[해외 AI 뉴스] BMS가 Vera Rubin AI 팩토리를 확장한 이유 - 신약 개발의 다음 병목은?

💊 글로벌 제약사 브리스톨 마이어스 스퀴브(BMS)가 신약 연구에 쓰는 AI 컴퓨팅을 크게 확장합니다.

 

엔비디아는 7월 20일(현지 기준), BMS가 Vera Rubin 기반의 두 번째 DGX SuperPOD를 도입한다고 발표했습니다. 단순히 연산 장비를 늘리는 소식이라기보다, AI가 신약 탐색의 어느 단계까지 들어가고 있는지를 보여주는 사례입니다.

 

📌 무엇이 발표됐나

BMS가 구축할 새 시스템은 DGX Vera Rubin NVL72 8개 시스템을 기반으로 합니다. 엔비디아 설명에 따르면 Vera CPU와 Rubin GPU를 결합한 랙 스케일 구성입니다.

 

공식 발표에서 BMS는 이 인프라를 기존 AI 환경과 연결해, 전 세계 연구 거점의 과학자들이 하나의 통합 환경을 이용하도록 설계하고 있다고 밝혔습니다.

 

핵심은 ‘더 빠른 컴퓨터’라는 표현만으로는 부족합니다. 연구자가 필요한 계산 자원을 기다리는 시간을 줄이고, 예측·학습·에이전트형 작업을 신약 발굴 과정에 연결하려는 시도입니다.

 

🧬 신약 개발에서 AI는 어디에 쓰이나

신약 개발은 후보 물질을 찾고, 원하는 성질을 가졌는지 검토하고, 실험과 임상으로 좁혀 가는 긴 과정입니다. 이때 가능한 분자 조합과 실험 조건은 매우 많기 때문에, 초기 선택의 질이 전체 개발 속도에 영향을 줍니다.

 

엔비디아 발표에 따르면 BMS는 표적 식별, 분자 설계, 리드 최적화 등에서 AI를 활용해 왔습니다. 특히 예측 결과를 먼저 활용해 합성·실험의 우선순위를 정하는 ‘Predict First’ 방식이 소개됐습니다.

 

이는 AI가 실험을 없앤다는 뜻은 아닙니다. 실험 전에 더 유망한 후보를 걸러내고, 제한된 실험 자원을 어디에 먼저 투입할지 판단하는 보조 도구에 가깝습니다.

 

⚙️ ‘컴퓨팅 대기’가 연구 병목이 되는 순간

AI 모델의 규모가 커질수록 연구 현장의 문제는 알고리즘만이 아닙니다. 대형 예측 작업, 자체 기반 모델 학습, 여러 데이터셋의 연결에는 안정적인 컴퓨팅 자원과 운영 체계가 필요합니다.

 

BMS는 새 시스템이 교체 대상 인프라 대비 메가와트당 성능을 최대 10배 높일 수 있다고 설명했습니다. 다만 이 수치는 엔비디아와 BMS가 제시한 구성 기준의 수치이므로, 실제 연구 성과와 동일시하기보다는 인프라 목표로 읽는 편이 적절합니다.

 

중요한 점은 컴퓨팅이 일부 전문팀에만 묶이지 않도록 하겠다는 방향입니다. 발표에는 연구자들이 자연어로 복잡한 예측 작업을 시작할 수 있도록 도구를 제공한다는 구상도 담겼습니다.

 

🤖 에이전트형 AI가 바꾸려는 연결 방식

이번 발표에는 NVIDIA BioNeMo Agent Toolkit과 에이전트형 워크플로도 언급됐습니다. 여기서 에이전트는 스스로 신약을 승인하거나 결론을 내리는 존재가 아니라, 정해진 데이터·도구·규칙을 오가며 여러 연구 작업을 연결하는 소프트웨어 흐름으로 이해할 수 있습니다.

 

예를 들어 분자 구조 예측, 실험 데이터 정리, 후보 우선순위 제안 같은 작업이 따로 움직이면 연구 지식도 부서와 지역별로 흩어지기 쉽습니다. BMS가 강조한 통합 환경은 이런 학습 결과를 다음 프로그램에 다시 쓰려는 기반입니다.

 

AI가 실험 결과와 임상 관찰을 축적해 더 나은 다음 질문을 만드는 ‘누적 학습 고리’를 강화할 수 있다는 기대도 여기에 있습니다. 다만 데이터 품질, 재현성, 보안, 규제 대응이 함께 갖춰져야 이 고리가 신뢰할 수 있는 연구 기반이 됩니다.

 

🔍 이 뉴스가 의미하는 변화

생성형 AI 경쟁은 대화형 서비스와 코딩 도구에서 먼저 눈에 띄었지만, 제약·바이오 분야에서는 계산 자원을 실제 연구 의사결정에 연결하는 경쟁으로 넓어지고 있습니다.

 

특히 신약 연구는 정확도뿐 아니라 실패 후보를 얼마나 일찍 알아차리는지도 중요합니다. AI가 후보 공간을 넓히면서도 우선순위를 정교하게 만들 수 있다면, 실험의 횟수와 시간을 더 효율적으로 배분할 가능성이 생깁니다.

 

그렇다고 AI 인프라 투자가 곧바로 신약 출시로 이어지는 것은 아닙니다. 분자 예측의 검증, 전임상·임상 단계의 안전성과 유효성 확인, 규제 심사는 여전히 사람과 실험이 책임져야 하는 과정입니다.

 

🎯 앞으로 볼 포인트 3가지

첫째, BMS가 이 컴퓨팅 확장을 통해 어떤 연구 단계에서 측정 가능한 시간을 줄였는지입니다. ‘더 큰 모델’보다 실제 후보 발굴과 실험 설계의 개선이 중요한 지표가 될 것입니다.

 

둘째, 여러 연구 거점의 데이터를 어떤 기준으로 통합하고 관리하는지입니다. 바이오 데이터는 민감하고 복잡하기 때문에 접근 권한과 검증 체계가 성과만큼 중요합니다.

 

셋째, 에이전트형 도구가 연구자의 판단을 어떻게 보완하는지입니다. 좋은 활용은 자동화가 사람을 밀어내는 방식이 아니라, 과학자가 가설과 예외를 더 깊이 검토할 시간을 만드는 방식에 가깝습니다.

 

📝 마무리

BMS와 엔비디아의 이번 발표는 AI가 신약 개발의 ‘보조 분석 도구’에서 연구 전반을 연결하는 컴퓨팅 기반으로 이동하고 있음을 보여줍니다. 성패는 장비의 크기보다, 예측을 실험으로 검증하고 그 결과를 다시 학습에 반영하는 운영 능력에 달려 있습니다.

 

AI가 과학을 대신하기보다 과학자가 더 좋은 질문을 더 빨리 시험할 수 있게 만드는 방향으로 쓰일 때, 대규모 AI 인프라의 의미도 더 분명해질 것입니다. 🧪

 

🔗 출처

NVIDIA Blog — Bristol Myers Squibb Building Life Science Industry’s Most Advanced AI Factory on NVIDIA Vera Rubin (2026.07.20)

 

Google News RSS — 관련 해외 보도 목록