📄 Earnings Call Transcript 번역 결과

📊 Presentation

Original	Translation
NVIDIA Corporation (NASDAQ:NVDA) TD Cowen 45th Annual Health Care Conference March 3, 2025 11:10 AM ET Company Participants Kimberly Powell – Vice President, Healthcare, NVIDIA Conference Call Participants Josh Buchalter – TD Cowen Brendan Smith – TD Cowen Josh Buchalter All right. Good morning everybody. Thank you for joining us at our Healthcare Conference. I'm Josh Buchalter, Semiconductor Analyst at TD Cowen. Really pleased to be joined by my colleague Brendan Smith, who covers life science tools and diagnostics and biotechnology, to host a discussion with Kimberly Powell, VP of Healthcare at NVIDIA.	NVIDIA Corporation (NASDAQ:NVDA) TD Cowen 제45회 연례 헬스케어 컨퍼런스 2025년 3월 3일 오전 11시 10분 ET 참석자 Kimberly Powell – NVIDIA 헬스케어 부문 부사장 컨퍼런스 콜 참석자 Josh Buchalter – TD Cowen Brendan Smith – TD Cowen Josh Buchalter 좋은 아침입니다, 여러분. 저희 헬스케어 컨퍼런스에 참석해 주셔서 감사합니다. 저는 TD Cowen의 반도체 애널리스트 Josh Buchalter입니다. 생명과학 도구 및 진단, 생명공학 분야를 담당하는 동료 Brendan Smith와 함께 NVIDIA 헬스케어 부문 부사장 Kimberly Powell과의 토론을 진행하게 되어 매우 기쁩니다.
Brendan, thanks for inviting me to your party; and Kimberly, thank you for joining us. Kimberly Powell Thank you for having. Brendan Smith Thank you. Josh Buchalter I guess to start, maybe get the elephant out of the room, what's a semiconductor company doing at a healthcare conference? From a high level, how does NVIDIA support the healthcare market and how does it fit into the broader NVIDIA story? Kimberly Powell Yes. So let me take one minute to. As a reminder, this presentation contains forward-looking statements and investors are advised to read our reports filed with the SEC for information related to risks and uncertainties facing the business. But I appreciate the question.	브렌든, 파티에 초대해 주셔서 감사합니다. 그리고 킴벌리, 함께해 주셔서 감사합니다. 킴벌리 파월 참석하게 해주셔서 감사합니다. 브렌든 스미스 감사합니다. 조시 부찰터 시작하기에 앞서, 아마도 핵심 이슈부터 다뤄보겠습니다. 반도체 회사가 헬스케어 컨퍼런스에서 무엇을 하고 있는 건가요? 높은 수준에서 보면, NVIDIA는 헬스케어 시장을 어떻게 지원하고 있으며, 이것이 더 넓은 NVIDIA 스토리에 어떻게 부합하는지요? 킴벌리 파월 네. 그럼 잠시 시간을 내어 말씀드리겠습니다. 참고로, 이 프레젠테이션에는 미래 전망 진술이 포함되어 있으며, 투자자들께서는 사업이 직면한 위험과 불확실성에 관한 정보를 위해 SEC에 제출한 저희 보고서를 읽어보시기 바랍니다. 하지만 질문해 주셔서 감사합니다.
Let's take a step back. For about two decades now, NVIDIA has dedicated themselves to what's called accelerated computing. Accelerated computing was originally adopted by the medical community, some of the earliest applications in fact came from the medical community, medical imaging, molecular dynamics simulation, genomics analysis. So what have we done here? NVIDIA has, we build computers that solve problems no other computers can. And these are led us to some of the most important breakthroughs that we're living through right now. One of those breakthroughs, of course, is artificial intelligence.	한 걸음 물러서서 살펴보겠습니다. 지난 약 20년간 NVIDIA는 가속 컴퓨팅(accelerated computing)이라고 불리는 분야에 전념해왔습니다. 가속 컴퓨팅은 처음에는 의료계에서 채택되었으며, 실제로 가장 초기의 응용 분야들이 의료계에서 나왔습니다. 의료 영상, 분자 동역학 시뮬레이션, 유전체학 분석 등이 그것입니다. 그렇다면 우리가 여기서 무엇을 해왔을까요? NVIDIA는 다른 어떤 컴퓨터도 해결할 수 없는 문제들을 해결하는 컴퓨터를 구축해왔습니다. 그리고 이것이 우리가 지금 경험하고 있는 가장 중요한 혁신들로 이어졌습니다. 물론 그러한 혁신 중 하나가 바로 인공지능입니다.
But many other areas of science are also having incredible breakthroughs, whether that's climate science, now drug discovery and you're, of course, hearing a lot more of the increase in what's going to transpire in physical AI and robotics. And so NVIDIA is not a semiconductor company any longer. We build what's called full stack data center solutions where there is a GPU, of course, graphics processing unit, but it's accompanied with CPUs that we also design networking, full data center scale technologies that really allow for us to make computing go through what is unimaginable in the previous generations of computing.	하지만 과학의 다른 많은 분야에서도 놀라운 돌파구가 나타나고 있습니다. 기후 과학이든, 현재의 신약 개발이든, 그리고 물론 여러분도 물리적 AI와 로보틱스 분야에서 앞으로 일어날 발전에 대해 훨씬 더 많이 듣고 계실 것입니다. 따라서 NVIDIA는 더 이상 반도체 회사가 아닙니다. 저희는 풀스택 데이터센터 솔루션이라고 불리는 것을 구축하고 있습니다. 여기에는 물론 GPU, 즉 그래픽 처리 장치가 있지만, 저희가 설계하는 CPU와 네트워킹, 그리고 데이터센터 전체 규모의 기술들이 함께 동반되어, 이전 세대의 컴퓨팅에서는 상상할 수 없었던 컴퓨팅을 실현할 수 있게 해줍니다.
For example, 1 million times of compute performance has been achieved in the last 10 years. This is orders and orders of magnitude more computational capabilities than the previous Moore’s Law of computing had brought us. And so here we are, we have invented our latest architecture, which is called Blackwell. Blackwell has been built for the modern AI of agents that we are now living in. There are new laws of scaling that you're all, I'm sure, starting to learn quickly about. The first law of scaling is now what's called pre-training, pre-training the LLMs. This is like sending your child to grade school, all the way up through high school.	예를 들어, 지난 10년 동안 100만 배의 컴퓨팅 성능 향상이 달성되었습니다. 이는 기존 무어의 법칙이 가져다준 것보다 몇 차원 더 높은 수준의 컴퓨팅 역량입니다. 그리고 지금 우리는 블랙웰(Blackwell)이라고 불리는 최신 아키텍처를 발명했습니다. 블랙웰은 우리가 현재 살고 있는 에이전트의 현대적 AI를 위해 구축되었습니다. 여러분 모두가 빠르게 배우기 시작하고 있을 새로운 스케일링 법칙들이 있습니다. 첫 번째 스케일링 법칙은 이제 사전 훈련(pre-training), 즉 LLM의 사전 훈련이라고 불립니다. 이는 마치 자녀를 초등학교부터 고등학교까지 보내는 것과 같습니다.
It's the foundation at which they build the ability to learn, memorizing facts about history or other kind of fields of science. So pre-training requires a lot of data, a lot of infrastructure to create a model. There is a second law which is called post-training. This is a bit like getting a post-doc. This is where you're now fine tuning the skills with more domain specific information or task specific information so that you can have these AI models do jobs with the utmost accuracy. And then there is a third scaling law which we're living through, which is called test-time compute. And this is actually where AI goes off and it thinks. You've all heard about what's called reasoning models.	이는 학습 능력을 구축하는 기반이 되며, 역사나 기타 과학 분야의 사실들을 암기하는 것입니다. 따라서 사전 훈련에는 모델을 만들기 위해 대량의 데이터와 많은 인프라가 필요합니다. 두 번째 법칙은 사후 훈련이라고 불립니다. 이는 박사후 과정을 받는 것과 비슷합니다. 여기서는 더 도메인별 정보나 작업별 정보로 기술을 미세 조정하여 이러한 AI 모델들이 최고의 정확도로 업무를 수행할 수 있도록 합니다. 그리고 우리가 현재 경험하고 있는 세 번째 스케일링 법칙이 있는데, 이를 테스트 타임 컴퓨트라고 합니다. 이는 실제로 AI가 나가서 사고하는 단계입니다. 여러분 모두 추론 모델이라고 불리는 것에 대해 들어보셨을 것입니다.
And so we've built the Blackwell architecture to advance these incredible three new scaling laws and really unlock the world that we're living in now, which is agentic AI and then I'll talk to you a little bit more about the very near future here that we're inventing, which is physical AI. And so all that we're building here in terms of the computing platform has huge applicability into healthcare and I know we're going to talk more about those applications. Josh Buchalter For sure. Now thank you for that, Kimberly, and I definitely want to get back to the scaling laws.	그래서 우리는 이 놀라운 세 가지 새로운 스케일링 법칙을 발전시키고 현재 우리가 살고 있는 세계, 즉 에이전틱 AI의 세계를 진정으로 열어주기 위해 Blackwell 아키텍처를 구축했습니다. 그리고 우리가 발명하고 있는 아주 가까운 미래인 물리적 AI에 대해서도 조금 더 말씀드리겠습니다. 따라서 우리가 컴퓨팅 플랫폼 측면에서 구축하고 있는 모든 것은 헬스케어 분야에 엄청난 적용 가능성을 가지고 있으며, 이러한 응용 분야에 대해 더 자세히 논의할 것으로 알고 있습니다. Josh Buchalter 물론입니다. 감사합니다, Kimberly. 그리고 저는 확실히 스케일링 법칙으로 다시 돌아가고 싶습니다.
But maybe to start, I think you've described healthcare as potentially the largest opportunity within your AI ecosystem and I think you've described three main buckets: digital surgery, digital biology and digital health. Could you maybe speak to the maturity of those three verticals, where they are today and the potential size of them long-term within NVIDIA's model? And then I'll turn it over to Brendan. Kimberly Powell Yes, absolutely. So we all know that healthcare is about a $10 trillion industry globally. And in fact of that $10 trillion, upwards of 30% of that is in the form of labor, labs and infrastructure, physical infrastructure in order to deliver healthcare.	하지만 먼저 시작하기 전에, 귀하께서 헬스케어를 AI 생태계 내에서 잠재적으로 가장 큰 기회로 설명하신 것으로 알고 있으며, 세 가지 주요 영역으로 디지털 수술, 디지털 생물학, 그리고 디지털 헬스를 언급하셨습니다. 이 세 가지 수직 영역의 성숙도, 현재 상황, 그리고 NVIDIA 모델 내에서의 장기적인 잠재 규모에 대해 말씀해 주실 수 있을까요? 그 후에 브렌던에게 넘기겠습니다. 킴벌리 파월 네, 물론입니다. 우리 모두 알고 있듯이 헬스케어는 전 세계적으로 약 10조 달러 규모의 산업입니다. 실제로 이 10조 달러 중에서 30% 이상이 헬스케어를 제공하기 위한 인력, 실험실, 그리고 물리적 인프라 형태로 구성되어 있습니다.
I think we can all recognize that even here where we live in very well endowed country, we're still at a drastic supply and demand shortage, demand of healthcare services and the supply of healthcare services, we're at an extreme shortage, tens of millions of humans short, which is equal to trillions of dollars each. 10 million people in the healthcare services is approximately a trillion dollars. And so AI has to help. It's a bit existential in that way. AI has to help. And so, we think about it in really three major buckets as you described. One area and this is the area that we've been in the longest, is really in the area of digital devices, right.	저희가 모두 인식할 수 있는 것은, 매우 풍요로운 국가에 살고 있는 이곳에서조차 여전히 의료 서비스의 공급과 수요 간에 극심한 부족 현상이 있다는 것입니다. 의료 서비스에 대한 수요와 의료 서비스의 공급 사이에 극단적인 부족 상황에 있으며, 수천만 명의 인력이 부족한 상황입니다. 이는 각각 수조 달러에 해당하는 규모입니다. 의료 서비스 분야의 천만 명은 대략 1조 달러에 해당합니다. 따라서 AI가 도움을 주어야 합니다. 어떤 면에서는 실존적인 문제라고 할 수 있습니다. AI가 반드시 도움을 주어야 합니다. 그래서 저희는 말씀하신 대로 크게 세 가지 주요 영역으로 나누어 생각하고 있습니다. 한 영역은 저희가 가장 오랫동안 참여해온 분야인데, 바로 디지털 기기 영역입니다.
If you think about the patient journey, oftentimes the very first thing you're doing is you're receiving some sort of imaging to understand what's going on in the body. So this is all your diagnostic imaging. You're measuring the biology, whether that's lab tests or genomic sequencing tests. And then you're going into some form of therapy that could be radiotherapy or could be robotic assisted. All of these sensors that these companies, great leaders in the industry, Siemens, GE, Intuitive Surgical, all of these are fantastic platforms and sensors that are going to become robotic in their own right.	환자 여정을 생각해보면, 가장 먼저 하는 일은 대개 신체에서 무엇이 일어나고 있는지 파악하기 위해 어떤 형태의 영상 촬영을 받는 것입니다. 이것이 바로 모든 진단 영상입니다. 실험실 검사든 유전체 시퀀싱 검사든 생물학적 상태를 측정하게 됩니다. 그리고 나서 방사선 치료나 로봇 보조 치료 등의 어떤 형태의 치료로 들어가게 됩니다. 지멘스, GE, 인튜이티브 서지컬 등 업계의 훌륭한 선도기업들이 보유한 이 모든 센서들은 그 자체로 로봇화될 환상적인 플랫폼이자 센서들입니다.
They're not only going to sense what's going on, but they're going to reason over it and they're going to facilitate the ability for deeper understanding of our physicians. And so, digital devices is a huge area where it’s going to continue to take advantage of these amazing agentic AI systems and future robotic systems. And digital biology, this is in the area of drug discovery. Right? We just actually added another $50 billion, Albert was here, $50 billion to a total of $300 billion is spent in R&D for drug discovery every single year. And we know we have extreme challenges here. We still have 90% attrition rate, when we get into clinical, we are generating more data than ever before.	이들은 상황을 감지할 뿐만 아니라 이를 추론하고 의료진의 더 깊은 이해를 촉진하는 능력을 제공할 것입니다. 따라서 디지털 기기는 이러한 놀라운 에이전틱 AI 시스템과 미래의 로봇 시스템을 지속적으로 활용할 수 있는 거대한 영역입니다. 그리고 디지털 생물학은 신약 개발 분야입니다. 맞죠? 실제로 우리는 방금 500억 달러를 추가했습니다. 알버트가 여기 있었는데, 매년 신약 개발 R&D에 총 3,000억 달러 중 500억 달러를 추가한 것입니다. 그리고 우리는 이 분야에서 극심한 도전에 직면하고 있다는 것을 알고 있습니다. 임상시험에 진입할 때 여전히 90%의 실패율을 보이고 있으며, 그 어느 때보다 많은 데이터를 생성하고 있습니다.
This is where we can take advantage of the AI breakthroughs that’s happened in language and apply it to the languages of drugs. So, just like our language, our spoken language is a sequence, actually biology is a sequence. It’s just in a very different shape. It’s three billion base pairs long is your DNA, amino acid sequence, for proteins and even SMILE strings for chemistry. But we can now start to use that to our advantage. All of the data we can now generate approximately 24 hours a day in these labs, we can start injecting those into these large language models, biology foundation models, to represent biology in profound new ways.	이것이 바로 언어 분야에서 일어난 AI 혁신을 활용하여 약물의 언어에 적용할 수 있는 지점입니다. 우리가 사용하는 언어, 즉 음성 언어가 하나의 시퀀스인 것처럼, 실제로 생물학도 시퀀스입니다. 다만 매우 다른 형태를 띠고 있을 뿐입니다. DNA는 30억 개의 염기쌍으로 이루어져 있고, 단백질의 경우 아미노산 서열, 그리고 화학의 경우 SMILE 문자열로 구성되어 있습니다. 하지만 이제 우리는 이를 우리에게 유리하게 활용할 수 있게 되었습니다. 이러한 연구실에서 하루 약 24시간 동안 생성할 수 있는 모든 데이터를 대규모 언어 모델, 즉 생물학 기반 모델에 주입하여 생물학을 완전히 새로운 방식으로 표현할 수 있게 되었습니다.
And we’re seeing the R&D productivity massively increase. There is many examples Schrödinger disrupting themselves in a way, using their own platform in fantastic ways to take what is otherwise years of work into ten months. And instead of synthesizing hundreds, if not thousands of chemicals, they are doing it on one or two orders of magnitude less. And so that R&D productivity is really profound. And then it doesn’t just stop there in early discovery, it continues on into clinical development.	그리고 우리는 R&D 생산성이 대폭 증가하는 것을 목격하고 있습니다. 슈뢰딩거가 자사의 플랫폼을 환상적인 방식으로 활용하여 스스로를 혁신하는 많은 사례들이 있습니다. 기존에 수년이 걸리던 작업을 10개월로 단축시키고 있죠. 그리고 수백 개, 심지어 수천 개의 화학물질을 합성하는 대신, 1~2 자릿수 적은 수량으로 작업을 수행하고 있습니다. 이러한 R&D 생산성 향상은 정말 놀라운 수준입니다. 그리고 이것은 초기 발견 단계에서 끝나지 않고 임상 개발 단계까지 지속됩니다.
We have friends here in the room who are acutely trying to tackle this problem of how can we do a better job using the language models to now strategize our clinical trial processes much better, find the patients, find the sites, design the trials, keep the patient engagement high, all of that now can be facilitated by today’s agentic AI. So, there is going to be amazing progress that is going to be felt there. And then the third one being digital health. Think of these as digital humans that you can hire on behalf of this otherwise completely stretched and burning out healthcare force that we have. We need to augment them with a digital health force and we now have the ability.	이 자리에는 언어 모델을 활용하여 임상시험 프로세스를 보다 효과적으로 전략화하고, 환자를 찾고, 시험 장소를 확보하며, 시험을 설계하고, 환자 참여도를 높게 유지하는 등의 문제를 적극적으로 해결하려는 동료들이 함께 하고 있습니다. 이 모든 것들이 이제 오늘날의 에이전틱 AI를 통해 촉진될 수 있습니다. 따라서 이 분야에서 놀라운 진전이 이루어질 것입니다. 그리고 세 번째는 디지털 헬스입니다. 현재 완전히 과부하 상태에 있고 번아웃을 겪고 있는 의료진을 대신하여 고용할 수 있는 디지털 휴먼으로 생각해보십시오. 우리는 디지털 헬스 인력으로 그들을 보강해야 하며, 이제 우리는 그럴 수 있는 능력을 갖추게 되었습니다.
Hippocratic AI, one of our fantastic partners, just launched at the January health conference a whole agent AI marketplace, where instead of the software systems of the past, the electronic health records, which were huge software deployments, billions of dollars, huge change cost, huge training and change management necessary in the healthcare system, we’re now in the phase of just like you and I as consumers, we can order groceries or use a service like Spotify on demand services, you can now augment the healthcare system and start to navigate it through on-demand digital – human, digital health services. And so this is really, really fantastic.	우리의 훌륭한 파트너 중 하나인 Hippocratic AI가 1월 헬스 컨퍼런스에서 완전한 에이전트 AI 마켓플레이스를 출시했습니다. 과거의 소프트웨어 시스템들, 즉 수십억 달러 규모의 대규모 소프트웨어 배포이자 막대한 변경 비용과 의료 시스템 내 대규모 교육 및 변화 관리가 필요했던 전자 건강 기록 시스템들과는 달리, 이제 우리는 소비자인 여러분과 제가 식료품을 주문하거나 Spotify 같은 온디맨드 서비스를 이용하는 것처럼, 이제 의료 시스템을 보강하고 온디맨드 디지털 - 휴먼, 디지털 헬스 서비스를 통해 의료 시스템을 탐색할 수 있는 단계에 진입했습니다. 이는 정말로, 정말로 환상적입니다.
And this is happening right now as we speak. And this is not a – we are going to see this in three or five years. This is what we’re going to see happen in the next three months. So, super excited about digital health. So those are really the three verticals that, I think, truly address a gigantic opportunity. Think about that $3 trillion of operating expenses in labor and how we’re going to augment them. That can easily be a couple hundred billion dollars in what we call AI factory, AI infrastructure to support all of those agents, supporting the robotic surgeries of the future, supporting the digital biology labs of the future and supporting all of our healthcare workers.	그리고 이것은 지금 이 순간에도 일어나고 있습니다. 이것은 3년이나 5년 후에 보게 될 일이 아닙니다. 이것은 앞으로 3개월 안에 일어날 일입니다. 그래서 디지털 헬스케어에 대해 매우 흥미진진합니다. 이 세 가지 수직 영역이야말로 거대한 기회를 진정으로 다루는 분야라고 생각합니다. 노동력에 소요되는 3조 달러의 운영비용과 우리가 이를 어떻게 증강시킬지 생각해보십시오. 이는 우리가 AI 팩토리, 즉 모든 에이전트들을 지원하고, 미래의 로봇 수술을 지원하며, 미래의 디지털 생물학 실험실을 지원하고, 모든 의료진을 지원하는 AI 인프라에서 쉽게 수천억 달러 규모가 될 수 있습니다.
So, this a gigantic opportunity? Brendan Smith Yes, I think that’s a really super helpful lay of the different use cases for AI within healthcare that you just outlined. So, I want to double click maybe on health and biology aspects. So, maybe which types of research, diagnostic or clinical applications at this point do you see as particularly ripe for AI-driven innovation? And I guess what is it about those applications that might lead you to say that? Kimberly Powell Yes, I think, that actually just recently Roche announced a new platform. When I was here last year, we had lots of new sequencing and genomics platforms.	브렌던 스미스 네, 방금 설명해주신 헬스케어 내 AI의 다양한 활용 사례들이 정말 도움이 되었습니다. 그렇다면 건강 및 생물학 측면을 좀 더 자세히 살펴보고 싶은데요. 현재 시점에서 AI 기반 혁신에 특히 적합하다고 보시는 연구, 진단 또는 임상 응용 분야는 어떤 것들이 있을까요? 그리고 그러한 응용 분야들이 그렇게 유망하다고 판단하시는 이유는 무엇인가요? 킴벌리 파월 네, 실제로 최근에 로슈(Roche)가 새로운 플랫폼을 발표했습니다. 작년에 제가 여기 왔을 때는 많은 새로운 시퀀싱 및 유전체학 플랫폼들이 있었습니다.
There is still massive innovation in the ability to be able to read biology at incredibly new resolutions and at insane throughput. And genomics is just a very obvious one, because humans are just not built to read it or understand it. But what has just happened, in fact, I think, it’s only a week old, we did some really groundbreaking work with the Arc Institute in California. We helped build the world’s largest biology foundation model for the first time. This biology foundation model is incredible. It was trained on some nine trillion nucleotides, it allows for a context length of one million, which is in some cases a whole genome of certain kind of species, bacteria.	생물학을 전례 없는 해상도와 엄청난 처리량으로 읽어낼 수 있는 능력에는 여전히 대규모 혁신이 일어나고 있습니다. 그리고 유전체학은 매우 명백한 예시입니다. 왜냐하면 인간은 이를 읽거나 이해하도록 만들어지지 않았기 때문입니다. 하지만 방금 일어난 일이 있는데, 사실 일주일밖에 되지 않았습니다. 저희는 캘리포니아의 Arc Institute와 함께 정말 획기적인 작업을 수행했습니다. 저희는 세계 최대 규모의 생물학 파운데이션 모델을 최초로 구축하는 데 도움을 주었습니다. 이 생물학 파운데이션 모델은 정말 놀랍습니다. 약 9조 개의 뉴클레오타이드로 훈련되었으며, 100만 개의 컨텍스트 길이를 허용합니다. 이는 경우에 따라서는 특정 종류의 종, 즉 박테리아의 전체 게놈에 해당합니다.
These are the domain-specific things that we need to work on in order to take the breakthroughs of large language models and transition them into the areas of biology. And so what is really happening here when you can study genomes from all these different species, you create a representation of biology that now allows for a study of the biology, and understanding of the biology in incredible new ways and in fact can predict variants at extreme accuracy, like they proved with the BRCA1 genomic variant. But this model can also do some other incredibly exciting things like write biology. So, you went from, okay, we’re still creating new platforms that can read biology at new scales.	이러한 것들은 대규모 언어 모델의 혁신적 성과를 생물학 분야로 전환하기 위해 우리가 작업해야 하는 도메인별 특화 영역들입니다. 그래서 이 모든 다양한 종의 게놈을 연구할 수 있게 되면, 생물학에 대한 표현을 만들어내게 되고, 이는 이제 놀라울 정도로 새로운 방식으로 생물학을 연구하고 이해할 수 있게 해주며, 실제로 BRCA1 게놈 변이로 입증한 바와 같이 극도로 정확하게 변이를 예측할 수 있습니다. 하지만 이 모델은 생물학을 작성하는 것과 같은 다른 놀라울 정도로 흥미진진한 일들도 할 수 있습니다. 따라서 우리는 여전히 새로운 규모로 생물학을 읽을 수 있는 새로운 플랫폼을 만들어내고 있다는 상황에서 출발했습니다.
We now have the ability to write biology and we also need these models to help us really do the analysis and understand the inner workings of biology. And so there's a lot of people in this room who I know are thinking about it.	이제 우리는 생물학을 작성할 수 있는 능력을 갖추었으며, 생물학의 내부 작동 원리를 분석하고 이해하는 데 도움이 되는 이러한 모델들이 필요합니다. 그래서 이 자리에 계신 많은 분들이 이에 대해 생각하고 계신다는 것을 알고 있습니다.
This idea is, how could we eventually get to what's called the virtual cell, the AI virtual cell, where you're able to now maybe represent biology at multi levels and then be able to have these AI models, be able to reason across these multi scales and connect what is a very complicated, the world's probably most complicated, study of biology to not only understand all of the molecules that's going inside cell, but also cell to cell cellular systems all the way up to organ. And so we have a lot of work to do there.	이 아이디어는 결국 가상 세포, 즉 AI 가상 세포라고 불리는 것에 어떻게 도달할 수 있을지에 관한 것입니다. 여기서는 생물학을 다중 레벨에서 표현할 수 있게 되고, 이러한 AI 모델들이 다중 스케일에 걸쳐 추론하고, 세계에서 아마도 가장 복잡한 생물학 연구를 연결할 수 있게 됩니다. 이를 통해 세포 내부의 모든 분자들을 이해할 뿐만 아니라, 세포 간 세포 시스템부터 장기에 이르기까지 모든 것을 파악할 수 있게 됩니다. 그래서 우리에게는 해야 할 일이 많이 있습니다.
So it's absolutely ripe and it's one of our fastest growing areas in fact is helping the pharmaceutical industry, this burgeoning sort of tech bio industry, which is coming at it from what data can I generate? What can I measure? And then how can I represent it in models to then drive what kind of medicines we can go after? And so there's model-driven drug discovery and molecular discovery. And then we also need to say, how can we do model-driven biology discovery? Because we all know that we need to also expand our understanding of targets. And so those two things are absolutely right. So ripe in the areas of being able to measure it, read it, write it.	따라서 이 분야는 완전히 성숙한 시점에 있으며, 실제로 제약 산업을 지원하는 것이 저희의 가장 빠르게 성장하는 영역 중 하나입니다. 특히 급성장하고 있는 테크 바이오 산업을 지원하고 있는데, 이들은 '어떤 데이터를 생성할 수 있는가? 무엇을 측정할 수 있는가? 그리고 이를 모델로 어떻게 표현하여 어떤 종류의 의약품을 추구할 수 있을지 결정할 수 있는가?'라는 관점에서 접근하고 있습니다. 따라서 모델 기반 신약 발견과 분자 발견이 있습니다. 또한 저희는 '모델 기반 생물학적 발견을 어떻게 할 수 있는가?'라고 물어야 합니다. 왜냐하면 저희 모두 타겟에 대한 이해를 확장해야 한다는 것을 알고 있기 때문입니다. 이 두 가지 모두 완전히 적절한 시점에 있습니다. 측정하고, 읽고, 쓸 수 있는 영역에서 성숙한 시점에 말입니다.
And so that is really just starting to come into view here. So super exciting. Brendan Smith So I guess specifically within the drug discovery piece of what you covered there, I guess, what do you feel people fundamentally either misunderstand or underappreciate about the applications for AI that are already happening today? Kimberly Powell Yes, I love. Thank you for asking that question, because it's something that we were thinking a lot about actually during COVID as Albert [ph]was saying, we saw what was essentially what feels like a missed opportunity in that, that $300 billion of R& D spend.	그리고 이것이 바로 지금 시야에 들어오기 시작하는 부분입니다. 정말 흥미진진합니다. 브렌든 스미스 방금 말씀하신 내용 중 신약 개발 부분에 대해 구체적으로 질문드리겠습니다. 현재 실제로 일어나고 있는 AI 응용 분야에 대해 사람들이 근본적으로 오해하거나 과소평가하고 있는 부분이 무엇이라고 생각하십니까? 킴벌리 파월 네, 좋은 질문 감사합니다. 실제로 코로나19 기간 동안 저희가 많이 생각했던 부분이기 때문입니다. 알버트가 말했듯이, 저희는 본질적으로 놓친 기회처럼 느껴지는 것을 목격했습니다. 바로 그 3,000억 달러 규모의 R&D 지출 말입니다.
A substantial amount of it is in what's very artisanal, very deep domain expertise, experimental processes, lab work, for the lack of better words. This is the IP of most biotech, tech-bio, pharmaceutical companies. And we could, we were witnessing that they just were not taking enough advantage of it. And so with our collaborators in the industry, you could imagine that what is happening now is, how can we create the conditions that AI is in the loop or lab is in the loop with AI.	상당 부분이 매우 장인적이고, 매우 깊은 도메인 전문성, 실험적 프로세스, 실험실 작업에 있습니다. 더 나은 표현이 없어서 이렇게 말씀드리는데, 이것이 대부분의 바이오테크, 테크-바이오, 제약회사들의 지적재산권입니다. 그리고 저희는 이들이 이를 충분히 활용하지 못하고 있다는 것을 목격했습니다. 따라서 업계의 협력업체들과 함께, 지금 일어나고 있는 것은 어떻게 하면 AI가 루프에 포함되거나 실험실이 AI와 함께 루프에 포함되는 조건을 만들 수 있을지에 대한 것이라고 상상하실 수 있을 것입니다.
So every single experiment that you do, every idea your scientist has, can now be captured and codified to build upon an institutional knowledge that otherwise is maybe sitting in an electronic lab notebook somewhere. But how could you represent even those decades of electronic lab notebooks in a model? And then every single experiment you make, put it back in. And so we've invented a platform called BioNeMo to serve just that. And you see the reason I talked about these three scaling laws is, because this lab in the loop is essentially going to require all three of those. It's going to require the very large-scale pre-training of these very large foundational models.	따라서 여러분의 과학자가 수행하는 모든 실험, 모든 아이디어를 이제 포착하고 체계화하여 기관의 지식 기반을 구축할 수 있습니다. 그렇지 않으면 이러한 지식들이 어딘가의 전자 실험 노트북에만 저장되어 있을 것입니다. 하지만 수십 년간의 전자 실험 노트북들을 어떻게 모델로 표현할 수 있을까요? 그리고 여러분이 수행하는 모든 실험을 다시 그 모델에 입력하는 것입니다. 이를 위해 우리는 BioNeMo라는 플랫폼을 개발했습니다. 제가 이 세 가지 스케일링 법칙에 대해 말씀드린 이유는, 이러한 lab in the loop(실험실 연동) 방식이 본질적으로 이 세 가지 모두를 필요로 하기 때문입니다. 이는 매우 대규모의 파운데이션 모델들에 대한 대규모 사전 훈련을 필요로 할 것입니다.
Tens of billions, hundreds of billions of parameters. We just reached, $40 billion with this latest foundation model we built. You're then going to take that model and you're going to use it to do all sorts of tasks, generate ideas the scientists otherwise wouldn't. And then you have to prune those down, you have to use prediction models to prune those down. And then you might want to even optimize them before they go into the lab. So you're doing all of this AI work upstream of the lab. After you go into the lab, you take all that very, very high value, essentially gold standard data and you get it back into the model and you go through this loop again and again.	수십억, 수백억 개의 매개변수를 가지고 있습니다. 저희가 구축한 이번 최신 파운데이션 모델로 400억 달러에 도달했습니다. 그 다음에는 그 모델을 가져와서 과학자들이 달리 생각해내지 못했을 아이디어를 생성하는 등 온갖 작업에 활용하게 됩니다. 그런 다음 그것들을 정제해야 하고, 예측 모델을 사용해서 정제해야 합니다. 그리고 실험실로 보내기 전에 최적화까지 하고 싶을 수도 있습니다. 따라서 실험실 업스트림에서 이 모든 AI 작업을 수행하는 것입니다. 실험실에 들어간 후에는 매우 높은 가치의, 본질적으로 골드 스탠다드 데이터를 모두 가져와서 모델에 다시 입력하고 이 루프를 계속해서 반복하게 됩니다.
And that is what is really starting to shrink. What is otherwise a five or three-year process. We're talking months now. And the readouts from the industry are happening very often. And so I think it was very underappreciated. They know their data is valuable. They didn't realize that they could put it in a model where it would be completely reproducible, reusable. Build upon this institutional knowledge and let's face it, this industry is a challenging one because it's very transient.	그리고 이것이 바로 실제로 단축되기 시작하고 있는 부분입니다. 원래 5년 또는 3년이 걸리던 프로세스를 이제 몇 개월 단위로 이야기하고 있습니다. 그리고 업계로부터의 결과들이 매우 빈번하게 나오고 있습니다. 따라서 이것이 매우 과소평가되었다고 생각합니다. 그들은 자신들의 데이터가 가치 있다는 것을 알고 있었습니다. 하지만 그들이 그 데이터를 완전히 재현 가능하고 재사용 가능한 모델에 넣을 수 있다는 것을 깨닫지 못했던 것입니다. 이러한 기관적 지식을 바탕으로 구축하는 것이고, 솔직히 말해서 이 업계는 매우 유동적이기 때문에 도전적인 업계입니다.
The scientists are jumping from one company to another and you have the potential to lose that deep domain expertise or that deep level of understanding when you can represent in models, it's now there for your company, your enterprise, to extract the most value out of it. And so I'm super excited about that. And you see the work that we're doing with Genentech and our friends here, relation lab in the loop is absolutely how R&D should be conducted. Capture every ounce of data that is so high value to teach us how to make the best next scientific decision. And we're right at the cusp of having AI scientists.	과학자들이 한 회사에서 다른 회사로 이직하면서 그 깊은 도메인 전문성이나 깊은 수준의 이해를 잃을 가능성이 있는데, 이제 이를 모델로 표현할 수 있게 되면서 귀하의 회사, 귀하의 기업이 이로부터 최대한의 가치를 추출할 수 있게 되었습니다. 그래서 저는 이에 대해 매우 흥미진진하게 생각하고 있습니다. 그리고 저희가 제넨텍(Genentech)과 함께 하고 있는 작업과 여기 저희 파트너인 릴레이션 랩(Relation Lab)과의 협업을 보시면, 루프 안에서의 이런 방식이야말로 R&D가 수행되어야 하는 방법입니다. 최고의 다음 과학적 의사결정을 내리는 방법을 가르쳐주는 매우 높은 가치의 모든 데이터를 포착하는 것입니다. 그리고 우리는 지금 AI 과학자를 보유하게 되는 전환점에 서 있습니다.
Fantastic papers have just recently been published where, you're going to be a biologist, you're just going to talk to the computer, you're going to, you're going to banter with it, you're going to hypothesize with it, it's going to automatically, go off and run some experiments for you, come back, synthesize what it witnessed in those experiments and you're going to have dynamic conversations with the AIs. And so that's coming and it's really exciting. Josh Buchalter I wanted to follow up on BioNeMo actually. So in the tech community we've become used to sort of an arms race to build foundational LLMs.	최근에 발표된 놀라운 논문들을 보면, 생물학자가 컴퓨터와 대화하듯 소통하고, 농담을 주고받으며, 가설을 세우면 AI가 자동으로 실험을 진행하고 돌아와서 실험에서 관찰한 내용을 종합해주는 방식으로 AI와 역동적인 대화를 나눌 수 있게 될 것입니다. 이런 미래가 다가오고 있으며 정말 흥미진진합니다. Josh Buchalter 실제로 BioNeMo에 대해 후속 질문을 드리고 싶습니다. 기술 커뮤니티에서는 기초 LLM 구축을 위한 일종의 군비경쟁에 익숙해져 있습니다.
But with BioNeMo it seems like NVIDIA is doing more of that work on behalf of and in partnership with your customers. Is that the right way to think about the go-to-market and your relationship specifically in digital biology? And then I guess on that note, given how critical data sovereignty and ownership and creation and capture is, how does that work given how much of the frontier model or I'm calling it a frontier model development you're doing with BioNeMo? Kimberly Powell Yes, I appreciate that question also very much. We are 100% an ecosystem and platform go-to-market. We train some biology foundation models to understand the process.	하지만 BioNeMo의 경우 NVIDIA가 고객들을 대신해서 그리고 고객들과의 파트너십을 통해 더 많은 작업을 수행하고 있는 것으로 보입니다. 이것이 디지털 생물학 분야에서의 시장 진출 방식과 관계에 대한 올바른 이해인가요? 그리고 이와 관련해서, 데이터 주권과 소유권, 생성 및 포착이 얼마나 중요한지를 고려할 때, BioNeMo를 통해 수행하고 있는 프론티어 모델 개발 작업이 상당한 상황에서 이것이 어떻게 작동하는 건가요? 킴벌리 파월 네, 그 질문도 정말 감사합니다. 저희는 100% 생태계와 플랫폼 중심의 시장 진출 방식을 취하고 있습니다. 저희는 프로세스를 이해하기 위해 일부 생물학 기반 모델들을 훈련시킵니다.
The end-to-end life cycle of building these models is extremely complex. We are in that business to codify that process into a platform like BioNeMo and give it to the industry for exactly that reason. Their data is their IP and should remain that forever. So how can we build enough of a foundation model that we took some of the hard work out? We codify, okay, how do you have to process the data beforehand? What model architectures are needed? How do you shard that model up across a data center of thousands of GPUs to train it in the shortest amount of time and cost footprint, total cost of ownership of training those models?	이러한 모델들을 구축하는 전체 생명주기는 극도로 복잡합니다. 저희는 바로 그런 이유로 이 과정을 BioNeMo와 같은 플랫폼으로 체계화하여 업계에 제공하는 사업을 하고 있습니다. 그들의 데이터는 그들의 지적재산이며 영원히 그래야 합니다. 그렇다면 어떻게 하면 어려운 작업의 일부를 덜어낼 수 있는 충분한 기반 모델을 구축할 수 있을까요? 저희는 이를 체계화합니다. 데이터를 사전에 어떻게 처리해야 하는지, 어떤 모델 아키텍처가 필요한지, 수천 개의 GPU로 구성된 데이터센터 전반에 걸쳐 해당 모델을 어떻게 샤딩하여 최단 시간과 비용으로, 즉 이러한 모델들을 훈련하는 총소유비용을 최소화하면서 훈련할 수 있는지를 체계화합니다.
How do you then package those models so that you can put them into production, with, again, the lowest cost, to run it? That whole process is what we essentially build into BioNeMo, and we give it to our friends like Relation or Genentech, and, and they train their own models. And so that is our go-to-market is in the, the BioNeMo platform being a platform that can, be deployed anywhere it would like, on-prem, in a public cloud, in a supercomputing center somewhere, right next to an instrument. It's really completely versatile, but we turn it into tools that are much, much easier to use and we take a lot of the hard computer science and, and we codify the data science know how.	그렇다면 이러한 모델들을 어떻게 패키징하여 다시 가장 낮은 비용으로 프로덕션에 투입할 수 있을까요? 이 전체 프로세스가 바로 우리가 BioNeMo에 구축한 핵심이며, 이를 Relation이나 Genentech 같은 파트너들에게 제공하여 그들이 자체 모델을 훈련할 수 있도록 지원합니다. 따라서 우리의 시장 진출 전략은 BioNeMo 플랫폼을 온프레미스, 퍼블릭 클라우드, 어딘가의 슈퍼컴퓨팅 센터, 또는 장비 바로 옆 등 원하는 어느 곳에든 배포할 수 있는 플랫폼으로 제공하는 것입니다. 정말로 완전히 다용도적이지만, 우리는 이를 훨씬 더 사용하기 쉬운 도구로 전환하고, 복잡한 컴퓨터 사이언스와 데이터 사이언스 노하우를 체계화합니다.
So our go to market, as I said, we partnered with Arc Institute, because they had the data, they had the scientific expertise, we had the computer science expertise, and then we turned it into reusable recipes that is essentially codified in what is called BioNeMo. So every other researcher, can take and benefit from it. Josh Buchalter Can I actually just ask now where you stand today? Are there any specific breakthroughs across AI healthcare space that you think will be potential watershed moments for even the biggest skeptics that we have today? Is it first AI generated drug to be approved by FDA? Like what does that look like to get the last of people on board with this?	따라서 우리의 시장 진출 전략은, 제가 말씀드린 바와 같이, Arc Institute와 파트너십을 맺었습니다. 그들은 데이터와 과학적 전문성을 보유하고 있었고, 우리는 컴퓨터 사이언스 전문성을 가지고 있었습니다. 그리고 이를 BioNeMo라고 불리는 시스템에 체계화된 재사용 가능한 레시피로 전환했습니다. 따라서 다른 모든 연구자들이 이를 활용하고 혜택을 받을 수 있습니다. Josh Buchalter 지금 현재 상황에 대해 질문드릴 수 있을까요? AI 헬스케어 분야에서 현재 가장 큰 회의론자들에게도 잠재적인 전환점이 될 수 있는 구체적인 돌파구가 있다고 생각하시나요? FDA가 승인한 최초의 AI 생성 신약이 그런 것일까요? 마지막 남은 사람들까지 동참시키려면 어떤 모습이어야 할까요?
Kimberly Powell Yes. I absolutely do think that, it will be a watershed moment when one of those drugs gets through. It's not that, there isn't a huge amount of activity going on using AI for, for drug discovery, but it is the case that it's hard for investors to stay in it for a bit of this, this long haul and see that AI is actually that R&D productivity is not this AI found me a new drug. It's all about the process of doing R&D discovery in a much more efficient way, but that's not as sexy to invest in. And so I do believe that there are several late stage AI discovered drugs now that when that happens, I think it will be a huge wake up call.	킴벌리 파월 네, 저는 그런 약물 중 하나가 승인을 받게 되면 분명히 분수령이 될 것이라고 생각합니다. 신약 개발에 AI를 활용하는 엄청난 활동이 진행되고 있지 않다는 것은 아니지만, 투자자들이 이런 장기적인 과정에 계속 참여하면서 AI가 실제로 R&D 생산성을 높인다는 것을 확인하기는 어려운 것이 사실입니다. 이는 'AI가 새로운 약물을 찾아줬다'는 것이 아니라, R&D 발견 과정을 훨씬 더 효율적인 방식으로 수행하는 것에 관한 것인데, 이는 투자하기에 그다지 매력적이지 않습니다. 그래서 저는 현재 여러 후기 단계의 AI 발견 약물들이 있고, 그것이 실현될 때 엄청난 각성의 계기가 될 것이라고 믿습니다.
I kind of akin it to the Tesla Motors moment in the automotive industry where it's going to be then a foregone conclusion we have to go electric. It's a foregone conclusion we've got to have AI in the loop in everything that we're doing. So I would say, you know, a hefty part of the industry is definitely there's, there's the top that is doing AI in the loop. There is, you know, the next generation that is thinking about doing it. If that were to happen, it would just be everybody's going to see it as the only way forward because it truly is the, the only way forward. So I think that is going to be a fantastic watershed moment.	저는 이것을 자동차 산업에서의 테슬라 모터스 순간과 비슷하다고 생각합니다. 전기차로 가야 한다는 것이 기정사실이 된 것처럼 말이죠. 우리가 하는 모든 일에 AI를 루프에 포함시켜야 한다는 것이 기정사실이 될 것입니다. 따라서 업계의 상당 부분이 확실히 AI 인 더 루프를 실행하고 있는 최상위 그룹이 있고, 이를 고려하고 있는 차세대 그룹이 있다고 말씀드리고 싶습니다. 만약 그런 일이 일어난다면, 모든 사람들이 이것을 유일한 앞으로 나아갈 길로 보게 될 것입니다. 왜냐하면 이것이 진정으로 유일한 앞으로 나아갈 길이기 때문입니다. 따라서 이것이 환상적인 분수령이 되는 순간이 될 것이라고 생각합니다.
Brendan Smith I guess just really quickly before I kick it back to Josh. Are there any important considerations from a regulatory perspective that investors should bear in mind as we try to understand kind of the market potential for AI within health care? Obviously, it's a moving target daily at this point, but, where things are today, anything that we should really be aware of? Kimberly Powell I don't think that there's anything that has changed substantially. I do think that the regulatory, the market industry, excuse me, they're really trying hard to keep up in it. I hope we all feel a bit of onus in trying to educate them because, it's really crazy.	브렌든 스미스 조시에게 다시 넘기기 전에 간단히 질문 하나만 드리겠습니다. 헬스케어 내 AI의 시장 잠재력을 이해하려고 할 때 투자자들이 염두에 두어야 할 규제 관점에서의 중요한 고려사항이 있을까요? 분명히 현재 시점에서는 매일 변화하는 상황이지만, 오늘 현재 상황에서 우리가 정말 알아두어야 할 것이 있나요? 킴벌리 파월 실질적으로 크게 변화한 것은 없다고 생각합니다. 규제 당국, 시장 업계에서, 죄송합니다, 그들이 정말 따라잡으려고 열심히 노력하고 있다고 생각합니다. 우리 모두가 그들을 교육하는 데 어느 정도 책임감을 느꼈으면 좋겠습니다. 정말 미친 상황이거든요.
Even in medical imaging, ADOC is one of our great partners. They've created now an imaging foundation model, and they were able to get an FDA approved algorithm that is on the basis of that foundation model approved within months. This is good. This is a good sign. But of course, we don't want to do things that are unsafe either. Just like in the car industry, for example, the Rand Association declared you've got to drive a billion miles before you could ever be considered safe to drive autonomously, right? And if you did the math on that, the current fleet of instrumented cars, it would take a decade or more to be able to drive that amount of miles.	의료 영상 분야에서도 ADOC은 저희의 훌륭한 파트너 중 하나입니다. 그들은 이제 영상 파운데이션 모델을 개발했고, 해당 파운데이션 모델을 기반으로 한 FDA 승인 알고리즘을 몇 달 만에 승인받을 수 있었습니다. 이는 좋은 소식입니다. 좋은 신호죠. 하지만 물론 저희는 안전하지 않은 일들을 하고 싶지는 않습니다. 예를 들어 자동차 업계에서처럼, 랜드 협회(Rand Association)는 자율주행이 안전하다고 간주되기 위해서는 10억 마일을 주행해야 한다고 선언했습니다, 그렇죠? 그리고 이를 계산해보면, 현재의 계측 장비가 탑재된 차량 플릿으로는 그만큼의 거리를 주행하는 데 10년 이상이 걸릴 것입니다.
So how could technology potentially help you solve that? One of the things that we're leaning into, and this is going to be huge in the health care robotics space, is simulation environments. You can train the car to drive in a virtual world because we now have the ability to do it as such high fidelity and create the corner cases that you would probably never still see on those 1 billion miles traveled, and we can build that understanding into the model and make them much more robust.	그렇다면 기술이 이러한 문제를 해결하는 데 어떻게 도움이 될 수 있을까요? 저희가 집중하고 있는 분야 중 하나이자 헬스케어 로보틱스 영역에서 매우 중요한 역할을 할 것은 바로 시뮬레이션 환경입니다. 이제 매우 높은 정밀도로 가상 세계에서 자동차 운전을 훈련시킬 수 있는 능력을 갖추게 되었고, 10억 마일을 주행해도 여전히 마주치지 못할 수 있는 극한 상황들을 만들어낼 수 있습니다. 이러한 이해를 모델에 구축하여 훨씬 더 견고하게 만들 수 있습니다.
And so we're going to have to help the FDA understand that there are technological advancements we can apply to show how much safer, in fact, by using computational methods, we're going to be making a lot of these AI algorithms or these medical systems going forward. So I think they're working really hard at it. I really respect the work that the FDA is doing. I think we can play a pivotal role in creating technologies, and then I think the conversation has to just be incredibly real. Nobody's seen this this pace of innovation in 100 years, right? I mean, we're all breathing from a fire hose. We're all waking up every single morning being like, what's new in AI today?	따라서 우리는 FDA가 계산적 방법론을 활용함으로써 향후 이러한 AI 알고리즘이나 의료 시스템들을 실제로 얼마나 더 안전하게 만들 수 있는지를 보여주는 기술적 진보를 적용할 수 있다는 점을 이해할 수 있도록 도와야 합니다. 그래서 저는 그들이 정말 열심히 노력하고 있다고 생각합니다. 저는 FDA가 하고 있는 작업을 정말 존경합니다. 우리가 기술을 창조하는 데 있어 중추적인 역할을 할 수 있다고 생각하며, 그런 다음 대화는 정말 현실적이어야 한다고 생각합니다. 지난 100년 동안 아무도 이런 속도의 혁신을 본 적이 없습니다, 그렇죠? 즉, 우리 모두가 소방호스에서 나오는 물을 마시고 있는 상황입니다. 우리 모두가 매일 아침 일어나서 '오늘 AI에서 새로운 것은 무엇인가?'라고 생각하고 있습니다.
So, try doing that in a regulated industry and it's something that requires the entire industry to work on. Brendan Smith On the topic of hurdles, do you feel like the health care industry is ready for all the innovation you're driving? And ask for two reasons. One, and at least from the outside looking in, is not necessarily the first one to adopt new technology usually, my dad still uses a fax machine, he's a physician. And then also from a cost standpoint, do you feel like we're at the point where cost is no longer prohibitive? Obviously, it's going to continue to move forward, but how do your customers think about where they are in the cost curve when they're adopting AI?	따라서 규제 산업에서 이를 시도해보면, 이는 전체 산업이 함께 노력해야 하는 일입니다. 브렌던 스미스 장애물 주제와 관련해서, 의료 산업이 귀하가 추진하고 있는 모든 혁신을 받아들일 준비가 되어 있다고 생각하십니까? 두 가지 이유로 묻겠습니다. 첫째, 적어도 외부에서 볼 때 의료업계는 일반적으로 새로운 기술을 가장 먼저 도입하는 업계가 아닙니다. 제 아버지는 의사인데 아직도 팩스를 사용하고 계십니다. 그리고 비용 관점에서도, 이제 비용이 더 이상 금지적이지 않은 지점에 도달했다고 생각하십니까? 물론 계속해서 발전할 것이지만, 고객들이 AI를 도입할 때 비용 곡선에서 자신들이 어느 위치에 있다고 생각하는지 어떻게 보십니까?
Kimberly Powell Yes, this is a great question too. I mean, you're right, the cost is getting completely manageable now. In fact, our Blackwell architecture, we've improved inference cost by 200 times in just two years. That means the cost curve of technology is going like this. The cost curve of human is on the other extreme. And so I think that is starting to be understood. What I don't think people quite understand yet is, the total cost of ownership and actually the return on investment can be huge. I have this fantastic example of building an avatar, a digital human, with Deloitte for the Ottawa Hospital.	킴벌리 파월 네, 이것도 정말 좋은 질문입니다. 말씀하신 게 맞습니다. 비용이 이제 완전히 관리 가능한 수준이 되었습니다. 실제로 저희 블랙웰 아키텍처로 단 2년 만에 추론 비용을 200배 개선했습니다. 이는 기술의 비용 곡선이 이렇게 하향하고 있다는 의미입니다. 반면 인건비 곡선은 정반대 방향입니다. 그래서 이 점이 이해되기 시작하고 있다고 생각합니다. 하지만 사람들이 아직 완전히 이해하지 못하고 있는 것은 총소유비용(TCO)과 실제 투자수익률(ROI)이 엄청날 수 있다는 점입니다. 저는 딜로이트와 함께 오타와 병원을 위해 아바타, 즉 디지털 휴먼을 구축한 환상적인 사례를 가지고 있습니다.
And every time you're going in for a surgery, there's always what's called a preoperative appointment. These preoperative appointments can range from an hour or two, generally with a trained clinical healthcare staff member. And a good 50% of that conversation is non-clinical. Where do I park? When do I need to stop taking my meds? When do I not I need to stop eating? Can I exercise before all of those kind of things where imagine you had a digital agent that you could call up any time of day and ask as many questions as you wanted? They recognize that they do 80,000 surgeries a year. Think about that, 160,000 hours of time spent.	수술을 받을 때마다 항상 수술 전 상담이라는 것이 있습니다. 이러한 수술 전 상담은 일반적으로 훈련받은 임상 의료진과 함께 1-2시간 정도 소요됩니다. 그리고 그 대화의 50% 정도는 비임상적인 내용입니다. 어디에 주차해야 하나요? 언제 약 복용을 중단해야 하나요? 언제 식사를 중단해야 하나요? 수술 전에 운동을 해도 되나요? 이런 종류의 질문들 말입니다. 하루 중 언제든지 전화를 걸어서 원하는 만큼 질문할 수 있는 디지털 에이전트가 있다고 상상해보세요. 그들은 연간 8만 건의 수술을 시행한다는 것을 인식하고 있습니다. 생각해보세요, 16만 시간이 소요되는 것입니다.
Imagine being able to deploy a digital system to take on 80,000 of those hours. If you did the math on that, that's essentially like being able to hire another 40 nurses. So the economics are fantastic actually in that situation. And not only are the economics and return on investment fantastic for the hospital, which as we know here in North America our economics are extremely poor and declining. So we need all of that capture back. But the patient experience, they studied the patient experience, it was 100%. Think about it. As a patient, you have a lot of angst, you want to ask a lot of questions.	80,000시간의 업무를 처리할 수 있는 디지털 시스템을 배치할 수 있다고 상상해보세요. 계산해보면, 이는 본질적으로 40명의 간호사를 추가로 고용하는 것과 같습니다. 따라서 이러한 상황에서 경제성은 실제로 매우 뛰어납니다. 그리고 병원에 대한 경제성과 투자수익률이 뛰어날 뿐만 아니라 - 여기 북미에서 우리의 경제성은 극도로 열악하고 계속 악화되고 있다는 것을 알고 있습니다. 따라서 우리는 그 모든 것을 되찾아야 합니다. 하지만 환자 경험을 연구한 결과, 100%였습니다. 생각해보세요. 환자로서 많은 불안감을 가지고 있고, 많은 질문을 하고 싶어합니다.
If you're doing it with a human who you know is short on time, you're not going to ask as many questions. And so the patient experience went way up as well. So there was a win-win situation here on deploying digital technology. So that's an example where I don't think we're doing a good job describing that return on investment in that TCO. That was very simple math and pretty mind-boggling math. When it comes to, let me use the second example you gave of dad and fax and the – unfortunately our healthcare system was architected for billing and things that are not really in service of the patient from the get-go. So we have a system that's been really, really tricky to innovate with.	시간이 부족한 의료진과 함께 진행할 때는 많은 질문을 하지 않게 됩니다. 그래서 환자 경험도 크게 향상되었습니다. 디지털 기술 도입에서 윈-윈 상황이 만들어진 것이죠. 이것이 바로 우리가 투자수익률(ROI)과 총소유비용(TCO)을 제대로 설명하지 못하고 있다고 생각하는 사례입니다. 이는 매우 간단한 계산이었고 상당히 놀라운 수치였습니다. 두 번째로 말씀하신 아버지와 팩스 사례에 대해서는 - 안타깝게도 우리 의료 시스템은 처음부터 청구업무와 같이 실제로는 환자를 위한 것이 아닌 목적으로 설계되었습니다. 그래서 우리는 혁신하기가 정말, 정말 까다로운 시스템을 갖고 있는 것입니다.
I believe that is not any longer. I believe that because of agentic AI and the way that it is architected, it can overlay on this system. Unlike introducing technology in the past. For example, what can agents do? They can connect, so they have the foundation model, but that wasn't enough. They can connect into an API. We did build that into the health systems where they can API in, get your personalized data, they can API in, into a tool that is maybe an antiquated scheduling system. And so they can kind of navigate autonomously over what is otherwise a antiquated and very complex and disaggregated healthcare system.	저는 더 이상 그렇지 않다고 생각합니다. 에이전틱 AI와 그것이 설계된 방식 때문에, 이 시스템 위에 오버레이될 수 있다고 믿습니다. 과거에 기술을 도입하는 것과는 달리 말입니다. 예를 들어, 에이전트들이 무엇을 할 수 있을까요? 연결할 수 있습니다. 파운데이션 모델을 가지고 있지만, 그것만으로는 충분하지 않았습니다. API에 연결할 수 있습니다. 저희는 실제로 헬스케어 시스템에 이를 구축했는데, 개인화된 데이터를 얻기 위해 API로 접속할 수 있고, 구식 스케줄링 시스템과 같은 도구에도 API로 접속할 수 있습니다. 그래서 그들은 구식이고 매우 복잡하며 분산된 헬스케어 시스템 위에서 자율적으로 탐색할 수 있습니다.
And so we have a lot of friends in the room who are building agents on top of this data to create new patient experiences. Abridge [ph], I don't know if your dad gets to use Abridge, but this is a clinical documentation platform that is a phone that the clinician sets in your room with them, says do you mind if I record. And now has all the opportunity to focus on you and not the computer. It summarizes, it does all of the clinical summarization and has a way after the clinician checks it for whatever it needs to do for the minor correction and it goes right into the electronic health record. This system is giving clinicians back two to three hours a day. A day.	그래서 저희는 이 데이터를 기반으로 에이전트를 구축하여 새로운 환자 경험을 창출하고 있는 많은 파트너들이 있습니다. Abridge[ph]의 경우, 아버님께서 Abridge를 사용하실 수 있는지는 모르겠지만, 이는 임상의가 진료실에서 환자와 함께 휴대폰을 놓고 "녹음해도 괜찮으시겠습니까?"라고 묻는 임상 문서화 플랫폼입니다. 이제 임상의는 컴퓨터가 아닌 환자에게 온전히 집중할 수 있는 기회를 갖게 됩니다. 이 시스템은 요약을 하고, 모든 임상 요약을 수행하며, 임상의가 필요한 사항을 확인하고 사소한 수정을 거친 후 바로 전자건강기록(EHR)에 입력되는 방식을 제공합니다. 이 시스템은 임상의들에게 하루에 2-3시간을 돌려주고 있습니다. 하루에 말입니다.
So this is, I think what we are right at the precipice of. And as I said, these systems are for hire. They're on demand. They don't require you to hire a system integrator and get a $3 billion budget to hire a digital preoperative appointment agent. You can essentially do it, do it on demand. And so I think that's that transition is going to be right here in front of us. And – you can already feel it as a patient, because Abridge is in my doctor's office. Josh Buchalter Well, unfortunately, the red light says, we're out of time. But, Kimberly, what you and your team are working on is important. It's inspiring and it's exciting. So thank you and good luck. And thank you.	그래서 이것이 바로 우리가 절벽 끝에 서 있는 지점이라고 생각합니다. 그리고 제가 말씀드린 바와 같이, 이러한 시스템들은 고용 가능한 서비스입니다. 온디맨드 방식이죠. 시스템 통합업체를 고용하고 디지털 수술 전 예약 에이전트를 위해 30억 달러 예산을 확보할 필요가 없습니다. 본질적으로 온디맨드 방식으로 실행할 수 있습니다. 그래서 이러한 전환이 바로 우리 앞에 펼쳐질 것이라고 생각합니다. 그리고 - 환자로서도 이미 이를 느낄 수 있습니다. Abridge가 제 담당 의사 진료실에 있기 때문입니다. Josh Buchalter 안타깝게도 빨간불이 켜져서 시간이 다 되었네요. 하지만 Kimberly, 당신과 당신 팀이 작업하고 있는 것은 중요하고, 영감을 주며, 흥미진진합니다. 감사드리고 행운을 빕니다. 그리고 감사합니다.
Thank you for joining us. Kimberly Powell Thank you. Thank you for having us. Brendan Smith Thank you, everyone.	감사합니다. 참석해 주셔서 감사합니다. 킴벌리 파월 감사합니다. 저희를 초대해 주셔서 감사합니다. 브렌던 스미스 여러분, 감사합니다.

📌 요약

• NVIDIA의 헬스케어 사업은 디지털 수술, 디지털 생물학, 디지털 헬스 3개 분야에 중점을 두고 있으며, 전체 $10조 규모의 헬스케어 산업 중 약 30%($3조)가 AI 인프라 투자 기회로 예상됨

• BioNeMo 플랫폼을 통해 제약/바이오 기업들의 R&D 생산성을 크게 향상시키고 있음 - 기존 3-5년 소요되던 프로세스를 수개월로 단축 가능

• 최근 출시된 Blackwell 아키텍처는 2년 만에 추론 비용을 200배 절감했으며, 디지털 의료 서비스의 TCO(총소유비용) 대비 ROI가 매우 높은 것으로 입증됨

• 규제 측면에서는 FDA가 AI 혁신 속도를 따라가기 위해 노력 중이며, 시뮬레이션 환경 등 새로운 검증 방식 도입이 필요한 상황

• 경영진은 AI 기반 신약이 FDA 승인을 받게 되면 업계의 대대적인 전환점이 될 것으로 전망하며 매우 낙관적인 톤을 보임

❓ Q&A

Original	Translation
Question-and-Answer Session	질의응답 세션

📌 요약

죄송하지만 요약할 실제 실적발표 내용이 제공되지 않았습니다. Q&A 세션이라고만 표시되어 있어서 구체적인 내용을 분석하고 요약하기 어렵습니다.

실제 실적발표 내용을 공유해 주시면:
- 주요 재무지표
- 가이던스 업데이트
- 경영진의 톤
- 잠재적 리스크와 강점

등을 중심으로 3-5개의 핵심 포인트로 요약해 드리겠습니다.