Eli Lilly vient d’inaugurer le supercalculateur le plus puissant jamais construit par une entreprise pharmaceutique. LillyPod, un NVIDIA DGX SuperPOD équipé de 1 016 GPU Blackwell Ultra, est entré en service sur le campus d’Indianapolis en février 2026 après un sprint d’assemblage de quatre mois. La machine délivre plus de 9 000 pétaflops de performance IA — soit environ 9 quintillions de calculs par seconde — et Lilly parie qu’elle pourra comprimer le cycle typique de développement de médicaments, d’une décennie, à cinq ans.
La question est de savoir si la force brute du calcul peut réellement résoudre le goulot d’étranglement le plus profond de la pharma : transformer des hypothèses moléculaires en médicaments efficaces chez l’humain.
Du Cray-2 à 9 000 pétaflops : un bond de 37 ans
Lilly a une histoire plus longue avec le supercalcul que la plupart des gens ne le réalisent. En 1989, l’entreprise a acheté un Cray-2 — alors le sommet de la puissance de calcul — pour soutenir la modélisation moléculaire précoce. Aujourd’hui, un seul GPU dans LillyPod est 7 millions de fois plus puissant que l’ensemble de ce système Cray-2. LillyPod en contient plus d’un millier.
L’infrastructure technique est substantielle. Le système fonctionne sur l’architecture DGX SuperPOD de NVIDIA avec des systèmes DGX B300, un réseau Spectrum-X Ethernet et des logiciels IA optimisés. Près de 5 000 connexions parcourent plus de 450 kilogrammes de câbles en fibre optique. L’équipe de génomique peut exploiter à elle seule 700 téraoctets de données en utilisant plus de 290 téraoctets de mémoire GPU à haute bande passante.
Ce n’est pas une mise à niveau incrémentale. Cela représente un changement catégoriel : d’un calcul qui assiste les chercheurs vers un calcul capable de générer et d’évaluer autonomement des hypothèses à une échelle qu’aucune équipe humaine ne pourrait égaler.
Le laboratoire computationnel : des milliards de molécules en parallèle
La promesse centrale de LillyPod est ce que Lilly appelle le « laboratoire computationnel » — un environnement de simulation à très grande échelle où les scientifiques peuvent évaluer des milliards d’hypothèses moléculaires en parallèle avant de s’engager dans des expériences physiques.
La contrainte adressée est réelle. Même les équipes de découverte de médicaments les plus productives peuvent typiquement analyser environ 2 000 idées moléculaires par cible par an, car chaque expérience nécessite une synthèse physique, des tests et une analyse. Ce goulot d’étranglement de débit signifie que des candidats prometteurs passent à travers les mailles, et ceux qui avancent prennent des années à valider.
LillyPod vise à inverser ce ratio. En exécutant des modèles d’IA à travers la génomique, la conception moléculaire, la biologie unicellulaire et les données d’imagerie simultanément, les scientifiques de Lilly peuvent sélectionner par calcul des ordres de grandeur de candidats supplémentaires avant que quoi que ce soit n’entre dans un tube à essai. Les charges de travail couvrent le cycle de vie complet du médicament : de l’identification de cibles et la conception moléculaire au développement clinique et à l’optimisation de la fabrication.
Le système supporte également des plateformes IA internes où les employés de Lilly peuvent construire des chatbots, des workflows agentiques et des agents de laboratoire de recherche — intégrant essentiellement l’IA dans les opérations scientifiques quotidiennes, pas seulement dans les projets de découverte phares.
Le partenariat à 1 milliard de dollars avec NVIDIA et le pari Insilico
LillyPod n’est qu’une pièce d’une stratégie IA bien plus large. En janvier 2026, Eli Lilly et NVIDIA ont annoncé un laboratoire de co-innovation de cinq ans d’un milliard de dollars basé dans la baie de San Francisco. Le laboratoire réunit les experts de Lilly en biologie et médecine avec les ingénieurs IA de NVIDIA, travaillant sur la plateforme NVIDIA BioNeMo et l’architecture Vera Rubin à venir.
Le partenariat vise à être pionnier en robotique et IA physique pour la découverte et la production de médicaments — une vision qui s’étend bien au-delà de la simulation moléculaire vers les opérations de laboratoire autonomes.
Puis en mars 2026, Lilly a élargi son portefeuille de médicaments IA via un accord de 2,75 milliards de dollars avec Insilico Medicine, une entreprise basée à Hong Kong qui a développé au moins 28 médicaments utilisant des outils d’IA générative, dont près de la moitié sont déjà en phase clinique. Insilico reçoit 115 millions de dollars d’avance, le reste étant lié à des jalons réglementaires et commerciaux.
Le signal d’investissement combiné est sans équivoque : Lilly dépense des milliards pour parier que le développement de médicaments IA-first n’est pas une possibilité future mais une exigence concurrentielle actuelle.
Publicité
La course aux GPU pharmaceutiques s’intensifie
Lilly a détenu le titre de « plus grand supercalculateur pharmaceutique » pendant moins d’un mois. En mars 2026, Roche a annoncé sa propre usine IA alimentée par NVIDIA avec 2 176 GPU Blackwell sur site aux États-Unis et en Europe, portant son infrastructure GPU totale à plus de 3 500 unités. Cela fait de l’usine IA hybride-cloud de Roche la plus grande empreinte GPU annoncée dans l’industrie pharmaceutique — éclipsant les 1 016 GPU de LillyPod.
Johnson & Johnson et d’autres grandes entreprises pharmaceutiques font également la course pour intégrer le calcul avancé dans leurs pipelines de recherche. Le schéma reproduit ce qui s’est passé dans la tech au cours des trois dernières années : dès qu’une entreprise démontre que le calcul à l’échelle GPU crée un avantage concurrentiel, les rivaux ne peuvent se permettre d’attendre.
Le risque, bien sûr, est que le matériel seul ne résout pas le défi fondamental. La découverte de médicaments échoue non pas parce que les entreprises manquent de puissance de calcul, mais parce que la biologie est irréductiblement complexe. Une molécule qui semble parfaite en simulation peut échouer spectaculairement en essais cliniques de Phase 3, et aucune quantité de pétaflops ne change la biologie sous-jacente.
Durabilité et question énergétique
Lilly s’est engagé à alimenter sa nouvelle infrastructure de supercalcul IA avec 100 % d’électricité renouvelable d’ici 2030. Le système utilise un refroidissement liquide efficace pour minimiser son empreinte énergétique, et l’entreprise affirme un impact énergétique incrémental minimal.
Cela mérite un examen attentif. Un supercalculateur de 1 016 GPU fonctionnant à l’échelle de production consomme une énergie significative, et « impact incrémental minimal » est relatif aux opérations de centre de données existantes de Lilly. Alors que les entreprises pharmaceutiques se précipitent pour déployer des milliers de GPU, la demande énergétique collective de l’industrie croîtra substantiellement.
Ce que cela signifie pour les délais de développement de médicaments
L’ambition déclarée de Lilly est de réduire le délai typique de développement de médicaments de 10 ans à cinq ans en automatisant les tâches d’essais cliniques comme le recrutement de patients, en optimisant les processus de fabrication et en comprimant la phase de découverte par le criblage computationnel.
Que cet objectif soit réaliste dépend des parties de la chronologie que l’IA peut effectivement comprimer. Le criblage computationnel et l’identification de cibles — le début du pipeline — sont de bons candidats à l’accélération. Les essais cliniques, l’examen réglementaire et la surveillance de la sécurité — la fin du pipeline — sont contraints par la biologie, la bureaucratie et le besoin irréductible de données de sécurité basées sur le temps.
Le cadrage plus honnête est que LillyPod délivrera probablement des accélérations significatives à des étapes spécifiques du pipeline plutôt qu’une division nette par deux de l’ensemble du délai. Mais même 18 à 24 mois gagnés sur le cycle moyen de développement de médicaments se traduiraient par des milliards de revenus anticipés et, plus important encore, un accès plus rapide des patients à des traitements efficaces.
Pour l’industrie pharmaceutique, LillyPod représente le moment où l’infrastructure IA est devenue un actif stratégique central — pas une expérience de recherche. Les entreprises qui construisent ces capacités maintenant définiront la prochaine génération de la médecine. Celles qui ne le font pas se retrouveront à la licencier auprès de celles qui l’ont fait.
Questions Fréquemment Posées
Quelle est la puissance de LillyPod comparée aux autres supercalculateurs pharmaceutiques ?
Les 1 016 GPU NVIDIA Blackwell Ultra de LillyPod délivrent plus de 9 000 pétaflops de performance IA, ce qui en fait le supercalculateur le plus puissant jamais construit par une entreprise pharmaceutique — mais il n’a détenu ce titre que moins d’un mois. En mars 2026, Roche a annoncé une usine IA avec 2 176 GPU Blackwell, portant son empreinte GPU totale à plus de 3 500 unités. Johnson & Johnson et d’autres grandes pharmaceutiques font également la course pour construire des capacités similaires.
L’IA peut-elle réellement réduire de moitié les délais de développement de médicaments ?
L’objectif déclaré de Lilly est de comprimer le cycle typique de développement de 10 ans à cinq ans. L’IA peut probablement délivrer des accélérations significatives aux étapes de découverte et de criblage computationnel. Cependant, les essais cliniques, l’examen réglementaire et la surveillance de la sécurité sont contraints par la biologie, la bureaucratie et le besoin irréductible de données de sécurité temporelles. Un résultat plus réaliste est une accélération de 18 à 24 mois à des étapes spécifiques du pipeline plutôt qu’une division nette par deux.
Que signifie cela pour les pays sans supercalculateur GPU ?
La course aux GPU pharmaceutiques crée un fossé croissant entre les entreprises qui peuvent se permettre des investissements IA d’un milliard de dollars et celles qui ne le peuvent pas. Cependant, l’accès cloud au calcul GPU, les partenariats avec des firmes de découverte de médicaments par IA comme Insilico Medicine, et les réseaux de recherche collaboratifs offrent des voies alternatives. Les pays qui construisent une infrastructure IA précoce — y compris le centre IA d’Oran en Algérie — peuvent se positionner pour participer à des étapes spécifiques du pipeline de découverte de médicaments par IA sans égaler les déploiements GPU hyperscale.
Sources et lectures complémentaires
- Now Live: Lilly AI Factory for Pharmaceutical Discovery and Development — NVIDIA Blog
- Lilly debuts Nvidia supercomputer with fanfare and focus on escaping traditional pharma lifecycle — Fierce Biotech
- A new supercomputer is coming to change the way we make medicines — Eli Lilly
- NVIDIA and Lilly Announce Co-Innovation AI Lab to Reinvent Drug Discovery — Eli Lilly Investor Relations
- Roche launches NVIDIA AI factory to accelerate therapeutics development — Roche
- Eli Lilly reaches $2.75 billion deal with Insilico to bring AI-developed drugs to global market — CNBC
🔗 Intelligence Connexe
L’IA dans la découverte de médicaments et la génomique : la révolution biotech dont
Au-delà du texte : la révolution de l’IA multimodale en 2026
Mistral rachète Koyeb : les laboratoires d’IA européens passent au full-stack
Développement logiciel et IA
