Bristol Myers Squibb raddoppia il SuperPOD: otto DGX Vera Rubin NVL72
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Il secondo DGX SuperPOD mette la potenza AI di classe supercomputer a disposizione di tutti i ricercatori BMS per accelerare la discovery.
Bristol Myers Squibb distribuirà un secondo NVIDIA DGX SuperPOD basato su otto DGX Vera Rubin NVL72 e lo aprirà a tutti i suoi scienziati, senza limiti di accesso1.
“SuperDuperPOD”, lo chiama Erin Davis, vicepresidente per research business insights and technology. “Invece di dare il supercomputer a un piccolo gruppo, lo apriamo letteralmente a ogni scienziato. Nessuno deve aspettare e nessuno ha un limite”1.
Il nuovo cluster conta otto sistemi rack-scale. Ogni sistema integra CPU NVIDIA Vera e GPU Rubin. Sostituirà parte dell’infrastruttura esistente e, secondo l’annuncio, porterà fino a 10 volte la performance per megawatt rispetto a ciò che rimpiazza. NVIDIA lo presenta come “il cluster AI più potente ed efficiente sul piano energetico nelle scienze della vita”1.
BMS già opera uno dei maggiori cluster AI nel settore. Con questo passo raddoppia l’investimento e cambia il modello d’uso: accesso ampio per impostazione predefinita, niente code, niente tetti individuali. “Nessuno deve aspettare” resta il messaggio chiave di Davis1.
La piattaforma includerà NVIDIA BioNeMo Agent Toolkit per l’AI biologica. I team lo useranno per predizioni, addestramento modelli e workflow agentici lungo la pipeline di scoperta di farmaci. L’obiettivo operativo è offrire queste capacità a “ogni scienziato”, in modo diretto1.
Il dato “fino a 10x” arriva dalle informazioni diffuse da NVIDIA e da BMS nell’annuncio. Le aziende inquadrano il salto in termini di performance per megawatt e lo attribuiscono alla nuova architettura DGX Vera Rubin NVL72, che combina CPU Vera e GPU Rubin su scala rack1. La metrica e la descrizione restano quelle fornite dal fornitore e dai promotori del progetto1.
Per la ricerca farmaceutica il punto è l’attrito. Se i ricercatori interni accedono a risorse uniformi senza attese, modelli e agenti possono passare più rapidamente dalla prova all’uso in esperimenti computazionali. La promessa di maggiore efficienza energetica, misurata come performance per megawatt, punta a sostenere questa scala senza moltiplicare i costi operativi, obiettivo ricorrente nei data center di R&S1.
Resta l’attenzione sui risultati pratici. L’apertura “letteralmente a ogni scienziato” rende visibile il cambio di governance del calcolo. Il confronto “fino a 10x” rispetto all’infrastruttura sostituita indica una direzione, ma è una misura dichiarata in sede di annuncio. Sarà l’uso quotidiano, nei carichi di predizione e training descritti, a mostrare quanto del guadagno atteso si tradurrà in cicli di esperimento più rapidi e in pipeline più corte nella scoperta di farmaci1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.