NVIDIA와 릴리, 10억 달러 걸고 ‘AI 신약 공장’ 짓는 진짜 이유
제약사와 IT기업이 협업한다는 뉴스는 이제 낯설지 않습니다. 하지만 이번에는 숫자와 스케일이 다릅니다.
그래픽카드 회사로 유명한 NVIDIA와 글로벌 제약사 Eli Lilly가 최대 10억 달러를 투입해 AI 공동 연구소를 세우겠다고 발표했습니다1.
단순히 “AI로 신약을 빨리 찾겠습니다” 수준이 아니라, 물리적 실험실과 AI 컴퓨팅을 24시간 연결해 마치 거대한 ‘AI 신약 공장’을 만들겠다는 계획에 가깝습니다.
이 글에서는
이 연구소가 무엇을 하려는지, 어떤 기술이 들어가는지, 제약·헬스케어 업계와 투자자, 개발자에게 어떤 의미가 있는지 쉽고 재미있게 풀어보겠습니다.
NVIDIA × 릴리, 왜 10억 달러짜리 AI 공동 연구소를 만들까?
우선 규모부터 짚고 가야 합니다.
두 회사는 앞으로 5년 동안 최대 10억 달러를 인재, 인프라, 컴퓨팅에 투자하겠다고 밝혔습니다1.
여기서 중요한 포인트는 세 가지입니다.
첫째, 제약 개발의 ‘고질병’을 정면 돌파하겠다는 선언입니다.
신약 하나가 시장에 나오기까지 평균 10년, 비용은 수조 원이 드는데도 성공 확률은 한 자리 수에 그칩니다. 후보 물질 수백, 수천 개를 만들어 놓고 대부분을 임상 단계에서 잃는 구조입니다.
둘째, NVIDIA는 ‘AI 슈퍼컴퓨터·플랫폼’ 제공, 릴리는 ‘제약 R&D 전문성’을 제공합니다.
한쪽은 계산 능력과 AI 모델, 다른 쪽은 실험실·파이프라인·임상 경험을 가진 셈입니다. 이걸 한 연구소 안에서 통합해 신약 개발 전체를 디지털·AI화하려는 것입니다.
셋째, 단발성 프로젝트가 아니라 ‘공동 혁신 연구소’라는 점입니다.
특정 질환 하나를 노리는 게 아니라, 향후 수많은 질환과 파이프라인에 재사용 가능한 AI·로봇·디지털 인프라를 구축하는 장기전입니다.
즉, 목표는 “약 하나 잘 만드는 것”이 아니라 “약을 잘 만들 수 있는 AI 공장 시스템” 자체를 만드는 쪽에 가깝습니다.
BioNeMo와 Vera Rubin, AI가 신약을 찾는 실제 방식
그렇다면 이 연구소에서 AI는 구체적으로 무엇을 할까요?
핵심 키워드는 NVIDIA의 BioNeMo 플랫폼과 Vera Rubin 아키텍처입니다.
BioNeMo는 쉽게 말해 “생물·화학 전용 AI 작업장”입니다.
단백질 구조, 화합물, 유전자, 세포 데이터 같은 생명과학 데이터를 이해하고 학습하도록 설계된 AI 플랫폼입니다.
이 플랫폼 위에서 연구소는 다음과 같은 작업을 하게 됩니다.
새로운 분자 구조를 ‘상상’하고 생성
이 분자가 우리 몸 속에서 어떻게 작용할지 예측
독성, 안정성, 약효 등을 사전에 시뮬레이션
수천, 수만 개 조합 중 유망한 후보를 빠르게 좁히기
기존에는 과학자가 머리와 손으로 하나씩 만들고 시험했다면, 이제는 AI가 먼저 가상 실험을 돌려 유망 후보를 ‘선별’해 주는 구조입니다.
여기에 NVIDIA의 새로운 Vera Rubin 컴퓨팅 아키텍처가 뒷받침됩니다.
AI 모델은 점점 커지고, 파라미터는 기하급수적으로 늘어납니다. 이런 모델을 돌리려면 GPU와 고대역폭 네트워크, 대규모 메모리, 스토리지가 필수인데, Vera Rubin은 이런 ‘AI 슈퍼컴퓨팅’ 환경을 최적화해줍니다.
결국 이 조합으로 연구소가 노리는 건 딱 두 가지입니다.
첫째, 신약 후보를 찾는 속도.
둘째, “이 후보가 진짜 사람에게서도 먹힐 확률”을 조금이라도 더 올리는 것.
실험을 줄이겠다는 게 아니라, 더 똑똑하게, 더 정확하게 실험할 후보를 고르겠다는 전략입니다.
24/7로 일하는 AI 실험실: 물리·디지털 연구의 완전한 연결
이번 협업의 가장 흥미로운 부분은 ‘연속 학습 시스템’이라는 표현입니다.
NVIDIA와 릴리는 물리적 실험실(진짜 실험 장비가 있는 공간)과 컴퓨팅 실험실(시뮬레이션과 AI가 돌아가는 서버)을 연결해, 24시간 끊임없이 실험하고 학습하는 구조를 만들겠다고 밝혔습니다.
이걸 조금 더 현실적으로 그려보면 이런 그림입니다.
낮에는 로봇과 연구원이 실제 실험실에서 분자를 합성하고, 세포·동물 모델에 시험합니다.
그 결과 데이터는 실시간으로 AI 시스템으로 들어갑니다.
밤에는 이 데이터를 바탕으로 AI가 새로운 분자 구조를 설계하거나, 기존 후보를 최적화합니다.
다음 날 아침, AI가 제안한 후보가 다시 실험실 로봇으로 전송되고, 실제 실험이 진행됩니다.
이 사이클이 24/7로 반복되면 어떤 일이 벌어질까요?
AI 모델은 실험 결과를 계속 학습하며 말 그대로 “경험 많은 연구원”처럼 진화
시간이 지날수록 약효·독성 예측 정확도 상승
실패 데이터를 포함한 방대한 경험이 모델 안에 축적
실험 설계 자체도 점점 최적화
이런 구조 덕분에 이 연구소는 단순한 AI 서비스가 아니라, 스스로 배우며 고도화되는 거대한 ‘자기 강화형 신약 생산 시스템’을 지향하게 됩니다.
AI가 바꾸는 건 신약만이 아니다: 임상, 제조, 공급망까지
이번 연구소의 목표는 신약 후보 발굴에만 머물지 않습니다.
합성, 전임상, 임상을 거쳐, 실제 생산과 공급에 이르는 전 과정을 AI로 최적화하는 것을 장기 목표로 잡고 있습니다.
먼저 임상 개발 단계에서 AI의 역할이 커집니다.
어떤 환자군이 이 약에 더 잘 반응할지, 부작용 위험이 높은 사람은 누구인지, 어떤 조합·용량이 더 나을지 예측하는 데 AI를 활용할 수 있습니다.
이렇게 하면 임상 설계가 더 똑똑해지고, 실패 확률을 줄이면서도 필요한 환자 수나 기간을 줄일 가능성이 생깁니다.
다음은 제조와 상업 운영입니다.
NVIDIA는 Omniverse 플랫폼과 RTX 기반 서버를 활용해 공장과 생산 라인의 ‘디지털 트윈’을 만들 계획입니다.
디지털 트윈은 쉽게 말해 “현실 공장을 그대로 복제한 가상 공장”입니다.
이 가상 공장에서 공정 변경을 시험해보며, 병목 구간을 찾고, 설비 배치나 작업 순서를 조정해보며 생산성을 예측할 수 있습니다.
그 결과 다음과 같은 효과를 기대할 수 있습니다.
새로운 설비 도입 전, 가상 환경에서 미리 테스트
생산량 변화에 따라 최적의 라인 구성 시뮬레이션
공급망 차질(원료 부족, 물류 지연) 시 대응 시나리오 사전 검증
전통적으로 제약은 규제가 강해서 공정 변경이 매우 보수적입니다.
하지만 디지털 트윈과 AI를 결합하면, 규제 범위 안에서 최적의 공정과 공급망 전략을 찾는 속도가 빨라질 수 있습니다.
스타트업·연구자에게 열린 AI 제약 인프라의 의미
흥미로운 부분 하나 더.
이 연구소는 NVIDIA와 릴리만의 폐쇄적인 공간이 아닙니다.
양사는 각자의 스타트업 생태계와 외부 연구자에게도 컴퓨팅 리소스와 전문성을 제공하겠다고 밝혔습니다.
이건 다음과 같은 의미를 가집니다.
첫째, 초대형 제약·AI 인프라의 ‘공유 시대’가 올 수 있습니다.
예전에는 대형 제약사만 접근할 수 있었던 컴퓨팅과 데이터, 워크플로우를, 스타트업이나 학계도 활용할 수 있다면 혁신 속도는 더 빨라질 수밖에 없습니다.
둘째, AI·바이오 스타트업에 새로운 기회가 열립니다.
신규 타깃 발견, 특화된 예측 모델, AI 기반 실험 자동화 솔루션 등, 이 거대한 인프라 위에서 돌아가는 ‘모듈형 서비스’들이 등장할 가능성이 큽니다.
셋째, 인재 시장의 지형도 변할 수 있습니다.
바이오를 아는 AI 엔지니어, AI를 이해하는 제약 개발자, 자동화·로보틱스 전문가의 수요가 폭발적으로 늘어날 가능성이 있습니다.
결국 이 연구소는 한 기업의 내부 프로젝트를 넘어서, “AI 제약 R&D 플랫폼”의 역할까지 노리고 있다고 볼 수 있습니다.
정리와 시사점: 지금 우리에게 중요한 질문들
이번 NVIDIA–릴리 AI 연구소 출범은 몇 가지 중요한 흐름을 분명히 보여줍니다.
첫째, 신약 개발은 더 이상 “제약사의 일”만이 아닙니다.
AI 칩, 클라우드, 시뮬레이션, 로봇, 디지털 트윈 등 IT 전 분야가 깊게 얽히는 초융합 산업으로 빠르게 변하고 있습니다.
둘째, 속도와 비용만이 아니라 “성공 확률” 자체를 높이려는 시도가 본격화되고 있습니다.
AI는 단순 자동화 도구가 아니라, 실패 데이터를 포함해 방대한 실험 결과를 학습하며 점점 더 똑똑해지는 연구 파트너가 되고 있습니다.
셋째, 개방형 생태계의 힘이 더 중요해집니다.
대형 기업이 구축한 AI·컴퓨팅·데이터 인프라를 스타트업과 연구자가 함께 활용하는 구조가 자리 잡으면, 혁신의 방향은 예측하기 더 어려워지지만, 속도는 지금보다 훨씬 빨라질 가능성이 큽니다.
개인적으로 이 흐름에서 가장 중요한 질문은 이것이라고 봅니다.
“앞으로 5~10년 안에, AI와 함께 일할 수 있는 제약·바이오 인재,
그리고 제약의 언어를 이해하는 AI 엔지니어를 얼마나 빨리 키울 수 있을까?”
제약·헬스케어 업계에 있다면, 지금 할 수 있는 현실적인 준비는 다음과 같습니다.
실험·개발 과정에서 생성되는 데이터를 어떻게 표준화·구조화할지 고민해 보기
AI 모델을 ‘도입’할지 고민하기 전에, 우리 조직의 실험·개발 프로세스를 얼마나 디지털화할 수 있을지 점검하기
IT·데이터 팀과 제약 R&D 팀이 함께 이야기하는 시간을 늘려, 공통 언어를 만드는 것부터 시작하기
분명한 건, AI가 신약 개발의 부속품이 아니라, “처음부터 같이 설계되는 핵심 요소”가 되고 있다는 점입니다.
NVIDIA와 릴리의 10억 달러짜리 AI 연구소는 그 전환점의 상징적인 사례가 될 가능성이 큽니다.
참고
1Nvidia, Eli Lilly to spend $1 billion over five years on joint research lab | Reuters](https://www.reuters.com/business/healthcare-pharmaceuticals/nvidia-eli-lilly-spend-1-billion-over-five-years-joint-research-lab-2026-01-12/)