릴리·엔비디아 10억달러 공동 연구소 추진, AI가 신약 개발 운영체제를 바꾸는 순간

□ 이번 발표의 본질은 ‘AI 도입’이 아니라 ‘연구 운영체제 교체’


많은 제약사가 AI를 도입했다고 말하지만, 현실에선 연구팀 옆에 분석 도구 하나를 더 두는 정도로 끝나는 경우가 많음


논문을 요약해주거나 후보 물질을 몇 개 추천해주는 식의 “보조”로는 연구 전체가 빨라지지 않음


이번 릴리와 엔비디아의 공동 연구소는 출발점부터 다름


양사가 한 공간에 사람을 모으고 장기 투자로 인력과 인프라를 깔겠다는 건,


AI를 도구로 쓰는 게 아니라 연구가 돌아가는 기본 구조를 AI가 작동하기 좋은 형태로 바꾸겠다는 뜻임


제약 R&D는 데이터가 흩어져 있고 팀마다 실험 방식이 달라 “AI를 붙여도 성과가 여기저기 조각으로만 나오는” 문제가 생기기 쉬움


실험 노트, 장비 로그, 임상 기록, 논문 메모처럼 서로 다른 형식으로 쌓인 데이터를 그대로 두면 모델을 잘 만들어도 팀마다 결과가 달라지고,


결국 몇몇 파일럿만 잘 되는 국소 최적화로 끝나기 쉬움


공동 연구소는 이 문제를 기술로만 풀지 않고, 조직 구조와 표준을 먼저 맞추는 방식으로 접근함


같은 공간에서 같은 데이터 규격과 같은 파이프라인을 쓰게 만들어야 AI가 전사적으로 성과를 내기 때문임


결국 AI 성과의 절반은 모델 성능이 아니라 데이터가 한 덩어리로 모이고 같은 방식으로 기록되는지에서 결정되기 때문임


□ 신약 개발을 느리게 만드는 진짜 이유와 폐쇄루프의 역할


신약 개발이 오래 걸린다고 하면 대개 “계산이 어렵고 복잡해서”라고 생각하기 쉬움


하지만 현장에선 계산 자체보다 반복 루프가 느린 게 더 큰 문제인 경우가 많음


가설을 세우고 실험을 설계하고 결과를 기다린 다음, 애매한 결과를 가지고 다시 회의하고 다음 실험을 정하는 과정이 계속 반복됨


즉 시간이 새는 곳은 연산 장비가 아니라 사람의 의사결정 대기와 실험 실행 대기임


릴리와 엔비디아가 말하는 연속 학습 시스템은 이 지점을 건드림


AI가 컴퓨터 상에서 후보를 대량으로 탐색해 우선순위를 매기고, 자동화된 장비가 실제 실험을 돌려 결과를 만들고,


그 결과가 다시 모델을 업데이트해 다음 실험을 더 잘 설계하도록 만드는 구조임


이 루프가 끊기지 않고 계속 돌아가면 연구는 “회의 중심”에서 “시스템 중심”으로 이동하게 됨


사람이 밤에 쉬는 동안에도 실험 설계와 우선순위가 조정되고 다음 날 바로 실행될 후보가 준비되는 방향으로 가기 때문임


폐쇄루프가 제대로 돌아가면 연구자의 역할도 바뀜


후보를 처음부터 끝까지 손으로 따라가는 방식이 아니라,


AI가 만들어낸 후보와 실험 설계를 검토하고 방향을 조정하는 감독자에 가까워짐


여기서 중요한 건 한 번의 정답이 아니라 업데이트의 속도임


데이터가 들어오자마자 다음 실험이 설계되고 실행 대기열이 채워지는 구조가 되면, 연구는 “이벤트”가 아니라 “흐름”이 됨


□ 엔비디아가 노리는 건 GPU 판매보다 ‘표준 파이프라인’의 자리임


투자자 입장에서 엔비디아의 의미는 “제약사가 GPU를 더 산다”로만 해석하면 얕아짐


엔비디아가 진짜로 원하는 건 제약 R&D가 돌아가는 표준 워크플로우를 자기 플랫폼 위에 올리는 것임


BioNeMo는 그 목적에 맞게 포지셔닝된 도구임


단순히 모델을 제공하는 게 아니라 데이터가 모이는 곳, 모델이 돌고 평가되는 곳, 자동화 실험으로 넘어가는 접점,


결과가 다시 학습으로 되돌아오는 통로를 하나의 스택으로 묶는 역할을 노림


헬스케어·라이프사이언스는 한번 표준이 잡히면 바꾸기 어려운 산업임


따라서 플랫폼이 자리 잡는 순간, 단발성 프로젝트 수주보다 “표준 파이프라인이 유지되는 동안 계속 발생하는 수요”로 바뀔 수 있음


엔비디아가 강했던 방식은 늘 같음


하드웨어를 팔고 끝내는 게 아니라, 개발자가 계속 머물 수밖에 없는 소프트웨어와 워크플로우를 함께 깔아 표준을 만드는 방식임


헬스케어에서도 모델뿐 아니라 데이터 파이프라인, 자동화 장비 연동, 검증 프로세스까지 엮이기 때문에


교체 비용이 커지고, 표준이 잡히면 고객 이탈이 어려워지는 구조가 생길 수 있음


공동 연구소는 단순 협업 발표가 아니라 업계가 참고할 수 있는 레퍼런스 아키텍처를 만드는 작업임


□ 릴리가 얻으려는 것은 ‘대박 후보’보다 ‘생산성과 일정 안정성’


릴리 입장에서 AI의 가치는 멋진 후보를 하나 더 뽑아주는 데만 있지 않음


현실적으로 더 큰 가치는 개발 과정에서의 불확실성을 줄이고, 자원의 낭비를 줄이는 쪽에서 먼저 나타날 가능성이 큼


신약 개발은 성공 확률도 중요하지만 실패를 늦게 확정하는 순간 비용이 크게 늘어남


따라서 “안 되는 걸 빨리 접는 능력”이 자본 효율과 연결되는 경우가 많음


AI가 반복 루프를 빠르게 돌려주면, 성공 가능성이 낮은 길을 더 이른 단계에서 걸러내고 유망한 후보에 자원을 집중하는 구조로 바뀔 수 있음


이런 변화는 보통 신약 출시로 한 번에 보이기보다, 포트폴리오 운영 지표에서 먼저 드러나는 경우가 많음


유망한 후보에 더 빨리 자원이 몰리고, 가능성이 낮은 후보는 더 이른 단계에서 정리되면서 R&D 비용의 효율이 좋아지는 방식임


또 의미 있는 확장은 임상과 제조에서 나올 수 있음


임상은 환자 모집과 사이트 운영 같은 비연산 병목이 많고, 제조는 품질과 수율이 핵심이라 AI가 들어갈 여지가 넓음


따라서 후보 발굴만이 아니라 임상·제조로 확장되는지 여부가 장기 투자 포인트가 될 수 있음


다만 이 그림이 실현되려면 기술만으로는 부족함


데이터 기록이 표준화돼야 하고, 팀 간 프로토콜 차이가 줄어야 하며, 자동화 장비가 돌아가도 QC와 밸리데이션이 따라와야 함


규제 환경에서는 결과를 “설명 가능한 근거”로 남기는 과정도 병목이 될 수 있음


결국 성패는 모델 성능보다 현장 확산 속도와 운영 품질에서 갈릴 가능성이 큼


즉 모델이 얼마나 똑똑한가보다 데이터가 얼마나 깨끗하게 모이고 표준화돼 현장에 퍼지는가가 더 중요해질 수 있음


□ 마무리하며


릴리-엔비디아 공동 연구소는 제약 R&D가 사람 중심의 발견에서 시스템 중심의 생산으로 이동하는 변곡점을 보여주는 사례에 가까움


엔비디아는 헬스케어에서도 플랫폼 표준을 잡아 스택을 락인하려는 방향이고,


릴리는 파이프라인 생산성과 일정 불확실성을 줄여 장기 경쟁력을 높이려는 베팅임


이 발표가 단기 호재로 끝날지, 산업 표준의 시작이 될지는 앞으로 폐쇄루프가 실제로 얼마나 넓게 현장에 퍼지는지에서 결정될 가능성이 큼


장기적으로는 이런 구조가 한두 기업 사례를 넘어 업계 전반의 운영 표준으로 확산될 수 있음