Bristol Myers Squibb achète un système IA Nvidia pour la découverte de médicaments

Bristol Myers Squibb construit l'usine d'IA la plus avancée du secteur des sciences de la vie sur NVIDIA Vera Rubin

Erin Davis appelle ça la "SuperDuperPOD". Bristol Myers Squibb (BMS), qui exploite déjà l'un des plus grands clusters d'IA du secteur pharmaceutique, a annoncé le déploiement de son second NVIDIA DGX SuperPOD, cette fois construit autour de huit systèmes DGX Vera Rubin NVL72. Combinant processeurs NVIDIA Vera et GPU Rubin, cette infrastructure est présentée comme le cluster d'IA le plus puissant et le plus économe en énergie du secteur des sciences de la vie, avec des performances jusqu'à 10 fois supérieures par mégawatt par rapport à l'infrastructure qu'elle remplace. Erin Davis, vice-présidente en charge de la recherche business et de la technologie chez BMS, explique que l'accès ne sera plus réservé à un petit groupe de chercheurs mais ouvert à l'ensemble des scientifiques de l'entreprise. La plateforme unifiée intégrera notamment le NVIDIA BioNeMo Agent Toolkit pour l'IA biologique, permettant prédictions, entraînement de modèles et flux de travail agentiques sur l'ensemble du pipeline de découverte de médicaments. Cette montée en puissance vise à transformer concrètement la recherche pharmaceutique. Selon Payal Sheth, nommée en janvier vice-présidente senior des sciences de découverte thérapeutique chez BMS après une carrière entière en laboratoire, l'objectif est de passer d'un discours abstrait sur les capacités de l'IA à un impact mesurable. BMS exploite déjà un DGX SuperPOD depuis environ trois ans, avec des résultats concrets : l'identification de cibles thérapeutiques assistée par IA fait gagner des semaines de travail manuel aux chercheurs, qui peuvent se concentrer sur les décisions scientifiques à plus forte valeur ajoutée. L'entreprise a notamment utilisé l'IA pour étoffer sa bibliothèque de composés CELMoD, des molécules conçues pour dégrader sélectivement les protéines responsables de cancers, avec des applications contre les cancers du sang et au-delà, ouvrant la voie à de nouvelles cibles thérapeutiques. Sheth évoque aussi une méthodologie baptisée "Predict First", qui utilise des prédictions computationnelles pour prioriser la synthèse des molécules les plus prometteuses et écarter en amont celles qui ne répondraient pas aux critères recherchés, économisant ainsi des expériences de laboratoire coûteuses. Cette dépendance croissante à l'IA a fait exploser les besoins en calcul de l'organisation de recherche. "Nous sommes saturés", résume Davis, évoquant des prédictions à grande échelle sur de grosses molécules et l'entraînement de modèles fondationnels maison, très gourmands en GPU. D'où l'arrivée de ce nouveau système, présenté en interne comme la promesse d'un "calcul sans limites" pour les chercheurs. Davis, chimiste computationnelle de formation, a passé une quinzaine d'années côté éditeurs technologiques, chez ChemAxon, Schrödinger puis X-Chem, avant de rejoindre BMS convaincue que le vrai goulot d'étranglement de l'industrie pharmaceutique n'était pas la technologie elle-même, mais sa mise à disposition effective des scientifiques et la capacité à en tirer des enseignements. Cette conviction, dit-elle, est aussi nourrie par une expérience personnelle : son père est mort il y a cinq ans d'une maladie que la recherche pharmaceutique n'est pas encore parvenue à vaincre.

De la simulation des matériaux à l'astronomie : NVIDIA lance un logiciel d'IA pour la découverte scientifique

Lors de la conférence ISC qui se tient cette semaine à Hambourg, NVIDIA a annoncé plusieurs nouvelles bibliothèques logicielles destinées à accélérer la recherche scientifique grâce à l'IA et au calcul GPU. Parmi elles : la bibliothèque DAQIRI (Data Acquisition for Integrated Real-time Instruments), les microservices ALCHEMI NIM, et le code de référence cuPhoton, bientôt disponible. Ces outils font partie de l'écosystème CUDA-X de NVIDIA. Les gains de performance sont spectaculaires : cuPhoton, testé sur des systèmes GB200 NVL72, accélère le chargement et l'analyse des images astronomiques au format FITS par un facteur 14 900 pour les données du Rubin Observatory, et offre un traitement du signal jusqu'à 8 400 fois plus rapide avec 32 superchips Grace Blackwell. DAQIRI, de son côté, a été utilisé dans le cadre du projet A-GHOST, développé par le CERN, l'Université de Chicago et l'University College London, pour analyser en temps réel les données de collisions de l'expérience ATLAS, données qui étaient auparavant rejetées à plus de 99 % faute de capacité de stockage. ALCHEMI, quant à lui, propose déjà deux microservices pour la simulation moléculaire (relaxation de géométrie et dynamique moléculaire par lots), avec un support du logiciel VASP prévu prochainement. Ces outils changent fondamentalement l'échelle à laquelle la science peut opérer. Le Rubin Observatory et son instrument LSST, la plus grande caméra numérique jamais construite, génèrent des pétaoctets de données sur des milliards de galaxies et d'objets faiblement lumineux. Transformer ces flux massifs en résultats analysables en temps quasi réel ouvre des possibilités inédites pour la recherche sur la matière noire et l'énergie sombre. De même, A-GHOST permettra au CERN de récupérer des signaux potentiellement cruciaux qui disparaissaient jusqu'ici dans les filtres de sélection. Pour la chimie computationnelle, ALCHEMI permet de simuler des millions de molécules simultanément, ce qui accélère la découverte de nouveaux matériaux pour les batteries, les catalyseurs, les écrans OLED ou encore les formulations cosmétiques. Ces annonces s'inscrivent dans une tendance de fond : depuis plusieurs années, le calcul GPU migre des centres de données commerciaux vers les laboratoires scientifiques, portés par des projets comme AlphaFold ou les grands modèles de fondation pour la physique. NVIDIA positionne CUDA-X comme l'infrastructure transversale de cette transformation, en couvrant aussi bien l'astrophysique que la chimie ou la physique des particules. Les partenariats avec Princeton, Harvard et le CERN donnent une légitimité institutionnelle forte à ces outils. La prochaine intégration de VASP dans ALCHEMI, logiciel de référence mondial pour les simulations de matériaux ab initio, est particulièrement significative : elle signale que NVIDIA vise désormais le cœur des workflows scientifiques établis, et pas seulement leurs marges computationnelles.

💬 99 % des données de collision de l'expérience ATLAS au CERN finissaient à la poubelle faute de capacité de traitement en temps réel. DAQIRI change ça, et c'est la stat la plus vertigineuse dans un article qui en compte pourtant beaucoup. L'intégration de VASP dans ALCHEMI dit le reste : NVIDIA ne vend plus des GPUs aux labos scientifiques, il en devient le système nerveux.

Wistron ouvre à Fort Worth une usine de fabrication avancée pour produire des systèmes IA NVIDIA

Wistron a inauguré aujourd'hui à Fort Worth, au Texas, sa première usine de fabrication aux États-Unis, un site neuf de 324 000 pieds carrés dédié à la production de superpuces destinées aux systèmes d'intelligence artificielle les plus avancés. Jensen Huang, fondateur et PDG de NVIDIA, s'est exprimé lors de la cérémonie d'ouverture aux côtés de Simon Lin, président de Wistron, devant des dirigeants de l'entreprise, des responsables du gouvernement taïwanais et des élus locaux de Fort Worth. L'usine, baptisée D1, exploite actuellement deux cellules de fabrication : l'une produit la superpuce NVIDIA GB300 Grace Blackwell Ultra, l'autre est destinée à la future superpuce NVIDIA Vera Rubin. Le site doit monter en cadence cette année pour atteindre plusieurs dizaines de milliers de cartes produites chaque mois. Ce projet représente un investissement de 700 millions de dollars et a déjà créé plus de 500 emplois au Texas, avec un objectif de 1 000 postes d'ici la fin de l'année. La cérémonie a également marqué la présentation de la toute première superpuce GB300 Grace Blackwell Ultra assemblée sur place, que Jensen Huang a signée de sa main. Cette implantation illustre la volonté de NVIDIA de rapatrier une partie de sa chaîne de production sur le sol américain, l'entreprise s'étant engagée à fabriquer jusqu'à 500 milliards de dollars de plateformes d'IA avancées aux États-Unis. Au-delà des chiffres, Jensen Huang insiste sur la diversité des emplois créés : plomberie, construction, électricité, autant de métiers mobilisés par la construction de ces "usines à IA". Pour NVIDIA, la fabrication devient un pilier stratégique au même titre que la conception des puces elles-mêmes, puisque produire à grande échelle des systèmes aussi complexes, un serveur GB300 comprend environ 1,5 million de pièces, pèse deux tonnes et coûte 4 millions de dollars, exige une base industrielle domestique capable de suivre le rythme d'évolution de la technologie. Simon Lin a de son côté salué une vision qui dépasse le seul secteur industriel pour toucher les communautés locales et le pays dans son ensemble. Point notable, Wistron a conçu et entièrement simulé l'usine avant même le début de la construction, grâce à un jumeau numérique bâti sur la plateforme ouverte de NVIDIA, intégrant les modèles Nemotron et Cosmos, les bibliothèques Omniverse et Metropolis, ainsi que le framework PhysicsNeMo. Cette approche a permis aux ingénieurs de valider virtuellement l'agencement des lignes d'assemblage, d'optimiser les processus de production et de former les employés aux procédures standard avant la mise en service réelle du site. Pour Jensen Huang, ces usines constituent une infrastructure aussi fondamentale pour l'avenir que le furent les routes, l'électricité ou les chemins de fer, un réseau où l'électricité entre d'un côté et les "tokens" d'intelligence artificielle sortent de l'autre. Le dirigeant a par ailleurs accordé des entretiens à Axios et au Dallas Morning News, ce dernier ayant également couvert l'inauguration d'un site concurrent de Coherent le même jour, signe de l'accélération générale des investissements dans la fabrication de matériel d'IA aux États-Unis.

Meta Iris : la puce IA de Meta pour rivaliser avec Nvidia

Meta a dévoilé Iris, une nouvelle puce d'intelligence artificielle destinée à équiper ses centres de données, avec une production industrielle prévue dès septembre 2026. Ce composant constitue la quatrième génération du programme Meta Training and Inference Accelerator (MTIA), lancé par le groupe de Mark Zuckerberg pour développer sa propre famille de processeurs spécialisés. Iris repose sur une architecture en chiplets, qui assemble plusieurs blocs spécialisés au sein d'un même circuit plutôt qu'un design monolithique classique, ce qui facilite les évolutions futures de l'architecture. Sa conception associe plusieurs poids lourds des semi-conducteurs : Broadcom pour l'architecture, TSMC pour la gravure des circuits, et Samsung pour les technologies mémoire. La puce cible en priorité les charges de travail internes de Meta, à savoir les systèmes de recommandation, la personnalisation des contenus diffusés sur Facebook, Instagram et WhatsApp, ainsi que l'exécution des modèles d'IA générative. L'enjeu dépasse la seule performance technique. En développant son propre silicium, Meta cherche avant tout à réduire sa dépendance aux GPU de Nvidia, dont les coûts d'achat restent très élevés et dont la disponibilité reste contrainte par une demande mondiale qui dépasse largement l'offre. Une puce taillée sur mesure permet à Meta d'optimiser spécifiquement les tâches d'inférence, c'est-à-dire l'exécution de modèles déjà entraînés, une phase qui consomme une part croissante des ressources de calcul à mesure que les services d'IA générative se déploient à grande échelle sur les applications du groupe. Pour les utilisateurs de Facebook, Instagram et WhatsApp, cela devrait se traduire à terme par des fonctionnalités d'IA plus rapides et moins coûteuses à exploiter, sans dégradation de la qualité de service liée à des pénuries de composants sur le marché mondial. Cette stratégie s'inscrit dans un mouvement plus large de l'industrie technologique vers l'intégration verticale du matériel et des modèles d'intelligence artificielle. Google a déjà emprunté cette voie avec ses puces TPU, développées en interne pour ses propres besoins de calcul, et Meta se rapproche désormais de cette logique. Longtemps entièrement dépendant des GPU Nvidia pour entraîner et faire tourner ses grands modèles de langage et ses systèmes de recommandation, le groupe formalise avec Iris un virage engagé depuis plusieurs générations de son programme MTIA. En se donnant les moyens de maîtriser à la fois les modèles et les composants qui les font fonctionner, Meta cherche à sécuriser sa capacité de calcul face à une demande mondiale de puces IA qui continue de dépasser l'offre, à l'heure où la course à l'infrastructure oppose les géants technologiques autant sur le terrain du matériel que sur celui des algorithmes.