AI創薬向けコンピューティングプラットフォームは単一のサーバーではなく、分子シミュレーション、バーチャルスクリーニング、生成ケミストリー、前臨床予測を中心に構築された異種演算システムであり、その中核はGPU推論と科学技術計算の能力を創薬の具体的な工程に着地させることにある。従来の実験の試行錯誤の長いサイクルと粗い演算スケジューリングという課題を解決し、現在の主流路線は汎用GPUアクセラレーション、専用AIアクセラレータ、エッジ連携に分かれ、選定はモデル種別、精度要件、データコンプライアンスの境界に依存する。
1. このプラットフォームが解決する課題
創薬初期のいくつかのタスクは極めて演算を要する。第1は構造ベースのバーチャルスクリーニングで、数億規模の化合物ライブラリを標的タンパク質に対してドッキングとスコアリングする。第2は分子動力学シミュレーションで、タンパク質とリガンドの複合体の立体配座変化をナノ秒からマイクロ秒のスケールで観察する。第3は新規分子設計の生成モデルで、拡散モデルや自己回帰モデルを用いて候補構造をバッチで生成する。第4はADMET物性予測と毒性スクリーニングで、グラフニューラルネットワークを用いて候補分子の吸収、代謝、毒性を分類する。これらのタスクはかつてCPUクラスタで実行され、1億化合物のライブラリのスクリーニングには数週間かかることが多かった。
このプラットフォームの価値は、これらのタスクをGPUの異種アーキテクチャ上に統合し、CUDAやHIPエコシステムの科学技術計算ライブラリ(分子ドッキングやテンソル計算のフレームワークなど)でバッチ処理し、スクリーニング周期を数日へ圧縮することにある。同時に、複数の研究グループが演算を共有する問題を解決する必要があり、コンテナ化スケジューリングで精度要件の異なるタスクを異なるカード種別へ割り当て、大規模モデルの推論が分子動力学のジョブを圧迫しないようにする。
2. 主要な演算選択肢の違いと比較方法
2025年から2026年のハードウェア路線を見ると、3つの路線の違いは明確である。
汎用GPU路線は広帯域メモリと大規模並列に優れる。NVIDIAが発表したBlackwell Ultra(B300)は推論性能とHBM4メモリを重視し、ロードマップは2026年のRubinプラットフォームの量産を示す。こうしたアーキテクチャはパラメータ数の多い生成ケミストリーモデルやタンパク質構造予測モデルに適し、メモリ容量が化合物ライブラリを一度にどれだけ読み込めるかを決める。AMDのMI350シリーズはCDNA 4アーキテクチャ、3nmプロセス、288GBのHBM3Eを採用し、2026年の大規模AI推論向けにMI400とMI450を予告している。その利点はメモリ容量とオープンなソフトウェアスタックにあり、分子動力学とAI推論を混在ワークロードで実行する必要がある研究グループに適する。
専用AIアクセラレータ路線はコスト効率の高い推論に注力する。IntelのGaudi 3は推論のコスト効率を狙う位置づけを続け、18AプロセスのXeonのロードマップと並行して展開され、ADMET予測や毒性分類のような中小規模モデルの推論タスクを低コストで導入するのに適する。こうした選択肢はカード1枚あたりの性能の最上位を追わないが、単位あたりの推論コストに優位がある。
エッジ連携路線は見落とされやすい。Qualcomm、MediaTek、Intel、AMDはいずれも高演算・低消費電力のNPUプラットフォームを推進し、AI PCやエッジ推論ボックスは成長領域になっている。創薬のシナリオでは、エッジデバイスは大規模シミュレーションの実行ではなく、実験室に置いて化合物の画像認識、クロマトグラフィーデータの一次スクリーニング、実験記録の構造化に用い、生データをアップロードするコンプライアンスリスクを減らす。産業用AIハードウェアとAIセンサーが融合する流れも広がっており、イベントカメラやNPU統合の産業用カメラはハイスループットスクリーニングのマイクロプレート撮像の初期判定に使え、無効なウェルをローカルで除外できる。
比較の要点はピーク演算ではなく、メモリ容量と帯域がライブラリの規模を保持できるか、ソフトウェアスタックが分子シミュレーションのツールチェーンと互換か、精度サポートがFP16とFP8の推論をカバーするかである。
3. スマート医療向けAIハードウェアが適するシナリオ
低分子の革新型医薬品企業が、構造が解明された標的と10億規模の化合物ライブラリを持つとする。バーチャルスクリーニングの工程には、大容量メモリのGPUノードでのバッチドッキングが適し、ライブラリを分割して並列にスコアリングし、その後CPUノードで結果の集約とクラスタリングによる重複排除を行う。このシナリオはメモリ容量に敏感で、カード1枚あたりのピーク演算には敏感でない。
抗体設計のバイオ企業が主にタンパク質構造予測と親和性成熟を行うとする。こうしたタスクはモデルのパラメータ数が多く配列も長いため、汎用GPU路線が適し、コンテナ化スケジューリングで予測タスクと分子動力学のジョブを時分割する。
電子機器工場のスタイルの仮想的なシナリオを想定する。体外診断用試薬とハードウェアを組み合わせて販売する企業が、生産ライン末端で試薬カードの外観欠陥検査を必要とする。こうしたタスクは中央の演算プラットフォームではなく、NPU統合の産業用カメラやエッジコントローラでローカルに推論するのに適し、検査周期が安定し入荷材料の一致性が良い工程はそのまま導入でき、反射が強く変形の大きい試薬カードは照明とアルゴリズムのロバスト性を別途評価する必要がある。
CRO機関が複数の顧客プロジェクトを並行して進め、データを拠点外へ出せないとする。エッジ推論ボックスをローカルに配置してデータの前処理と匿名化を行い、匿名化した特徴量を中央プラットフォームへ上げてモデル学習を行う構成が適し、エッジ前処理と中央学習のハイブリッドアーキテクチャを形成する。
4. 選定と導入で注意すべき点
よくある最初の質問はソフトウェアスタックの互換性である。分子ドッキングや分子動力学のツールは特定の数学ライブラリやコンパイル環境に依存することがあり、選定ではAIフレームワークの対応リストだけを見るのではなく、アクセラレータベンダーの科学技術計算エコシステムが自社のツールチェーンのバージョンをカバーするかを確認する。
第2はメモリとライブラリ規模の整合である。化合物ライブラリの分割サイズが、1枚のカードが保持すべき分子記述子と中間テンソルの量を決め、メモリが不足すると頻繁なページングが発生して実効スループットが崩れる。演算性能で選ぶより、ライブラリ規模からメモリ容量を逆算するほうが信頼できる。
第3は精度戦略である。バーチャルスクリーニングのスコアリングは精度に敏感で、分子動力学は誤差の蓄積に敏感であり、生成モデルの推論はFP8を受け入れられる。プラットフォームはタスク種別ごとに精度モードを割り当てられる必要があり、一律の設定を適用してはならない。
第4はデータコンプライアンスと配備場所である。患者由来の検体データや未公開の標的構造が関わるプロジェクトでは、推論工程をローカルのエッジデバイスに置くほうが安全であり、公開ライブラリのみのスクリーニングは中央クラスタで実行できる。
第5は実施手順である。通常はまず小規模なベンチマークを実行し、同じバッチの化合物ライブラリで候補ハードウェア上にドッキングと予測タスクを流し、単位時間あたりのスループットと結果の一致性を比較してから調達規模を決める。ベンチマークを省略して仕様書だけで発注してはならない。
5. このプラットフォームが適するシナリオと適さないシナリオ
適するシナリオは、数千万から10億規模の化合物ライブラリを持ち、頻繁なバーチャルスクリーニングとADMET予測を必要とする探索段階のチーム。分子動力学とAI推論を混在ワークロードで実行し、メモリ容量を重視する研究グループ。複数の並行プロジェクトを持ち、コンテナ化スケジューリングで資源を分離する必要があるCRO機関。実験室でのデータ前処理と画像一次スクリーニングを、データコンプライアンス要件のもとで必要とするシナリオである。
適さないシナリオは、10万化合物未満のライブラリで少量の分子ドッキングしか行わない小規模チームで、CPUクラスタやオンデマンドのクラウド演算レンタルのほうが経済的な場合。カード1枚あたりのピーク演算への要求が極端に高いがライブラリが小さくメモリを使い切れず、専用アクセラレータのコスト効率の優位が発揮できない場合。反射が強く変形が大きく入荷材料の一致性が悪い画像検査工程で、エッジNPUのソリューションを別途評価する必要があり、標準的な導入をそのまま適用できない場合である。
選定の中核的な判断は、最も高価なカードを買うことではなく、自社のライブラリ規模、モデル種別、精度要件、データコンプライアンスの境界を明確に列挙し、タスクの分割からメモリと演算の比率を逆算することである。この分野のハードウェアは世代交代が速く、2026年のRubinプラットフォームとMI400シリーズの量産はメモリ容量のさらなる向上をもたらすが、ソフトウェアスタックの互換性とデータコンプライアンスの境界はハードウェアの世代交代では消えない。