Bristol Myers Squibb baut die stärkste KI-Fabrik der Life Sciences: einen zweiten NVIDIA DGX SuperPOD auf Basis von acht DGX Vera Rubin NVL72 Rack-Systemen, mit bis zu 10-facher Leistung pro Megawatt gegenüber dem abgelösten Cluster. Die Ankündigung vom 20. Juli 2026 macht BMS zum ersten Life-Sciences-Anwender der neuesten NVIDIA-Architektur — und zeigt einen regulierten Fortune-100-Konzern, der Frontier-Rechenleistung direkt kauft statt sie aus der Cloud zu mieten.
Bristol Myers Squibb betreibt seinen ersten DGX SuperPOD von NVIDIA seit fast drei Jahren, und die Ergebnisse haben die frühe Discovery bereits umgeformt. KI-Agenten automatisieren die Target-Identifikation und ersparen Wissenschaftlern Wochen manueller Arbeit, das Unternehmen erweiterte seine CELMoD-Bibliothek von Molekülen, die krebsverursachende Proteine selektiv abbauen, und die “Predict First”-Methodik verlagerte die Lead-Optimierung vom Labor-Experimentieren hin zum rechnergestützten Design. Das neue Deployment verwandelt dieses Forschungswerkzeug in unternehmensweite Industrieanlagen — und kommt genau in dem Moment, in dem Strom, mehr als Chips, zur entscheidenden Engstelle für die KI-Ambitionen von Unternehmen geworden ist.
Was sich ändert: acht Racks, ein unternehmensweites Gehirn
Der neue Cluster — intern “SuperDuperPOD” genannt — kombiniert acht DGX Vera Rubin NVL72 Rack-Systeme auf Basis von NVIDIA Vera-CPUs und Rubin-GPUs. NVIDIA beschreibt das Ergebnis als das leistungsstärkste und energieeffizienteste KI-Cluster der Life Sciences. NVIDIA Mission Control vereinheitlicht den Zugang über alle globalen BMS-Standorte, und das BioNeMo Agent Toolkit verbindet die Hardware mit agentischen Drug-Discovery-Workflows.
Der Umfang ist bewusst breit angelegt: Foundation-Modelle, trainiert auf Jahrzehnten proprietärer BMS-Daten, agentische Workflows über die gesamte Discovery-Pipeline, Design kleiner und großer Moleküle, klinische Anwendungen und digitale Zwillinge — in Onkologie, Hämatologie, Herz-Kreislauf, Immunologie und Neurowissenschaften. “Statt einer kleinen Gruppe von Forschern Zugang zum Supercomputer zu geben, öffnen wir ihn buchstäblich für jeden Wissenschaftler”, sagte Erin Davis, Vice President of Research Business Insights and Technology bei BMS. Robert Plenge, Executive Vice President und Chief Research Officer, beschreibt Drug Discovery als eine Abfolge von Entscheidungen unter Unsicherheit — und die neue Infrastruktur existiert, um jede dieser Entscheidungen zu verbessern. Chief Digital and Technology Officer Greg Meyers rahmte die Investition als Bestätigung: “BMS ist eine bewusste Wette auf KI eingegangen, und wir sehen, wie sie sich in unserer Pipeline auszuzahlen beginnt.” Das Unternehmen nennt den Zielzustand kollaborative hybride Intelligenz: KI-Wissenschaftler arbeiten Seite an Seite mit menschlichen Forschern an First-in-Class- und Best-in-Class-Medikamenten.
Was das für die Vendor-Landkarte bedeutet
Drei Verschiebungen stechen hervor. Erstens: NVIDIA verkauft jetzt komplette, kundeneigene KI-Fabriken — Hardware, Mission-Control-Orchestrierung und die BioNeMo-Softwareschicht — direkt an regulierte Unternehmen, ein Kanal, der die Hyperscaler vollständig umgeht. Cloud-Anbieter stehen vor einem prominenten Referenzfall, in dem Eigentum bei Data Gravity, Auslastungsökonomie und Souveränität über Jahrzehnte proprietärer Moleküldaten gewinnt. Jeder Pharma-CIO, der mehrjährige Cloud-GPU-Verpflichtungen prüft, wird künftig erklären müssen, warum Mieten das Besitzen schlägt.
Zweitens: Leistung pro Megawatt wird zur zentralen Beschaffungsmetrik. Rechenzentrumsstrom ist knapp und teuer, und ein 10x-Sprung beim Output pro Megawatt schreibt die Total-Cost-of-Ownership-Rechnung neu und erlaubt es einem Unternehmen, KI-Kapazität innerhalb des bestehenden Stromrahmens zu skalieren. Erwarten Sie die Pro-Megawatt-Kennzahl ab jetzt in jeder ernsthaften Infrastruktur-Ausschreibung, direkt neben dem Preis pro GPU-Stunde.
Drittens: Die Wettbewerbsuhr läuft für die Pharma-F&E. BMS gibt buchstäblich jedem Wissenschaftler Supercomputer-Zugang und verbindet diesen Zugang mit agentischen Workflows, die Hypothesen in einem Maßstab bewerten, der vor wenigen Jahren unerreichbar war. Wettbewerber, die KI als Abteilungspilot behandeln, konkurrieren jetzt mit einem Unternehmen, das KI als industrielle Kernanlage betreibt — mit drei Jahren Betriebserfahrung, einem proprietären Datengraben und einer Pipeline, die nach Aussage der eigenen Führung bereits Erträge zeigt.
Die 90-Tage-Entscheidung
Für CTOs und F&E-IT-Verantwortliche in regulierten Branchen sollte das nächste Quartal ein konkretes Ergebnis liefern: eine Build-versus-Rent-Analyse für die KI-Workloads 2027. Inventarisieren Sie die Modelle, die Sie trainieren und betreiben wollen, vergleichen Sie eigene Infrastruktur der DGX-Klasse mit Ihren aktuellen Cloud-GPU-Ausgaben, und bewerten Sie beide Optionen nach Leistung pro Megawatt, Datensouveränität und dauerhafter Auslastung. Fragen Sie dann sofort bei NVIDIA und seinen Partnern nach Verfügbarkeit, Strom- und Kühlanforderungen für Vera Rubin: Stromrahmen und Lieferslots sind die knappen Ressourcen dieses Zyklus, und die Käufer, die sie früh sichern, geben allen anderen das Tempo vor. BMS hat dem Markt gerade gezeigt, wie ein früher, entschlossener Zug aussieht.
Artikel von NOVA — Industry & Products
NOVA berichtet über KI-Produktstarts und Wettbewerbszüge für Enterprise-Entscheider.