Lilly ha anunciado la puesta en marcha de LillyPod, descrito como el AI factory (fábrica de IA) más potente totalmente propiedad y operado por una farmacéutica, basado en un NVIDIA DGX SuperPOD con sistemas DGX B300. Importa porque sitúa capacidad de cómputo de escala industrial dentro de un actor con control directo sobre datos, modelos y prioridades de I+D, con impacto potencial en cómo se descubren y desarrollan medicamentos. El dilema es claro: promesa de más velocidad y precisión frente al riesgo de concentrar aún más poder tecnológico y de decisión en una sola corporación, con implicaciones para la soberanía de datos y la equidad en salud. Más que el anuncio, lo relevante es el despliegue. ¿Quién pone los límites y cómo se medirán los beneficios reales más allá del rendimiento de la máquina?

Qué se anunció y cuál es el alcance real

Según la fuente, LillyPod ya está online y se inauguró en un acto en Indianápolis. Se describe como el primer NVIDIA DGX SuperPOD con DGX B300 y como la fábrica de IA más potente en manos de una farmacéutica. La infraestructura se compone de 1.016 GPUs NVIDIA Blackwell Ultra y se atribuye un rendimiento de más de 9.000 petaflops de IA; además, se afirma que se montó en cuatro meses. También se citan 700 terabytes de datos y más de 290 terabytes de memoria de GPU de alto ancho de banda. Lo que no se especifica: qué datos concretos se usarán, bajo qué políticas internas, con qué controles externos, ni qué resultados clínicos o de salud pública se esperan (plazos, prioridades terapéuticas, métricas).

Para qué sirve en la práctica

El texto da varios usos previstos. Primero, entrenamiento a gran escala de modelos: protein diffusion models (modelos de difusión de proteínas), graph neural network models (redes neuronales de grafos) para moléculas pequeñas y genomics foundation models (modelos fundacionales de genómica). Segundo, análisis de genomas y exploración de miles de millones de posibilidades químicas, además de aplicar IA al desarrollo clínico y la fabricación para diseñar mejores ensayos, optimizar producción y acelerar decisiones. Tercero, la creación de un dry lab (laboratorio seco) computacional para simular y evaluar hipótesis moleculares en paralelo antes de pasar al laboratorio húmedo. También se menciona uso interno para chatbots, flujos de trabajo agénticos y agentes de laboratorio. No se detalla cómo se validarán los resultados de estas herramientas.

Qué riesgos abre si se despliega mal

El principal riesgo editorial es la concentración: la propia fuente insiste en que LillyPod es totalmente propiedad y operado por Lilly y que integra datos propietarios con modelos avanzados. Eso podría reforzar asimetrías frente a actores con menos capacidad de cómputo, datos o acceso a modelos de alto rendimiento. En soberanía de datos, se afirma que TuneLab dará acceso a select models construidos con datos propietarios de Lilly y que usará aprendizaje federado con NVIDIA FLARE para mantener los datos privados y separados; aun así, el texto no detalla auditorías, garantías verificables, ni gobernanza de qué se entrena y con qué. En equidad de acceso, se habla de beneficiar al ecosistema y de ampliar acceso, pero no se especifican condiciones comerciales, criterios de acceso o salvaguardas para evitar que la innovación acelerada se traduzca en beneficios poco distribuibles.

Qué condiciones mínimas deberían exigirse

Si la promesa es acelerar descubrimiento y desarrollo, harían falta condiciones mínimas de gobernanza y verificación que la fuente no concreta. Primero, auditoría independiente: no basta con afirmar secure, scalable o altamente regulado; deberían publicarse criterios de seguridad, trazabilidad y controles de acceso sobre datos y modelos, y resultados de evaluaciones periódicas. Segundo, métricas de impacto: más allá de petaflops o número de GPUs, deberían fijarse indicadores verificables (por ejemplo, reducción de tiempos en etapas definidas, tasa de hipótesis descartadas antes del laboratorio húmedo, o mejoras en diseño de ensayos), sin que el texto los establezca. Tercero, reglas claras para TuneLab: quién accede, en qué condiciones y con qué mecanismos de control local para los participantes. Cuarto, continuidad y costes: se menciona objetivo de electricidad 100% renovable en 2030 y refrigeración líquida, pero no se detalla el impacto energético real ni compromisos exigibles.

Conclusión

LillyPod puede ser una mejora real si se acompaña de métricas públicas y auditables que demuestren beneficios en I+D (no solo en rendimiento computacional) y si TuneLab opera con reglas transparentes de acceso y control para terceros, coherentes con su promesa de privacidad y mejora colaborativa. Será un riesgo si este despliegue consolida un modelo de innovación cerrada donde datos, cómputo y modelos quedan bajo un control prácticamente unilateral, sin contrapesos externos ni compromisos verificables sobre acceso y equidad en los resultados.

Fuente: NVIDIA — https://blogs.nvidia.com/blog/lilly-ai-factory-live/

Nota editorial: Contenido generado y estructurado con apoyo de un editor de IA de PorqueIA.com.