LillyPod 上线：制药行业最强 AI 超级计算机，10 年研发周期砍半
礼来（Eli Lilly）上周揭幕了 LillyPod——制药行业最强大的 AI 超级计算机。基于 NVIDIA DGX SuperPOD 架构，1,016 颗 Blackwell Ultra GPU，算力超过 9,000 petaflops。
这不是企业宣传。这个数字直接指向一个行业转折点。
算力差距有多大
| 场景 | 传统湿实验室 | LillyPod |
|---|---|---|
| 年测试分子假设 | ~2,000 个 | 数十亿个（并行模拟） |
| 典型研发周期 | 10 年 | 目标 5 年 |
| 单次实验成本 | 高（耗材、人力、场地） | 边际成本趋近于零 |
传统药物研发的问题是：物理实验的吞吐量有硬性天花板。湿实验室的速度取决于烧杯、培养皿和研究员的手。
LillyPod 改变的不是”更快地做实验”，而是”把实验搬到算力里做”。
三个核心应用场景
1. 基因组学加速
基因-疾病-药物靶点的关联分析，数据量极大但结构清晰。AI 可以在已知基因组数据中寻找被人类忽略的模式，快速锁定候选靶点。
2. 分子设计优化
从”先合成再测试”到”先模拟再合成”。LillyPod 可以并行评估数十亿种分子构型的活性和毒性，只把最有希望的候选推进到物理实验阶段。
3. 临床试验优化
患者招募、终点设计、亚组分析——这些环节的决策质量直接影响试验成败。AI 可以基于历史试验数据，预测最优试验设计参数。
为什么是现在
制药行业拥抱 AI 不是新闻。但 LillyPod 的特殊之处在于规模：
- 1,016 颗 Blackwell Ultra GPU：这是目前公开披露的、垂直行业最大的 AI 超算部署之一
- 礼来的定位：它不是一家 tech-native 公司，是传统制药巨头的技术押注
- 直接目标：把 10 年周期砍到 5 年
当传统巨头开始用超算重构核心流程，说明 AI 制药从”概念验证”进入了”产能竞赛”。
行业影响
对大型药企
礼来开了一个先例。诺华、辉瑞、罗氏跟不跟？如果跟，行业资本开支结构会发生变化——从”建实验室”转向”建算力集群”。
对 Biotech 初创
这是压力也是机会。巨头有算力，但初创有灵活性。AI 制药的核心竞争力不是 GPU 数量，是数据质量和算法设计。算力可以租，数据不能。
对 CRO 和 CDMO
合同研发组织的价值链条会重构。未来的 CRO 可能不是帮你做实验，是帮你跑模拟。
一句话总结
LillyPod 的意义不在 9,000 petaflops，而在一个信号：传统制药的核心流程，正在被算力重新定义。
**来源：**NVIDIA Blog 2026-05-22；Eli Lilly Press Release 2026