Nvidia und Eli Lilly eröffnen ein KI-Labor zur Medikamentenentwicklung.

Nvidia $NVDA und Eli Lilly $LLY gaben am Montag bekannt, dass sie ein gemeinsames Innovationslabor für KI gründen, das auf die Beschleunigung der Medikamentenentwicklung abzielt – eine fünfjährige Verpflichtung von bis zu einer Milliarde Dollar, die auf beschleunigter, geschlossener Entdeckung basiert, die KI-Modelle „industrialisieren“ und die klinische Entwicklung beschleunigen soll. Die Unternehmen werden sich an einem neuen Standort in der Bay Area ansiedeln, damit die Teams in Echtzeit zusammenarbeiten können. Die Eröffnung ist für Ende März geplant.

Kimberly Powell, Nvidias Vizepräsidentin für Gesundheit, verband den Skalierungsplan mit Nvidias zukünftiger Hardware und sagte, dass Lillys neu eingesetzte KI-Fabrik voraussichtlich in eine hybride Cloud-Umgebung wachsen wird, die von zukünftigen Nvidia Vera Rubin-Systemen und Nvidias DGX-Cloud-Kapazität unterstützt wird. Für Nvidia ist das die Art von Detail, die eine Partnerschaft in etwas Stabileres als eine Schlagzeile verwandelt: ein mehrjähriger Plan, der bereits über die aktuelle Generation von Maschinen hinausblickt.

„Durch die Kombination von Lillys tiefem Fachwissen in der Medikamentenentwicklung und Nvidias Expertise in KI und beschleunigter Datenverarbeitung“, sagte Powell, „bauen wir die Zukunft, wie Medikamente entworfen und entwickelt werden.“

Ihre Beschreibung dessen, was das Labor tun wird, legt großen Wert auf die Datenerzeugung – die unscheinbare Zutat, die bestimmt, ob sich „KI-Medikamentenentwicklung“ wie eine Disziplin oder eine Demo verhält. Sie sagte, ein Schwerpunkt werde darauf liegen, „erstaunliche Trainingsdaten“ durch großangelegte Laborarbeit zu produzieren, „Ground Truth Data im Labor“ zu erstellen, um biologische Foundation-Modelle mit multimodalen Daten zu trainieren, und dann die Schleife zwischen Hypothesen und Entdeckung zu straffen. Und das ist das Prinzip hinter dem gesamten Setup: Bessere Experimente schaffen bessere Daten; bessere Daten schaffen bessere Modelle; bessere Modelle machen die nächsten Experimente gezielter – ein Feedback-Loop, der auf Durchsatz ausgerichtet ist.

In einer Pressemitteilung beschrieb Lillys Chief Information and Digital Officer, Diogo Rau, das Labor als einen Wandel in der Art und Weise, wie Entdeckungen gemacht werden. „Wir sehen dies als Katalysator für die Fähigkeiten, die das nächste Zeitalter der Medikamentenentwicklung definieren werden“, sagte er. „Durch die Zusammenarbeit mit Nvidia vereinen wir massive Rechenleistung, spezialisiertes Talent und die Fähigkeit, Daten in großem Maßstab zu formen.“ Er fügte hinzu: „Wir bewegen uns auf eine Zukunft zu, in der Entdeckungen durch schnelle Experimente und zunehmend maßgeschneiderte Modelle vorangetrieben werden.“

Powells Version derselben Wette legt großen Wert auf die Datenerstellung – „Ground Truth Data im Labor“, produziert durch großangelegte Laborarbeit – weil biologische Modelle nur so gut sind wie die Inputs, die man verteidigen kann. Der Umfang geht über die frühe F&E hinaus. Powell sagte, die Unternehmen würden die Anwendung beschleunigter Datenverarbeitung und fortschrittlicher KI im gesamten Lilly-Geschäft, von der Herstellung bis zu kommerziellen Operationen, erkunden. Das ist ein breites Mandat – und ein bekanntes für Nvidia, das dazu neigt, mit dem attraktivsten Workflow zu beginnen und dann auf den Rest des Unternehmensstapels zu zielen, sobald die Infrastruktur vorhanden ist.

„Wir werden all die erstaunliche Arbeit mit unseren offenen Modellen in Nemotron nutzen, um all dieses klinische Verständnis zu entdecken, damit die klinische Entwicklung so weit wie möglich verbessert und optimiert werden kann“, sagte Powell.

Das Labor ist eine Erweiterung auf der Infrastruktur, die Lilly bereits mit Nvidia aufgebaut hat. Ende Oktober kündigte Lilly an, dass es den leistungsstärksten KI-Supercomputer der Pharmaindustrie mit Nvidias DGX SuperPOD-Plattform bauen werde, um eine „KI-Fabrik“ für Wirkstoffentdeckung und -entwicklung zu betreiben.

KI-Unternehmen rennen darum, „Gesundheit“ in eine tatsächliche Produktkategorie zu verwandeln, statt in ein vages Versprechen. OpenAI hat innerhalb weniger Tage ChatGPT Health eingeführt und Anthropic Claude für das Gesundheitswesen gestartet. Dieser Vorstoß bei Verbrauchern und Klinikern folgt derselben zugrunde liegenden Logik wie Nvidias: Wer den Workflow besitzt, besitzt die Gewohnheit, und wer die Gewohnheit besitzt, kann die Infrastruktur verkaufen.

Nvidias allgemeiner Punkt auf der JPMorgan $JPM Gesundheitskonferenz, die am Montag beginnt, ist, dass das Gesundheitswesen bereit für die gleiche Full-Stack-Übernahme ist, die es in anderen Branchen bereits vollzogen hat. Das Unternehmen kündigt auch eine Zusammenarbeit mit Thermo Fisher $TMO an, die darauf abzielt, Nvidias KI-Plattformen in wissenschaftliche Instrumente und Labor-Workflows zu integrieren, eine Partnerschaft mit Multiply Labs, die auf Robotik und digitale Zwillinge für die Bioproduktion setzt, und eine erweiterte BioNeMo-Plattform, die laut Nvidia mehr offene Modelle, Werkzeuge und Schulungsrezepte für End-to-End-Biologie und Wirkstoffforschung bereitstellen wird.

Für Lilly übt eine fünfjährige Verpflichtung in Milliardenhöhe echten Druck auf Ergebnisse aus, die für Pharma-Investoren tatsächlich wichtig sind: kürzere Entdeckungszyklen, mehr tragfähige Kandidaten, die in klinische Studien eintreten, weniger Sackgassen, die Jahre und Kapital verschlingen, bevor sie still verschwinden. KI hat all das schon einmal versprochen. Dieses Labor ist Lillys Aussage, dass es bereit ist, daran gemessen zu werden, ob das Versprechen tatsächlich in der Pipeline auftaucht und nicht nur in Demos.

Das verschärft auch das Risiko. Die Wirkstoffforschung scheitert nicht, weil Ideen Mangelware sind; sie scheitert, weil die Biologie hartnäckig, die Regulierung langsam und die Validierung unerbittlich ist. Modelle, die auf „Ground Truth“ trainiert sind, müssen trotzdem Replikation, Skalierung und FDA-Prüfung überstehen. Automatisierung muss das Vertrauen von Wissenschaftlern gewinnen, deren Karriere auf Skepsis aufgebaut ist. Wenn dieses Labor funktioniert, könnte es eine Vorlage dafür werden, wie Pharma tatsächlich Medikamente entwickelt. Wenn nicht, könnte es zu einer teuren Erinnerung werden, dass Rechenleistung nicht mit Biologie verhandeln kann.