Superfábrica de IA da Eli Lilly reúne 1.016 GPUs e promete acelerar descoberta de medicamentos em escala global

A farmacêutica norte-americana Eli Lilly colocou em operação uma estrutura de computação acelerada considerada, segundo a empresa e a Nvidia, a fábrica de inteligência artificial mais poderosa já dedicada ao setor de saúde. O sistema centraliza 1.016 unidades de processamento gráfico (GPUs) Nvidia Blackwell Ultra agrupadas em um DGX SuperPOD, plataforma que ultrapassa nove quintilhões de cálculos matemáticos por segundo. Projetada para reduzir prazos na descoberta de novos fármacos, a instalação tem como meta avançar em genômica, medicina personalizada e design molecular com alcance industrial.

Arquitetura técnica construída para desempenho extremo

O coração da iniciativa é o conjunto de GPUs Blackwell Ultra, especializado em cargas de trabalho de IA. Esses processadores estão interligados por uma rede Ethernet Nvidia Spectrum-X, elemento que, segundo a fabricante de chips, garante alta largura de banda e baixa latência. Além do hardware, o ambiente executa um pacote de software otimizado para inteligência artificial. A combinação de computação acelerada, interconexão de alta velocidade e camadas de software cria uma plataforma descrita como segura e escalável — característica essencial em setores de saúde e ciências biológicas, tradicionalmente submetidos a rigorosos marcos regulatórios.

Capaz de resolver mais de nove quintilhões de problemas matemáticos por segundo, o SuperPOD oferece potência suficiente para processar conjuntos massivos de dados biomédicos, analisar sequências genéticas e simular interações moleculares complexas. Esse volume de operações, também expresso como um número com 18 zeros, estabelece uma base para treinos longos de modelos de IA sem comprometer prazos operacionais.

Efeitos esperados sobre pesquisa e desenvolvimento de fármacos

A Eli Lilly afirma que a nova infraestrutura permitirá encurtar ciclos de pesquisa que antes se estendiam por anos. A companhia projeta aplicar o sistema em diferentes etapas: identificação de alvos terapêuticos, triagem de candidatos a compostos, otimização de moléculas e avaliação preliminar de segurança. Ao transferir partes volumosas desses fluxos para algoritmos executados no SuperPOD, a empresa pretende acelerar descobertas e, potencialmente, reduzir custos associados a ensaios prolongados.

Diogo Rau, vice-presidente executivo e diretor de informação e digital da farmacêutica, sintetiza a estratégia: a união de ciência e tecnologia viabiliza a escala necessária para levar tratamentos a milhões de pessoas. A companhia destaca que, isoladamente, avanços científicos ou tecnológicos gerariam resultados limitados; juntos, podem multiplicar a capacidade de inovar em medicamentos.

Treinamento de modelos básicos e de fronteira

O projeto foca na criação de modelos biomédicos de base — redes neurais treinadas com grandes volumes de dados que servem de ponto de partida a aplicações específicas — e de modelos de fronteira, orientados a desafios recentes em biologia computacional. Ambos serão preparados em escala, aproveitando o poder de processamento do SuperPOD para analisar milhões de experimentos anteriores e compilar informações de pesquisas públicas.

Com essa abordagem, a farmacêutica espera gerar representações mais ricas de estruturas químicas, sequências de proteínas e variações genéticas. Tais representações tendem a aumentar a precisão na predição de propriedades moleculares, facilitando a identificação de candidatos a medicamentos que poderiam permanecer invisíveis a técnicas tradicionais.

Lilly TuneLab: compartilhamento de modelos com o setor

Parte dos modelos treinados será disponibilizada no Lilly TuneLab, plataforma de inteligência artificial e aprendizado de máquina aberta a empresas de biotecnologia. O mecanismo de colaboração permitirá que outras organizações acessem descobertas internas da Eli Lilly, executem ajustes específicos e retroalimentem o ecossistema. A farmacêutica argumenta que o intercâmbio amplia o leque de dados de treinamento e aprimora continuamente os algoritmos.

Thomas Fuchs, diretor de IA da companhia, explica que os novos modelos já fornecem aos químicos possibilidades antes inalcançáveis, como a descoberta de motivos estruturais e configurações atômicas ausentes de bancos de dados convencionais. Essa capacidade aumenta a diversidade de candidatos a fármacos, potencializando medicamentos mais personalizados e direcionados.

BioNeMo e a geração de anticorpos, nanocorpos e terapias genéticas

A Eli Lilly utiliza a plataforma Nvidia BioNeMo para treinar algoritmos que combinam aprendizado de experimentos anteriores com literatura científica aberta. O objetivo é gerar e testar novos anticorpos, nanocorpos e moléculas com velocidade e acurácia superiores às metodologias tradicionais. Dentro da mesma lógica, a farmacêutica planeja empregar recursos computacionais na criação de terapias genéticas voltadas a condições degenerativas, explorando variações de sequência e estratégia de entrega em escala computacional.

Ao alinhar dados experimentais proprietários a registros públicos, os modelos tornam-se capazes de sugerir modificações moleculares mais promissoras, ampliando a eficiência da triagem inicial. Essa etapa costuma consumir tempo e recursos consideráveis quando realizada exclusivamente por métodos de bancada.

Grandes modelos de linguagem aplicados a ensaios clínicos

A superfábrica viabiliza ainda grandes modelos de linguagem (LLMs) especializados em conteúdo biomédico. Esses modelos são empregados na redação de documentos regulatórios, protocolos de estudo e relatórios de eventos adversos, reduzindo a carga operacional de equipes clínicas. A automação de processos textuais pode, segundo a empresa, acelerar o início de ensaios, facilitar interações com autoridades sanitárias e aumentar a consistência de relatórios.

Nas pesquisas baseadas em imagem — pilar da medicina de precisão — redes neurais profundas treinadas no SuperPOD processam conjuntos de dados que antes exigiam meses de análise, completando o trabalho em questão de dias. Com isso, padrões sutis em biópsias digitais e exames de alta resolução tornam-se mais detectáveis, contribuindo para estratificação de pacientes e ajustes terapêuticos individualizados.

Gêmeos digitais e otimização de linhas de produção

Além do laboratório virtual, o sistema reforça a produção física de medicamentos por meio de gêmeos digitais das linhas de manufatura. Esses modelos virtuais simulam e aperfeiçoam etapas de fabricação e cadeias de suprimentos completas antes de qualquer intervenção no mundo real. A prática, detalhada pela Nvidia, aumenta segurança e qualidade de produtos, pois permite identificar gargalos ou riscos sem interromper operações em escala.

Ao antecipar cenários de demanda, logística de insumos e configurações de equipamento, a fábrica de IA ajuda a minimizar desperdícios e a manter padrões regulatórios, pontos críticos em ambientes farmacêuticos altamente fiscalizados.

Robótica, agentes de IA e operação ininterrupta

O plano da Eli Lilly inclui robôs para inspeção de qualidade e transporte de insumos, como medicamentos acabados e componentes de tratamento. Além disso, agentes de IA com capacidade de raciocínio, planejamento e ação atuam em laboratórios digitais e físicos. Esses agentes colaboram na geração de novas moléculas, projetam tratamentos in silico e conduzem testes in vitro.

Segundo Diogo Rau, uma das vantagens centrais é que esses sistemas operam 24 horas por dia, sete dias por semana, explorando hipóteses que poderiam ultrapassar o limite de tempo ou de foco das equipes humanas. Embora a automação expanda a escala experimental, a companhia enfatiza que o resultado final converte-se em aprendizado humano: as máquinas fornecem dados e caminhos, mas a decisão sobre quais moléculas prosseguir continua nas mãos de especialistas.

Combinando computação acelerada, modelos de IA de amplo espectro e integração estreita entre pesquisa e produção, a super­fábrica da Eli Lilly representa uma tentativa de transformar processos farmacêuticos tradicionais em fluxos sustentados por inteligência artificial de alto desempenho. A companhia aposta que, ao reduzir prazos e ampliar a precisão em cada etapa — do design molecular à manufatura —, conseguirá disponibilizar terapias inovadoras a um número maior de pacientes em menos tempo.