Lilly rakensi 9 000 petaflopsin AI-tehtaan 4 kuukaudessa

Maailman ensimmäinen DGX B300 -klusteri nousi Indianapolisiin

Eli Lilly ja Nvidia tiivistivät kumppanuuttaan tällä viikolla: yhtiöt julkistivat jopa miljardin dollarin yhteislaboratorion Bay Areaan ja kertoivat lääkekehitysyhteistyön laajentamisesta viidelle vuodelle. Kumppanuuden kovin näyttö on jo käytössä Indianapolisissa, missä LillyPod-supertietokone otettiin tuotantokäyttöön helmikuussa. Klusteri on maailman ensimmäinen Nvidian DGX SuperPOD DGX B300 -järjestelmä ja samalla tehokkain kokonaan lääkeyhtiön omistama AI-laitteisto.

Numerot ovat raskasta luokkaa. LillyPodissa on 1 016 Blackwell Ultra -GPU:ta, joiden yhteenlaskettu AI-suorituskyky ylittää 9 000 petaflopsia. Klusteri tarjoaa yli 290 teratavua suurikaistaista GPU-muistia ja kykenee pyörittämään yli 700 teratavun genomitietokantoja. Sisuksissa kulkee lähes 5 000 yhteyttä, joiden vetämiseen on käytetty yli 450 kiloa kuitukaapelia. Suunnittelusta käyttöönottoon kului neljä kuukautta, aikataulu joka lääketeollisuudessa on lähes ennenkuulumaton.

Genomidatasta tuotannon optimointiin

Lilly aikoo käyttää konetta yllättävän laajaan kirjoon tehtäviä. Genomiikka, molekyylisuunnittelu, soluatlasten rakentaminen, lääketieteellinen kuvantaminen ja tuotantoketjun optimointi nojaavat tästä eteenpäin samaan klusteriin. Käytännössä tutkijat voivat seuloa miljardeja kemiallisia rakennevaihtoehtoja virtuaalisesti ennen kuin yhtäkään ainetta syntetisoidaan laboratoriossa. Jokainen pois karsittu kandidaatti säästää viikkoja märkälaboratoriotyötä.

Suomi vertailussa: LUMI tuottaa 380 petaflopsia

Miten Suomen lääkekehitys vertautuu, kun yhdysvaltalainen jätti rakentaa yksin yli 9 000 petaflopsin koneen? Orion ei omista omaa supertietokonetta. Kotimaisten lääketutkijoiden tekoälylaskenta nojaa pääosin CSC:n hallinnoimaan LUMIin Kajaanissa. LUMI tuottaa noin 380 petaflopsia ja on yleiseurooppalainen resurssi, jota jakaa 11 maan konsortio.

Vertailu ei kuitenkaan ole täysin reilu. LUMI palvelee tieteellistä tutkimusta laajasti ilmastomallinnuksesta partikkelifysiikkaan, ei pelkkää lääkekehitystä. Lillyn klusteri puolestaan on omistettu yhden yhtiön käyttöön. Pelkän huipputehon perusteella LillyPod tuottaa noin 24-kertaisen suorituskyvyn LUMIiin verrattuna, mutta arkkitehtuurit ovat erilaisia, ja LUMI on rakennettu sekä perinteiseen tieteelliseen laskentaan että tekoälykuormiin.

Orion luottaa ekosysteemiin

Sen sijaan että rakentaisi omat laskentakeskuksensa, Orion käynnisti vuonna 2023 Business Finlandin tukemana Veturi-tutkimusekosysteemin. Mukana on lähes 50 yritystä, startupia ja yliopistoa, jotka jakavat datavarat ja laskentakapasiteetin yhteistyössä. Orion solmi viime vuonna lisäksi yhteistyösopimuksen yhdysvaltalaisen Aitian kanssa AI-vetoisesta onkologialääkekehityksestä. Strategia on selvä: vivuta yhteistä kapasiteettia oman laitteistoinvestoinnin sijaan.

Yhdistelmä ei silti korvaa rakenteellista eroa. CSC valmistelee paraikaa LUMI-AI-järjestelmää, jonka rakentaminen alkaa tänä vuonna ja joka pyritään saamaan käyttöön keväällä 2027. Tavoitteena on nostaa Suomen tekoälylaskentakapasiteetti uudelle tasolle. Aikataulu venyy kuitenkin vielä lähes kahdeksi vuodeksi, ja sinä aikana Lillyn kaltaiset jätit ehtivät jo seuraavalle sukupolvelle.

Mitä se tarkoittaa potilaalle?

Ero ei jää pelkkään tekniseen vertailuun. Mitä nopeammin yhtiö pystyy seulomaan lääkekandidaatteja, sitä nopeammin uudet hoidot päätyvät potilaille. Lillyn kaltaiset toimijat voivat lyhentää tutkimusvaihetta vuosilla, kun virtuaaliset seulonnat korvaavat osan laboratoriotyöstä. Jos suomalainen lääketutkimus nojaa rakenteellisesti hitaampaan ja jaettuun kapasiteettiin, kotimaiset innovaatiot ehtivät kliinisiin kokeisiin myöhemmin kuin kilpailijoiden. Suomalaisille potilaille tämä näkyy hitaammin saapuvina uusina hoitoina ja kotimaisen lääketeollisuuden riskinä jäädä globaalien jättien alihankkijaksi.

LillyPod kertoo myös laajemmasta muutoksesta. Lääkeyhtiöistä on tulossa rakenteellisesti myös laskentayhtiöitä, ja kilpailu siirtyy molekyylien rinnalla GPU:iden puolelle. Kuka rakentaa nopeimmin ja kenelle Nvidia toimittaa ensin, ratkaisee tulevina vuosina paljon enemmän kuin se, kenen laboratoriossa on tarkimmat pipetit.