結論: Eli LillyがNVIDIA Blackwell Ultra GPU 1,016基・9,000ペタフロップスのAIスパコン「LillyPod」を2026年2月に稼働させ、製薬業界最強のAI創薬基盤を自社運用する時代が始まった。
この記事の要点:
- 要点1: LillyPodは製薬企業が単独で保有・運営するAIファクトリーとして世界最大。年間2,000分子の検証から数十億分子の並列シミュレーションへ
- 要点2: NVIDIA DGX B300 SuperPOD構成で9,000ペタフロップス超。旧来のCrayスパコン700万台分に相当する計算能力を1ラックに集約
- 要点3: NVIDIA+Lillyの$10億コイノベーションラボ（サンフランシスコ）と2026年2月のInsilico Medicine $27.5億ディールが同時進行し、AI創薬の産業化が加速
対象読者: ヘルスケア・製薬業界に関わる経営者・投資家、自社にAIスパコン導入を検討中のDX担当者
読了後にできること: LillyPodの構成とAI創薬の産業化の文脈を理解し、自社のAIインフラ投資方針の参考にできる
「新薬1本を世に出すのに、なぜ10〜15年もかかるんだろう」
企業研修でヘルスケア系クライアントと話すたびに、この問いが浮かびます。候補分子の探索、動物実験、臨床試験——それぞれに膨大な時間とコストがかかり、世界中の患者が「間に合わなかった」薬を待ち続けています。
2026年2月27日、Eli Lillyがその「時間の壁」に正面から挑む宣言をしました。製薬業界で最も強力なAIスパコン「LillyPod」の稼働開始です。NVIDIA Blackwell Ultra GPU 1,016基、9,000ペタフロップス超の計算能力。インディアナポリスのキャンパスに設置されたこのシステムは、創薬のゲームルールを変えようとしています。
この記事では、LillyPodの技術仕様・稼働状況から、AI創薬が製薬業界にもたらす変化、そして日本のヘルスケア企業や投資家が知っておくべき文脈まで、実務視点で解説します。
LillyPodとは何か — スペックと構成の全体像
世界初・製薬企業単独のAIファクトリー
LillyPodの正式名称は「NVIDIA DGX SuperPOD with DGX B300 systems」。Lilly単独で所有・運用するAIファクトリーとしては世界最大規模です。
| 項目 | 仕様 |
|---|---|
| GPU | NVIDIA Blackwell Ultra GPU 1,016基（DGX B300） |
| 演算性能 | 9,000ペタフロップス超（AI推論・訓練） |
| 比較 | 旧来のCrayスパコン700万台分に相当 |
| 設置場所 | Lilly インディアナポリスキャンパス |
| 組み立て期間 | わずか4ヶ月（2025年秋〜2026年2月） |
| 発表時期 | 2025年11月（NVIDIAのGTC Washington DC） |
| 稼働開始 | 2026年2月（本番スケール） |
「4ヶ月で組み立てた」という事実が、現在のAIインフラの展開速度を端的に示しています。従来型のデータセンター構築であれば、設計から稼働まで数年を要することも珍しくありません。
なぜ「9,000ペタフロップス」がすごいのか
数字だけ聞いても実感が湧きにくいと思うので、比較してみましょう。
- 人類が最初に「スパコン世界最速」と呼ばれたCray X-MP（1982年）の演算速度: 0.0000008ペタフロップス
- LillyPodの演算速度: 9,000ペタフロップス超
- 差: 約110億倍
具体的な創薬業務で言うと、研究チームが1年かけて行う分子設計・スクリーニング（約2,000候補分子）を、LillyPodでは数十億の分子を並列でシミュレーションできます。「試してみる」のコストが桁違いに下がるのです。
AI創薬で何が変わるのか — 従来と比較した変化
「ウェットラボ」から「ドライラボ」へ
伝統的な薬の探索プロセスは「ウェットラボ（実験室）」中心でした。候補となる化合物を物理的に合成し、細胞実験・動物実験で効果を確認する——これを何千回も繰り返すのが創薬です。
LillyPodが実現しようとしているのは「大規模計算ドライラボ」への移行です。実際に薬を作って試す前に、コンピューター上で数十億の仮説を検証し、「有望な候補」だけを実験室に持ち込む。これにより物理実験の回数を劇的に減らし、成功確率と速度を高めることが目標です。
| 工程 | 従来（ウェットラボ中心） | AI創薬（ドライラボ+ウェットラボ） |
|---|---|---|
| 候補分子の探索 | 年間数百〜数千分子を物理合成 | 数十億の仮説をコンピューターで並列評価 |
| ターゲット解析 | 手動・一部自動化 | ゲノム・プロテオーム全体をAIが解析 |
| 臨床試験設計 | 経験則・統計 | AIが患者層・投与量・エンドポイントを最適化 |
| 製造最適化 | 試行錯誤 | AIが収率・品質を予測して条件を最適化 |
LillyPodの具体的な稼働ワークロード
稼働中のワークロードとして、Lillyは以下を公表しています（2026年2月稼働開始時点）。
- ゲノム解析: 疾患に関わる遺伝子・バリアントの大規模解析
- 分子設計: 標的タンパク質に結合する化合物の構造予測・最適化
- 単細胞生物学: 細胞レベルの応答メカニズムを解明するシングルセル解析
- イメージング: 病理画像・医療画像のAI解析
- 製造最適化: 生産工程の効率化・品質管理AI
LillyのAI戦略の全体像
NVIDIA+Lillyの$10億コイノベーションラボ
LillyPodは単独のプロジェクトではなく、より大きな戦略の一部です。2026年1月のJ.P. Morgan Healthcare Conferenceで、LillyとNVIDIAは5年計画で$10億（約1500億円）のAIコイノベーションラボをサンフランシスコに設立すると発表しました。
このラボの目的は、創薬だけでなく「製薬産業全体のAI変革を加速するプラットフォーム」を構築することです。Lilly TuneLab（AIモデル共有プラットフォーム）を通じて、バイオファーマエコシステム全体にツールを展開する計画も含まれています。
Insilico Medicine $27.5億ディール
2026年に入ってLillyが動いたのはスパコンだけではありません。AI創薬スタートアップのInsilico Medicineと$27.5億（約4,100億円）の提携契約を締結。Insilicoは「Physics AI」と呼ばれる計算化学とAIを組み合わせた手法で、Lilly自身がすでにInsilicoのプラットフォームを活用していた関係から、顧客からパートナーへと関係を深化させた形です。
Lilly TuneLab — オープン化への動き
LillyPodで訓練・開発したAIモデルの一部は、Lilly TuneLab（AI/機械学習創薬プラットフォーム）を通じてバイオファーマエコシステムに公開される予定です。Lillyが「製薬AI基盤のNVIDIA」のようなポジションを狙っている可能性も指摘されています。
「私たちは製薬会社であり続けるが、AIファクトリーとして産業を変える企業にもなる」— Lilly幹部（NVIDIA GTC 2025）
「賛否両論」 — 楽観論と慎重論のバランス
楽観論: 創薬の民主化が始まる
AI創薬の支持者が最も強調するのは「失敗コストの低減」です。伝統的な創薬では、候補化合物の10,000個に1個しか最終承認に至らないと言われています。数十億の分子を安価にシミュレーションできれば、この選別精度が劇的に上がるはずです。
Insilico Medicineは2023年に「AI設計薬の第II相臨床試験入り」という歴史的な成果を発表しています。計算から候補化合物の特定まで18ヶ月というスピードは、従来の5〜6年と比べて3倍以上速いペースでした。
慎重論: 「計算で分かること」の限界
正直に言うと、AI創薬はまだ「予測の正確さ」に課題があります。コンピューター上でうまく見えた分子が、実際の生体環境で同じように働くかどうかは別問題です。特にタンパク質と薬分子の相互作用は複雑で、計算モデルの誤差が臨床試験の失敗につながるケースは依然として多い。
また、「10年→5年」という創薬期間短縮の目標は、計算速度の改善だけでは達成できません。規制当局の審査期間（FDA・PMDAの承認プロセス）はAIで短縮できない部分が大きく、「臨床試験そのもの」の効率化も並行して必要です。
「ファーマAIバブル」リスク
2026年に入り、AI創薬スタートアップへのベンチャー投資が急増しています。Lillyの動きがその背景にあることは明らかですが、実際の薬が市場に出るまでには10年以上かかることを忘れてはなりません。「計算が速くなった」と「承認薬が増えた」は別の話です。
日本企業・投資家への影響
大手製薬会社のAIスパコン競争
LillyPodの稼働は、製薬業界に「自社AIインフラ競争」を引き起こしています。武田薬品工業・アステラス製薬・中外製薬など日本の大手製薬企業も、AI創薬への投資を加速中です。中外製薬は2025年にMicrosoftとの提携でAzure上の創薬AI基盤を構築しており、方向性は同じです。
ただし、Lillyレベルの自社スパコン（推定$3億〜$5億規模の投資）を単独で保有できる製薬企業は世界でも限られています。多くの企業はクラウド（AWS・Azure・Google Cloud）上でNVIDIAのH100/B200を借りる形が現実的です。
医療AIスタートアップへの示唆
LillyPodとLilly TuneLab（モデル共有プラットフォーム）の組み合わせは、大手製薬会社が「プラットフォーマー化」する可能性を示しています。日本の医療AIスタートアップにとっては、大手製薬企業との連携パターンが変わる可能性があります。
- 従来: スタートアップが独自モデルを開発 → 大手製薬にライセンス販売
- 今後: 大手製薬のAI基盤（Lilly TuneLab等）上でスタートアップが専門的なアプリを開発
企業がとるべきアクション
AI導入戦略の全体的な考え方については、AI導入戦略の完全ガイドも参照ください。
製薬・ヘルスケア企業向け
- 自社のAI創薬成熟度を評価する: 分子データの電子化状況、バイオインフォマティクス人材の有無、クラウドAI基盤の整備状況を棚卸し
- NVIDIA/クラウドベンダーのヘルスケアAIプログラムを確認する: NVIDIA Clara Discovery、AWS HealthOmics、Google Cloud Life Sciencesなど、自社規模に合ったオプションが存在する
- Lilly TuneLabのオープン化動向を追う: 公開されるAIモデルの活用可能性を早期に評価する
投資家・アナリスト向け
- 製薬大手のAIインフラ投資額（CAPEX）の比較を定期的にモニタリング
- 「AI創薬」をうたうスタートアップの実績（候補化合物が実際の臨床試験に進んでいるか）を精査
- Lilly TuneLabが普及した場合の「プラットフォームリスク」（既存の創薬AIツールベンダーへの影響）を評価
【要注意】ヘルスケアAI投資の落とし穴
落とし穴1: 「計算速度=薬の完成速度」という誤解
❌「LillyPodで分子計算が速くなった → 薬が5年で承認される」
⭕「LillyPodで候補分子の選別が高精度化する → 無駄な実験が減る → 総期間が短縮される可能性がある」
臨床試験・規制承認のプロセスはAIでは短縮できない部分が大きい。「10年→5年」はあくまで目標値で、達成できるかは今後の臨床結果次第です。
落とし穴2: 「AI創薬スタートアップ」の玉石混交
❌ 「AI創薬」を掲げているだけで評価する
⭕「実際に候補化合物が臨床試験に入っているか」「どの段階まで進んでいるか」で評価する
Insilicoのように臨床試験入りを達成したケースは、AI創薬の世界でもまだ少数です。計算モデルだけで「すごい薬が作れる」という主張には懐疑的な目が必要です。
落とし穴3: 巨大スパコン保有を過大評価する
❌「LillyPodを持っているから他社より確実に勝てる」
⭕「計算基盤は重要な差別化要因だが、最終的な競争力はデータ・科学者・薬効の組み合わせで決まる」
参考・出典
- Now Live: Lilly AI Factory for Pharmaceutical Discovery and Development — NVIDIA Blog（参照日: 2026-04-09）
- Eli Lilly launches LillyPod, pharma’s most powerful supercomputer — R&D World Online（参照日: 2026-04-09）
- Lilly Launches LillyPod NVIDIA DGX SuperPOD for Genomics and Drug Discovery AI — HPCwire（参照日: 2026-04-09）
- Lilly and NVIDIA unveil $1B co-innovation lab in SF — Drug Discovery Trends（参照日: 2026-04-09）
- Lilly Signs $2.75B AI Drug Discovery Deal With Insilico — BioPharma Trend（参照日: 2026-04-09）
- Lilly debuts Nvidia supercomputer with fanfare — FierceBiotech（参照日: 2026-04-09）
まとめ：今日から始める3つのアクション
- 今日やること: NVIDIA Blogの「Lilly AI Factory Live」記事を読み、LillyPodの技術仕様と稼働ワークロードを把握する（15分）
- 今週中: 自社（または投資先・取引先）がAI創薬・ヘルスケアAIに関連する場合、NVIDIA ClaraやAWS HealthOmicsなど利用可能なクラウドAIヘルスケア基盤の候補リストを作成する
- 今月中: Lilly TuneLab（モデル公開プラットフォーム）の動向を追跡し、自社研究・開発への応用可能性を評価する
次回予告: 次の記事では「製薬・ヘルスケア企業がAIを使って実際にコスト削減した3つの事例」を、匿名加工の形で詳しく紹介します。
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。早稲田大学法学部在学中に生成AIの可能性に魅了され、X（旧Twitter）で活用法を発信（@SuguruKun_ai、フォロワー約10万人）。100社以上の企業向けAI研修・導入支援を展開。著書『AIエージェント仕事術』（SBクリエイティブ）。SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。
ご質問・ご相談はお問い合わせフォームからお気軽にどうぞ。
