百时美施贵宝部署英伟达Vera Rubin超级计算集群加速药物研发

百时美施贵宝（BMS）正在建设的“SuperDuperPOD”——基于NVIDIA Vera Rubin平台的第二代DGX SuperPOD——不仅是生命科学行业迄今最强大的AI集群，更标志着制药研发从“精英科学家专用工具”向“全员普惠基础设施”的范式转移，其核心目标是让AI驱动的累积学习闭环彻底重塑药物发现的每一个环节。

这个新集群的硬件规格本身就是一个明确的信号：八套DGX Vera Rubin NVL72机架系统，每套整合了Vera CPU与Rubin GPU，能效比是旧系统的10倍。但比数字更重要的是BMS的战略姿态——他们并非在测试新技术，而是在用真金白银押注AI已经迈过了“证明有用”的阶段，进入了“必须规模化生产”的阶段。副总裁Erin Davis那句“欢迎来到无限计算”的宣言，本质上是对内部研发文化的一次彻底重构：不再有排队，不再有配额，每个科学家都能直接调用超级计算机。当计算资源从稀缺品变成自来水，研发流程的瓶颈就从“能不能算”彻底转移到了“怎么用好算力”上。

从“抽象可能”到“可测量影响”：AI落地的真实战果

BMS并非在空谈AI转型，他们用三年的DGX SuperPOD运营经验证明了这条路走得通。最直接的成果体现在靶点识别环节——AI已经为科学家节省了数周的人工操作时间，这不仅仅是效率提升，而是把顶尖研究者的精力从繁琐的文献筛选和数据分析中解放出来，重新投入到最高价值的科学决策上。在具体的药物研发管线上，AI驱动的CELMoD化合物库扩展是一个典型案例：这类能选择性降解致癌蛋白的分子，原本受限于人工设计的速度和想象力边界，而AI的介入直接打开了通往新靶点和新适应症的大门，尤其在血癌治疗之外的更广泛疾病领域。

“预测优先”方法论在先导化合物优化阶段的应用，则展示了AI如何改变实验科学的底层逻辑。Payal Sheth所描述的流程——基于计算模型的多参数优化预测来指导实验设计——本质上是在用计算模拟为昂贵的实验室实验设置“关卡”，提前过滤掉那些在理化性质或药效上注定失败的分子。这不是辅助工具，而是改变了决策顺序：预测不再是实验后的解释，而是实验前的筛选器。这意味着实验室资源被严格导向成功率最高的分子，整个研发漏斗的效率和产出质量都发生了质变。

算力饥渴与“饱和”现状：为什么必须升级

BMS现有的AI集群已经处于满负荷运转状态，这恰恰是升级最有力的理由。Davis所说的“我们已经饱和了”并非抱怨，而是对AI应用深度和广度的侧面印证——他们正在进行大规模的大分子预测，同时自建基础模型，这两项工作都是GPU消耗的“大户”。在旧系统上，算力是稀缺资源，这直接制约了研究规模：科学家需要等待计算资源，或者被迫缩小预测范围。这种物理限制正在成为AI进一步赋能研发的拦路虎。

新系统的能效比提升10倍，意味着同样的电力预算下能完成10倍的计算任务，这不仅仅是经济账，更是科学账。更关键的是，BMS将新旧两个SuperPOD整合为统一数据平面，从新泽西州到加利福尼亚州，所有站点都能访问同一套数据和计算环境。这彻底打破了大型药企常见的“数据孤岛”问题——过去因并购遗留的站点限制、需要深厚计算专业知识才能使用的门槛，都被AI原生工具和NVIDIA Mission Control管理界面所取代。研究人员甚至可以用自然语言发起复杂预测任务，这大幅降低了AI的使用门槛，让“每个科学家都能用”从口号变成了现实。

累积学习闭环：制药研发的“复利效应”

Sheth所描述的“累积学习闭环”是这次转型最深刻的内涵。她指出，在她职业生涯早期，每个项目都是独立运作的，各项目组的发现和教训是离散的，无法沉淀为组织的智能资产。而今天，BMS正在用AI把这个过程变成复利增长的系统：新泽西州一个项目产生的数据，训练出的模型，可以被圣地亚哥的团队直接调用；每一次实验、每一个临床读数、每一次外部合作，都在为这个系统增加知识储备，从而做出更准确的科学决策。

Agentic工作流（智能体工作流）进一步放大了这种学习效应。Davis指出，AI智能体“不在乎”组织边界，它们可以跨项目、跨部门、跨数据孤岛地学习和决策，这就是为什么它能成为“游戏规则改变者”。当科学家面对的不是一个静态数据库，而是一支“训练有素、掌握全部BMS知识”的虚拟科学家军团时，单个研究者的能力边界被极大地拓展了。这并不取代人类的直觉和判断，而是用更丰富的定量洞察来增强它——人类依然负责设定方向、识别潜在陷阱、教授模型如何运用知识，但这足以让每个科学家的产出效率成倍提升。

所以呢：对制药行业与从业者的三重启示

第一，AI算力正在成为制药公司的核心竞争壁垒。BMS的“SuperDuperPOD”计划表明，头部玩家不再满足于购买云算力或租用GPU，而是选择自建超大规模、高能效的专用集群。这种重资产投入的背后，是对AI在药物发现中不可逆地位的确认——谁能更快地训练更大规模的模型，谁就能在靶点发现、分子设计和临床预测上占据先机。对于中小型生物科技公司而言，这意味着他们要么依赖云服务商提供的AI平台，要么在特定细分领域深耕数据优势，否则将在算力军备竞赛中被拉开差距。

第二，研发组织架构和工作流程将发生根本性重塑。当计算资源无限供给、AI工具变得像搜索引擎一样易用时，药物研发团队的结构会从“金字塔型”（少数计算专家支撑大量湿实验科学家）转向“网络型”（每个科学家都是AI驱动的研究节点）。这要求从业者必须掌握新的技能——不是写代码，而是懂得如何用自然语言与AI系统交互，如何设计高质量的问题，如何批判性地评估AI给出的预测结果。那些拒绝拥抱这种工作方式的科学家，即便经验再丰富，也可能在效率上被AI增强型的新一代研究者超越。

第三，“学习型组织”在制药行业从理念变为可量化的现实。BMS正在构建的体系，本质上是一个组织级的机器学习系统：每一次实验都是训练数据，每一个决策都影响未来的预测精度。这种“数据飞轮”效应意味着，越早部署、越充分使用AI的企业，其数据积累优势将随时间呈指数级扩大。后来者即便购买相同的硬件，也无法复制BMS在过去三年中通过实际研发项目沉淀下来的模型权重、数据标注和组织学习文化。这是真正的护城河，也是Davis所说的“累积学习回路”最可怕的地方——它让强者愈强。

当计算无限，科学的瓶颈就只剩人类的想象力。BMS的“SuperDuperPOD”不是一台机器，而是一个宣言：在药物发现领域，AI已经从“辅助工具”跃升为“核心基础设施”，而那些还在讨论AI是否可行的人，将被正在用AI改变研发范式的竞争者远远甩在身后。