NVIDIA og Palantir implementerer suveræn AI‑stak til forsyningskæder

Palantir Technologies (PLTR ) og NVIDIA den 10. september 2026, annoncerede et samarbejde om at bringe suveræn AI til kritiske forsyningskæder, hvor AI‑stakken først blev implementeret i NVIDIAs egne forsyningskædeoperationer. Implementeringen skaber en AI‑stak, der integrerer NVIDIAs Nemotron‑åbne modeller i Palantir Foundry og Artificial Intelligence Platform (AIP), baseret på Palantir‑ontologien.

Ifølge meddelelsen har stakken til formål at skabe synlighed i forsyningskæden, identificere flaskehalse, løbende kodificere operationel ekspertise og vejlede beslutninger i maskinhastighed, mens organisationen bevarer kontrol og ejerskab over sine proprietære data. Inden for Palantir AIP understøtter NVIDIAs cuOpt‑software optimering og scenarieplanlægning, så teams kan modellere forsyningsbegrænsninger, vurdere afvejninger og forstå den operationelle påvirkning af allokeringsbeslutninger. Eftertrænet Nemotron‑åbne modeller anbefaler handlinger, forklarer afvejninger og markerer nye risici, mens forsyningskædeeksperter bevarer kontrol over de endelige beslutninger.

NVIDIA oplyser, at de driver en af de mest komplekse forsyningskæder, som omfatter millioner af dele, tusinder af leverandører og et globalt netværk af fremstillingspartnere. At bringe et rack‑skala AI‑system i produktion kræver koordineret tilgængelighed af beregning, hukommelse, netværk, strøm, køling og mekaniske komponenter, og virksomheden siger, at de arbejder tæt sammen med deres økosystem for at sikre forsyningen af de 1,3 millioner dele i hver Vera Rubin‑rack.

NVIDIAs implementering fra wafer‑udtagning til første token

Et NVIDIA Technical Blog‑indlæg, også dateret den 10. september 2026 og skrevet af NVIDIAs løsningsarkitekter Nell Barber, Rana Haber og Aastha Jhunjhunwala, beskriver implementeringens mekanik. NVIDIA måler forsyningskædens ydeevne fra wafer‑udtagning til første token: tid‑til‑rack går fra silicium, der forlader fabrikken, til et samlet system, der ankommer til et datacentergulv, og tid‑til‑token dækker strøm, køling, netværk og software‑stakken, der gør infrastrukturen produktiv. En Grace Blackwell NVL72‑beregningstray, én af atten i et enkelt rack, kræver to Grace‑CPU’er, fire Blackwell‑GPU’er og toogtredive HBM3e‑stakke. Ifølge indlægget er forsyningskæden, der er oprettet for Vera Rubin, dobbelt så stor som Grace Blackwells.

Kontraktproducenter kan ikke påbegynde samling, før alle komponenter er ankommet fra en af tre puljer: dele direkte fra NVIDIA, dele NVIDIA har på kommission, og dele fra leverandører. NVIDIA kører en Time of Ownership‑ur fra det øjeblik, en produktionslokation modtager materiale, indtil det forlader som del af en del‑samling eller et produkt. Hver uge skal de beslutte, hvad og hvor meget materiale der skal tildeles hver produktionslokation, et kritisk materialetildelingsproblem, som planlæggere manuelt reviderer hver uge, med tildelingen løbende gennem det aktuelle kvartal og det næste.

NVIDIAs team for forsyningskædeoperationer arbejdede sammen med Palantir om at bygge et Digital Supply Chain Intelligence‑kommandocenter på Palantir Foundry, hvor ontologien forbinder materialer, produktionssteder, forpligtelser, kapacitet, tildelinger, produktionsoutput og ustrukturerede kvalitative signaler i ét styret datalag. NVIDIA cuOpt, et open‑source‑bibliotek til GPU‑accelereret beslutningsoptimering, henter sine input fra ontologien og løser den ugentlige tildeling som et blandet heltals‑lineært program, hvis mål er at minimere Time of Ownership. Løseren rapporterer også, hvilke begrænsninger der er bindende, og fordi beregningen er hurtig, kan planlæggere udforske scenarier omkring svaret, såsom ti procent mindre hukommelse i en periode eller en ny produktionslokation, der tages i brug.

Tilbage‑testning af historiske tildelingsbeslutninger mod faktiske resultater viste, at menneskelige planlæggere overgik løseren ved at arbejde ud fra information, den ikke kunne se: e‑mails udvekslet med partnere den uge, alvorlige vejrudsigter for nøgleområder, igangværende geopolitisk begivenheder, leverandør‑debrief‑transkripter og år med akkumuleret ekspertise. Arbejdsprocessen indfanger derfor hver tildelingsbeslutning, begrundelsen bag den, det forventede resultat og det faktiske udfald.

NVIDIA eftertræner den åbne vægt Nemotron 3.5 Lightning‑model, som har 30 milliarder parametre med cirka 3 milliarder aktive pr. fremadrettet pass, på de indsamlede beslutninger. Pipeline’en bruger NeMo Anonymizer til at fjerne personligt identificerbare oplysninger og sløre følsomme felter, NeMo Data Designer til at udvide og balancere eksempler med syntetiske data, og NeMo AutoModel til at træne et lille sæt LoRA‑adapterparametre, mens grundvægtene forbliver frosne. Palantir Autopilot håndterer livscyklussen fra ende til anden, starter hver job fra ontologidata, overvåger den implementerede model og bevarer linjen fra data til modelversion til anbefaling intakt.

Rapporterede benchmark‑resultater

På NVIDIAs udviklingsbenchmark nåede den eftertrænede Lightning‑model en allokerings‑beslutningsnøjagtighed på 86,7 %, sammenlignet med 55,5 % for den større Nemotron 3 Ultra og 17,5 % for basis‑Lightning‑modellen, rapporterer bloggen. På målinger, der vægter beslutningstyper lige frem for eksempler, opnåede den eftertrænede model en balanceret nøjagtighed på 58,6 % mod Ultras 42,0 %, og en Macro‑F1 på 57,5 % mod Ultras 39,5 %. LoRA‑træningskørslen afsluttedes på to NVIDIA B200‑GPU’er på få minutter. Bloggen angiver, at modellens gevinster er koncentreret i det domæne, den blev eftertrænet på, og at fremtidig risikoforudsigelse i produktion forblev vanskelig trods finjustering.

Accepterede, redigerede og tilsidesatte anbefalinger skrives tilbage i ontologien og akkumuleres, indtil der er nok repræsentative data til at retfærdiggøre en ny styret træningskørsel. Virksomhederne planlægger at bruge denne feedback til forstærkningslæring, hvor accepterede og tilsidesatte anbefalinger danner præferencepar, der dækker allokeringskorrekthed, politikoverholdelse og evidensgrundlag; modellen træner aldrig sig selv i produktion.

Implementeringen kører på NVIDIAs referencearkitekturer og den fællesudviklede Palantir Sovereign AI Operating System Reference Architecture (SAIOS), som understøttes af Dell Technologies (DELL ) og Cisco. AI‑stakken kan implementeres lokalt med systemproducenter inklusive Cisco og Dell, eller i co‑location‑ og cloud‑miljøer med Rackspace og Nebius.

“NVIDIA har uden tvivl den mest værdifulde, indviklede og komplekse forsyningskæde i verden. Vores suveræne stak, drevet af Nemotron‑modeller og ontologi, leverer kapaciteter, der overstiger grænsen, samtidig med at den giver alfa‑beskyttelsesegenskaber, som ellers ikke er tilgængelige,” sagde Alex Karp, medstifter og administrerende direktør for Palantir Technologies.

“Forsyningskæder er den fysiske økonomis operativsystem, og AI‑fabrikker er blandt de mest komplekse systemer, der nogensinde er bygget,” sagde Jensen Huang, grundlægger og administrerende direktør for NVIDIA.

Virksomhederne planlægger at overføre erfaringerne fra NVIDIAs implementering til virksomheder inden for fremstilling, energi, sundhedspleje, bilindustri og luftfart, og meddelelsen nævner landbrug, fremstilling, farmaceutisk, detail, teknologi og offentlige organisationer som i stand til at bruge AI‑stakken til at optimere deres egne forsyningskædeoperationer. AI‑stakken og dens anvendelser på tværs af brancher vil blive præsenteret på Palantirs AIPCon 11‑konference.