LONDON (IT BOLTWISE) – Ein DGIST-Startup soll im April 2026 ein fünfjähriges nationales Teilprojekt mit 4,6 Milliarden KRW leiten, um ein KI-Foundation-Model speziell für die Arzneimittelforschung aufzubauen. Kernziel ist eine datengetriebene „Closed-Loop“-Pipeline: KI-Vorhersage von Kandidaten, automatisierte Synthese im Labor und zeitnahe Rückkopplung über Aktivitätsdaten. Dafür nutzt das Unternehmen umfangreiche Hochleistungs-Infrastruktur, darunter 48 Beschleuniger-GPUs, und will sensible medizinische Daten in einem regionalen Regulierungsrahmen sicher verarbeiten. Die Initiative zielt zugleich auf eine branchenweit relevante Beschleunigung von Drug-Discovery-Zyklen und erhöht den Wettbewerbsdruck auf etablierte KI-Pharma-Ansätze.
Im Zeichen der KI-gestützten Wirkstoffsuche rückt ein neues Programm in den Fokus, das Forschungseinrichtungen und Startups enger verzahnen soll. Das südkoreanische DGIST-Startup UNIVA Corp. wurde ausgewählt, um ein nationales Teilprojekt im Rahmen des „AIxBio Innovation Research Hub Pilot Project“ zu führen. Ziel ist nicht nur bessere Modelle, sondern eine digitale Bio-Transformation, die Entwicklungszyklen messbar verkürzt. Der finanzielle Rahmen ist dabei ambitioniert: Insgesamt fließen 49,1 Milliarden KRW in die übergeordnete Initiative, in der UNIVA für eine fünfjährige Laufzeit ab April 2026 ein Budget von 4,6 Milliarden KRW verantwortet. Der Zeitplan bis Dezember 2030 macht deutlich, dass hier schnelle technische Umsetzung im Vordergrund steht.
Technisch betrachtet setzt UNIVA auf einen „AI foundation model“-Ansatz, also ein vortrainiertes, generalisierbares Basismodell, das anschließend auf den Domänenkontext Drug Discovery zugeschnitten wird. Entscheidend ist dabei der Infrastrukturhebel: Das Vorhaben nutzt laut Meldung Hochleistungsrechenressourcen mit 48 NVIDIA B300 GPUs. So lassen sich große Mengen an molekularen und wissenschaftlichen Daten über längere Trainings- und Feinabstimmungsphasen verarbeiten, ohne die Latenzen zwischen Iterationen zu hoch werden zu lassen. In der Praxis bedeutet das für die Modellierung häufig eine Mischung aus Repräsentationslernen (für chemische Strukturen), domänenspezifischer Vorverarbeitung und einem eng kontrollierten Experiment-Feedback, damit Vorhersagen nicht nur plausibel, sondern labor-nutzbar werden.
Für den Aufbau solcher Daten- und Modellpipelines ist die Vorgeschichte von UNIVA relevant. Das Unternehmen versteht sich als „Deep-Tech“-Player, der 2021 aus dem Umfeld von DGIST heraus gegründet wurde. Besonders betont wird die Fähigkeit zur Generierung umfangreicher und zugleich hochkomplexer Datensätze, etwa bestehend aus sehr vielen technischen und wissenschaftlichen Dokumenten sowie aus mathematisch-educationalen Daten. Solche Quellen werden in Foundation-Model-Workflows oft benötigt, um sowohl Sprach- als auch Kontextverständnis zu schärfen und anschließend Fachwissen in feinere Aufgaben zu überführen. Wenn UNIVA die Daten über Plattformen wie AI Hub zugänglich macht, kann das zudem die Reproduzierbarkeit unterstützen und die Lücke zwischen Forschung und produktiver Modellintegration verkleinern.
Am Markt steht UNIVA damit in einem Feld, das seit Jahren von KI-gestützter Wirkstoffentwicklung geprägt wird, jedoch stark zwischen „Proof of Concept“ und operativer Pipeline schwankt. Während Anbieter wie Exscientia und Atomwise bekannte Schwerpunkte im jeweiligen Ökosystem haben, setzen viele größere Programme auf Plattformen, die Modelle, Datenmanagement und Laborautomatisierung zusammenbringen. UNIVAs Fokus auf einen geschlossenen Kreislauf („closed loop“) adressiert genau diese Engstelle: KI soll Kandidaten präziser vorhersagen, anschließend soll die automatisierte Synthese erfolgen, und die Ergebnisse werden ohne Unterbrechung in Aktivitätsbewertungssysteme rückgekoppelt. Branchenexperten berichten, dass genau diese End-to-End-Integration über den Markterfolg entscheidet, weil sie die messbare Zeitersparnis gegenüber traditionellen Screening-Prozessen liefert.
Auch die Wettbewerbsdynamik hängt vom Timing ab. 2023 erreichte UNIVA laut Bericht Platz eins in der Open Ko-LLM-Leaderboard mit dem koreanischen Modell „KOMODO“ und liefert weitere Forschungsergebnisse, etwa über eine Zusammenarbeit bei einer neueren „Reasoning“-Modellreihe mit KAIST. Solche Public Benchmarks wirken in der Praxis wie ein Signal: Sie zeigen, dass das Team nicht nur Daten sammeln, sondern auch Modellarchitekturen und Trainingstechniken beherrscht. Gleichzeitig ist die Überführung in Drug Discovery eine andere Disziplin als generische Sprachmodellierung. Daher kommt dem Zusammenspiel mit dem Konsortium eine zentrale Rolle zu: Kyungpook National University, das zugehörige Hospital sowie die Daegu Gyeongbuk Advanced Medical Industry Promotion Foundation sollen helfen, die Daten- und Validierungsstrecke realitätsnah aufzusetzen.
Regulatorisch und datenschutztechnisch ist das Vorhaben besonders sensibel. UNIVA plant, sensible medizinische Daten im Umfeld einer regionalen „data regulation-free zone“ in Daegu sicher zu nutzen. Das ist ein Ansatz, der in der EU-ähnlichen Diskussion häufig an Fragen zur Zweckbindung, Zugriffskontrolle, Datenminimierung und Auditierbarkeit gekoppelt ist. Für eine Closed-Loop-Pipeline bedeutet das zudem: Nicht nur Trainingsdaten, auch Zwischenoutputs wie modellbasierte Kandidatenlisten müssen kontrolliert werden, bevor sie in automatisierte Laborprozesse übergehen. Aus Security-Sicht ist das ein klassischer „Model-to-Process“-Angriffspfad, bei dem Zugriffslücken in Datenspeichern oder Schnittstellen die Compliance gefährden können. Entsprechend werden in reifen Architekturen oft rollenbasierte Zugriffe, Verschlüsselung, Protokollierung und strikte Trennung der Umgebungen benötigt.
Für Unternehmen und Entwickler eröffnet die Initiative einen konkreten Umsetzungspfad. Wenn das KI-Foundation-Model wirklich „zero-latency“ im End-to-End-Ökosystem anstrebt, muss es mit einer Architektur zusammenspielen, die Datenströme, Laborsteuerung und Bewertungsdaten ohne zeitraubende manuelle Zwischenschritte synchronisiert. Technisch erinnert das an MLOps-Disziplinen wie Model Monitoring, versioniertes Experiment-Tracking und reproduzierbare Pipelines, nur dass die „Runtime“-Abhängigkeiten stärker mit physischer Infrastruktur verknüpft sind. Historisch haben viele KI-Drug-Discovery-Ansätze zwar gute Modellqualität gezeigt, scheiterten aber an der Integration in reale Workflows. Diese Lücke zu schließen, könnte Entwicklerteams künftig attraktiv machen: Tools, die Datenaufbereitung, Docking-/Aktivitätsbewertung und Automationsschnittstellen zusammenführen, gewinnen strategischen Wert.
Der Ausblick bis 2030 hängt letztlich davon ab, ob UNIVA die Datenstrategie, Modellleistung und Labor-Rückkopplung gleichzeitig optimiert. Gelingen dürfte das vor allem dann, wenn die Validierungszyklen kurz bleiben und die Pipeline nicht bei jedem Iterationsschritt neu aufgebaut werden muss. Branchenbeobachter erwarten, dass sich in der nächsten Phase vor allem „Spezialisierung“ gegenüber reiner Modellgröße durchsetzt: Domänenspezifische Fine-Tuning-Schritte, kuratierte Datensätze und ein sauberer Umgang mit Unsicherheit werden entscheidend. Im besten Fall schafft die Initiative ein nachahmbares Referenzmuster für KI-gestützte Arzneiforschung in nationalen Verbünden, das auch international Wettbewerbsfähigkeit stärkt und die Grundlage für skalierbare Drug-Discovery-Services legt.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "DGIST-Startup UNIVA entwickelt KI-Foundation-Model für Drug Discovery mit 4,6 Mrd. KRW" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "DGIST-Startup UNIVA entwickelt KI-Foundation-Model für Drug Discovery mit 4,6 Mrd. KRW" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »DGIST-Startup UNIVA entwickelt KI-Foundation-Model für Drug Discovery mit 4,6 Mrd. KRW« bei Google Deutschland suchen, bei Bing oder Google News!