I en intervju på NVIDIAs företagsblogg beskriver Erin Davis, vice president of research business insights and technology på BMS, ambitionen: ”Instead of equipping a small group of researchers with access to the supercomputer, we’re opening it up to literally every scientist. No one has to wait, and no one is told they have a limit.”
En bredare kapplöpning
BMS lägger ribban högt när de vill bygga den kraftfullaste AI-fabriken inom life science. Men bolaget är inte ensamt om den ambitionen. Eli Lilly meddelade i oktober 2025 att bolaget byggde branschens dittills största AI-datacenter, och Roche gjorde under våren 2026 anspråk på det största GPU-fotavtrycket hos ett läkemedelsbolag. Att BMS talar om den mest kraftfulla infrastrukturen i egen ägo speglar att flera aktörer nu samtidigt gör anspråk på förstaplatsen.
Från en handfull forskare till hela organisationen
BMS driftsätter nu sin andra NVIDIA DGX SuperPOD, denna gång byggd på åtta DGX Vera Rubin NVL72-system. De åtta systemen, som vart och ett kombinerar NVIDIAs Vera-processorer och Rubin-grafikprocessorer, uppges leverera upp till tio gånger högre prestanda per megawatt än den infrastruktur de ersätter. Enligt BMS får forskarna därmed en samlad AI-plattform, inklusive NVIDIA BioNeMo Agent Toolkit för biologisk AI, för att köra prediktioner, träna modeller och driva agentbaserade arbetsflöden genom hela läkemedelsutvecklingskedjan.
Det nya klustret slås ihop med den befintliga SuperPOD:en till en enda miljö, tillgängligt från samtliga BMS-anläggningar globalt och styrt via NVIDIA Mission Control. Själva AI-fabriken drivs enligt NVIDIA av partnern Equinix, med stöd av AI-kompetens från Mark III.
Behovet är påtagligt: ”We’re in production with some very large-scale predictions around large molecules. We’re building our own foundational models, and that takes a lot of GPUs”, säger Erin Davis.
Mätbar effekt, inte abstrakt potential
BMS har drivit en DGX SuperPOD i omkring tre år, och pekar på konkreta resultat. AI-baserad målidentifiering sparar redan forskarna veckor av manuellt arbete. Bolaget har också använt AI för att utöka sitt bibliotek av så kallade CELMoD-molekyler – substanser som konstruerats för att selektivt bryta ner sjukdomsdrivande proteiner, med tillämpningar inom blodcancer och andra sjukdomar. Forskningschefen Robert Plenge lyfter i sin tur fram att AI redan har fört kemisterna vidare när konventionella verktyg kört fast.
Uppdraget, enligt Payal Sheth som i januari tillträdde som senior vice president of therapeutic discovery sciences, är att flytta AI från en abstrakt fråga om vad tekniken kan göra till mätbar effekt i praktiken. I optimeringsfasen tillämpar bolaget en metod hon kallar ”Predict First”, där prediktioner styr vilka molekyler som prioriteras för syntes. Genom att väga flera egenskaper mot varandra sållas de kandidater bort som inte skulle möta den önskade egenskapsprofilen, så att laborativa resurser läggs på de molekyler som har störst chans att lyckas.
Kumulativ inlärning
Poängen med en gemensam infrastruktur är att lärdomarna institutionaliseras: dataset från ett program på en anläggning kan mata modeller som ett team på annan ort drar nytta av. Enligt Sheth finns i dag en kumulativ inlärningsslinga i läkemedelsutvecklingen som inte existerade när hon inledde sin karriär. Det är här de agentbaserade arbetsflödena kommer in. ”Agents don’t care”, säger Davis – de rör sig tvärs över hela verksamheten, och gör det möjligt att lära av beslut på tvären genom silos och program.
Samtidigt betonar Davis och Sheth att den mänskliga bedömningen står kvar i förarsätet: forskaren måste fortfarande leta efter förbehåll och fallgropar. Oavsett vem som bygger störst och bäst delar BMS, Lilly och Roche samma mål: att i grunden förändra hur läkemedel upptäcks och utvecklas.
