AI, 신약 개발 10배 가속: 제약사 슈퍼컴퓨터 혁명

AI가 신약 개발 파이프라인을 바꾸다

신약 하나가 환자에게 도달하기까지 평균 10년 이상, 수조 원의 비용이 들며 대부분의 후보 물질이 탈락합니다. 그러나 AI가 이 방정식을 근본적으로 바꾸고 있습니다. 2026년 7월, 제약 산업의 AI 도입이 '실험적 도입' 단계를 넘어 핵심 인프라로 자리잡는 전환점이 연이어 등장했습니다.

BMS의 "SuperDuperPOD": 모든 과학자에게 무제한 컴퓨팅

Bristol Myers Squibb(BMS)는 NVIDIA DGX Vera Rubin NVL72 시스템 8대로 구성된 두 번째 DGX SuperPOD를 구축한다고 발표했습니다. 내부에서는 이를 "SuperDuperPOD"라 부릅니다.

핵심 변화는 접근성입니다. BMS의 리서치 비즈니스 인사이트 부문 부사장 Erin Davis는 말합니다. "소규모 연구팀에게만 슈퍼컴퓨터 접근을 허용하던 방식에서 벗어나, 모든 과학자에게 개방합니다. 대기 없이, 한도 없이."

새 시스템은 기존 인프라 대비 메가와트당 최대 10배의 성능을 제공합니다. BMS는 이를 활용해 다음 목표를 추진 중입니다.

• AI 기반 타깃 식별: 수 주가 걸리던 수작업을 대폭 단축해 과학자가 핵심 판단에 집중
• CELMoD 화합물 라이브러리 확장: 암 유발 단백질을 선택적으로 분해하는 분자 설계 영역 확대
• 에이전트(Agentic) 워크플로: AI 에이전트가 프로그램 간 경계를 넘나들며 누적 학습, 전체 발견 루프를 강화

Davis는 "에이전트는 사일로(silo, 부서 간 장벽)를 신경 쓰지 않습니다. 프로그램 전반의 결정에서 학습하는 것이 게임 체인저"라고 강조합니다. 치료 발굴 과학 SVP Payal Sheth는 "AI는 인간의 직관을 대체하는 것이 아니라, 더 많은 정량적 인사이트로 증강한다"고 덧붙입니다.

AstraZeneca의 접근: "예측 우선(Predict First)"

MIT Technology Review에 따르면, AstraZeneca는 "빌드-측정-학습" 루프를 중심으로 AI를 신약 개발 전 단계에 내재화하고 있습니다. 연구 생물학 엔지니어링 SVP Puja Sapra는 "설계, 제조, 테스트, 분석 모든 것이 이제 컴퓨터로 강화되어 있다"고 설명합니다.

McKinsey 추정에 따르면, 생성형 AI(Generative AI, 생성 인공지능)와 기타 컴퓨팅 도구를 결합하면 신약 발굴 타임라인을 최대 50% 단축할 수 있습니다.

특히 주목할 개념은 드 노보(De Novo) 설계입니다. AI가 원하는 특성에 맞는 완전히 새로운 단백질 서열을 처음부터 생성하는 방식입니다. Sapra는 "'불치'로 여겨지던 타깃을 공략하는 것이 현실이 되고 있다"며 "완전 AI 생성 바이오로직(biologics, 생물의약품)이 임상 후보로 개발되는 시대는 시간문제"라고 밝혔습니다.

AstraZeneca가 케임브리지 매사추세츠에 구축 중인 **"미래의 실험실(Lab of the Future)"**은 AI와 로봇 자동화가 결합된 폐쇄 루프 발견 시스템입니다. 자율 주행차가 센서와 모델로 환경을 파악하듯, 이 시스템은 AI 예측 → 로봇 실험 → 데이터 피드백을 반복하며 매주 수천 건의 분자 상호작용을 평가할 수 있습니다.

인프라의 토대: 미국 내 AI 제조 본격화

이 같은 AI 혁신의 하드웨어 기반도 주목받습니다. NVIDIA와 Wistron은 텍사스 포트워스에 7억 달러 규모 첨단 제조 시설을 개소했습니다. 이 공장은 NVIDIA GB300 Grace Blackwell Ultra 슈퍼칩과 Vera Rubin 슈퍼칩을 월 수만 장 규모로 생산하며, 현재 500명 이상 고용에 연말까지 1,000명 확대를 계획합니다.

NVIDIA CEO 젠슨 황(Jensen Huang)은 "농업이 사회 기반 인프라인 것처럼, 미래에는 AI 팩토리(AI factory)가 사회의 핵심 인프라가 될 것"이라고 말했습니다. NVIDIA는 미국 내 최대 5,000억 달러 규모 AI 플랫폼 제조를 약속했으며, 이 공장은 그 약속이 현실화되는 첫 대형 거점입니다.

공장 설계 단계에서는 NVIDIA의 디지털 트윈(Digital Twin, 가상 복제본) 플랫폼을 활용해 건설 전 시뮬레이션으로 공정을 최적화했습니다. 이 방식은 BMS와 AstraZeneca가 신약 개발에 적용하는 "가상 검증 후 물리적 실험" 원리와 정확히 동일합니다.

교육·진로 분야 시사점

AI와 생명과학의 융합이 만드는 새로운 직업 지형

이 흐름은 학생과 연구자 지망생에게 구체적인 시그널을 줍니다.

1. 바이오·제약 + AI 융합 역량 수요 급증: 데이터 과학자, 자동화 전문가, AI 엔지니어가 제약사 R&D의 핵심 인력으로 부상합니다. Sapra는 "다중 모달 데이터 융합, 폐쇄 루프 최적화, 불확실성 정량화, 임상 의사결정 시점의 해석 가능성" 등을 핵심 공학 과제로 꼽았습니다.

2. AI 리터러시가 실험실 역량의 일부: 단순한 실험 기술을 넘어, AI 모델 결과를 해석하고 인간이 감독하는 능력이 과학자의 기본 소양으로 자리잡고 있습니다. "AI가 과학적 전문성을 대체하는 것이 아니라, 더 효과적으로 발휘하도록 돕는다"는 것이 현장의 공통 메시지입니다.

3. 오픈소스 생태계 참여 기회: Hugging Face의 BioNeMo Agent Toolkit 등 공개 도구가 늘어나면서, 대형 제약사가 아니어도 AI 기반 생물의약 연구를 시작할 수 있는 환경이 갖춰지고 있습니다.

학생 활용 팁

생명과학·화학·컴퓨터과학을 공부하는 학생이라면 AlphaFold(단백질 구조 예측 AI), RDKit(화학정보학 오픈소스 라이브러리), Hugging Face의 BioNLP 모델을 직접 탐색해 보세요. 실제 제약 R&D에서 사용되는 도구와 가장 가까운 오픈소스 환경으로, 포트폴리오 구성에도 직접 활용할 수 있습니다.