게 될 것이라는 입장을 보였다.

🧾 핵심 주장 / 시사점

이 사례에서 인프라의 핵심 가치는 절대적인 연산 규모뿐 아니라 모든 과학자가 전문적인 자원 배정 절차 없이 사용할 수 있도록 접근 방식을 바꾸는 데 있다.
기존 시스템에서 표적 식별 시간 단축, 화합물군 확대, 예측 기반 실험 선별이 이미 진행됐고 연산 자원이 포화됐다는 점에서 신규 투자는 실험적 도입보다 운영 중인 활용 사례의 확장에 가깝다.
단일 데이터 평면과 에이전트형 업무의 결합은 지역·부서·프로그램별로 분리됐던 지식을 재사용 가능한 조직 자산으로 바꾸되, 최종 방향 설정과 위험 점검은 인간 과학자가 담당하는 구조를 지향한다.

✅ 액션 아이템

DGX 베라 루빈 NVL72 8대 배치 후 메가와트당 성능과 전사 과학자 대기·사용량 제한 해소 여부를 기존 인프라 대비 비교한다.
표적 식별 수작업 단축과 CELMoD 화합물군 확대 성과를 기준으로 신규 슈퍼팟의 예측·학습·에이전트 업무 확장 범위를 정의한다.
기존·신규 DGX 슈퍼팟을 하나의 데이터 평면으로 묶고 일상 영어 기반 예측 착수와 바이오네모 에이전트 활용이 사업장 전반에서 가능한지 점검한다.