NVIDIA ja Palantir ottavat käyttöön suvereenin AI-pinon toimitusketjuja varten

Palantir Technologies (PLTR ) ja NVIDIA 10. syyskuuta 2026, julkaisivat yhteistyön tuodakseen suvereenin tekoälyn kriittisiin toimitusketjuihin, ja AI-pino otetaan ensiksi käyttöön NVIDIA:n omissa toimitusketjuoperaatioissa. Toteutus luo AI-pinon, joka tuo NVIDIA Nemotron -avomallit Palantir Foundryyn ja Artificial Intelligence Platformiin (AIP), perustuen Palantir Ontologiaan.

Ilmoituksen mukaan pinon tavoitteena on luoda näkyvyys toimitusketjuun, tunnistaa rajoitteet, jatkuvasti koodata operatiivista asiantuntemusta ja ohjata päätöksiä koneen nopeudella, samalla kun organisaatio säilyttää hallinnan ja omistusoikeuden omaan proprietaariseen dataansa. Palantir AIP:n sisällä NVIDIA cuOpt -ohjelmisto tukee optimointia ja skenaarioiden suunnittelua, mahdollistaen tiimien mallintaa toimitusrajoitteita, arvioida kompromisseja ja ymmärtää allokaatiopäätösten operatiivisen vaikutuksen. Jälkikoulutetut Nemotron‑avomallit suosittelevat toimenpiteitä, selittävät kompromisseja ja merkitsevät nousevia riskejä, kun taas toimitusketjuasiantuntijat säilyttävät lopullisten päätösten hallinnan.

NVIDIA toteaa, että se hallinnoi yhtä maailman monimutkaisimmista toimitusketjuista, joka kattaa miljoonia osia, tuhansia toimittajia ja globaalin verkoston valmistuskumppaneita. Rack‑tasoinen AI-järjestelmä tuotantoon saattaminen edellyttää laskentatehon, muistin, verkon, energian, jäähdytyksen ja mekaanisten komponenttien koordinoitua saatavuutta, ja yritys kertoo tekevänsä tiivistä yhteistyötä ekosysteeminsä kanssa varmistaakseen 1,3 miljoonan osan toimituksen jokaisessa Vera Rubin -rackissa.

NVIDIA:n käyttöönotto wafer‑ulostulosta ensimmäiseen tokeniin

NVIDIA:n Technical Blog -julkaisu, myös päivätty 10. syyskuuta 2026 ja kirjoittanut NVIDIA:n ratkaisusuunnittelijat Nell Barber, Rana Haber ja Aastha Jhunjhunwala, kuvaa käyttöönoton mekaniikkaa. NVIDIA mittaa toimitusketjun suorituskykyä wafer‑ulostulosta ensimmäiseen tokeniin: aika‑rackiin kattaa piin siirtymisen tehtaasta koottuun järjestelmään, joka saapuu datakeskuksen lattialle, ja aika‑tokeniin kattaa virran, jäähdytyksen, verkon ja ohjelmistopinon, joka tekee infrastruktuurista tuottavan. Yksi Grace Blackwell NVL72 -laskentakori, yksi kahdeksastatoista yhdestä rackista, vaatii kaksi Grace‑CPU:ta, neljä Blackwell‑GPU:ta ja kolmekymmentäkaksi HBM3e‑pinot. Vera Rubinille luotu toimitusketju on kaksinkertainen Grace Blackwelliin verrattuna, postauksen mukaan.

Sopimusvalmistajat eivät voi aloittaa kokoonpanoa ennen kuin kaikki komponentit ovat saapuneet yhdestä kolmesta varastosta: NVIDIA:lta suoraan, NVIDIA:n konsignaatiosäilyttämänä osat ja toimittajilta tulevat osat. NVIDIA käynnistää omistusaikakellon siitä hetkestä, kun valmistuspaikka vastaanottaa materiaalin, siihen asti kun se poistuu osana alikokoonpanoa tai tuotetta. Joka viikko sen on päätettävä, mitä ja kuinka paljon materiaalia kohdennetaan kullekin valmistuspaikalle, mikä on kriittinen materiaalien allokaatiotehtävä, jota suunnittelijat käsittelevät manuaalisesti viikoittain, ja allokaatio kattaa kuluvan neljänneksen ja seuraavan.

NVIDIA:n toimitusketjuoperaatiotiimi teki yhteistyötä Palantirin kanssa rakentaakseen Digital Supply Chain Intelligence -komentokeskuksen Palantir Foundryyn, jossa Ontologia yhdistää materiaalit, valmistuspaikat, sitoumukset, kapasiteetin, allokoinnit, tuotantotulokset ja jäsentelemättömät kvalitatiiviset signaalit yhdeksi hallituksi datakerrokseksi. NVIDIA cuOpt, avoimen lähdekoodin kirjasto GPU‑kiihdytetylle päätöksenteon optimoinnille, hakee syötteensä Ontologiasta ja ratkaisee viikoittaisen allokaation sekamurtolukuisena lineaarisena ohjelmana, jonka tavoitteena on minimoida omistusaika. Ratkaisija raportoi myös, mitkä rajoitteet ovat sitovia, ja koska ratkaisu on nopea, suunnittelijat voivat tutkia skenaarioita vastauksen ympärillä, kuten kymmenen prosentin vähemmän muistia jaksolla tai uuden valmistuspaikan käynnistymisen.

Historiallisten allokaatiopäätösten takaisin testaaminen todellisiin tuloksiin osoitti, että ihmissuunnittelijat ylittivät ratkaisijan suorituskyvyn hyödyntämällä tietoa, jota se ei nähnyt: kyseisen viikon kumppaneiden sähköpostit, vakavat sääennusteet keskeisille alueille, käynnissä olevat geopoliittiset tapahtumat, toimittajien debrief‑käsikirjoitukset ja vuosien kerryttämät asiantuntemus. Työvirta siis tallentaa jokaisen allokaatiopäätöksen, sen takana olevan perustelun, odotetun tuloksen ja todellisen lopputuloksen.

NVIDIA koulutti jälkikäteen avoimen painon Nemotron 3.5 Lightning -mallin, jossa on 30 miljardia parametria ja noin 3 miljardia aktiivista per eteenpäin‑askel, tallennettuihin päätöksiin. Putki käyttää NeMo Anonymizeria poistamaan henkilökohtaisesti tunnistettavat tiedot ja hämärtämään arkaluontoiset kentät, NeMo Data Designeria laajentamaan ja tasapainottamaan esimerkkejä synteettisellä datalla, sekä NeMo AutoModelia kouluttamaan pienen joukon LoRA‑adapteriparametreja, kun peruspainot pysyvät jäädyttyinä. Palantir Autopilot hallinnoi elinkaarta alusta loppuun, käynnistäen jokaisen työn Ontologia‑datasta, valvoen käyttöönotettua mallia ja säilyttäen sukupuun eheänä datasta malliversioon ja suositukseen.

Raportoituja vertailutuloksia

NVIDIA:n kehitysvertailussa jälkikoulutettu Lightning‑malli saavutti 86,7 % allokaatiopäätösten tarkkuuden, verrattuna 55,5 % suuremmalle Nemotron 3 Ultra -mallille ja 17,5 % perus‑Lightning‑mallille, blogi raportoi. Metriikoilla, jotka painottavat päätöstyypit tasapuolisesti esimerkeistä, jälkikoulutettu malli sai 58,6 % tasapainoista tarkkuutta Ultra:n 42,0 %:iin verrattuna, ja 57,5 % Macro‑F1:ta Ultra:n 39,5 %:iin verrattuna. LoRA‑koulutus suoritettiin kahdella NVIDIA B200 -GPU:lla minuuteissa. Blogi toteaa, että mallin parannukset keskittyvät sen jälkikoulutuksen kohdealueeseen, ja että tuleva tuotantoriskien ennustaminen pysyi vaikeana hienosäädöstä huolimatta.

Hyväksytyt, muokatut ja ohitetut suositukset kirjataan takaisin Ontologiaan, keräten tietoa, kunnes on riittävästi edustavaa dataa oikeuttamaan uuden hallitun koulutuskierroksen. Yritykset aikovat käyttää tätä palautetta vahvistusoppimiseen, jossa hyväksytyt ja ohitetut suositukset muodostavat mieltymysparit, jotka kattavat allokaation oikeellisuuden, politiikan noudattamisen ja todisteiden perustan; malli ei koskaan kouluta itseään uudelleen tuotannossa.

Käyttöönotto toimii NVIDIA:n referenssiarkkitehtuureilla ja yhteisesti kehitetyllä Palantir Sovereign AI Operating System Reference Architecture (SAIOS) -arkkitehtuurilla, jota tukevat Dell Technologies (DELL ) ja Cisco. AI-pinoa voidaan ottaa käyttöön paikallisesti järjestelmävalmistajien, kuten Cisco ja Dell, kanssa tai yhteiskäyttö- ja pilviympäristöissä Rackspacen ja Nebiuksen kanssa.

“NVIDIA:lla on väistämättä maailman arvokkain, monimutkaisin ja monimutkaisin toimitusketju. Meidän suvereeninen pinomme, jota ohjaavat Nemotron‑mallit ja Ontologia, tarjoaa kyvykkyyksiä, jotka ylittävät rajan, samalla kun se tarjoaa alfa-suojauksen ominaisuuksia, joita ei muuten ole,” sanoi Alex Karp, Palantir Technologiesin perustaja ja toimitusjohtaja.

“Toimitusketjut ovat fyysisen talouden käyttöjärjestelmä, ja AI-tehtaat ovat yksi monimutkaisimmista koskaan rakennetusta järjestelmästä,” sanoi Jensen Huang, NVIDIA:n perustaja ja toimitusjohtaja.

Yritykset aikovat laajentaa NVIDIA:n käyttöönotosta opittuja oppeja yrityksiin eri toimialoilla, kuten valmistus, energia, terveydenhuolto, automaatio ja ilmailu, ja ilmoitus mainitsee maatalouden, valmistuksen, lääkealan, vähittäiskaupan, teknologian ja valtion organisaatiot kykeneviksi käyttämään AI-pinoa optimoidakseen omia toimitusketjujaan. AI-pinoa ja sen sovelluksia eri toimialoilla esitellään Palantir:n AIPCon 11 -konferenssissa.