NVIDIA dan Palantir Menyebarkan Tumpukan AI Kedaulatan untuk Rantai Pasokan

Palantir Technologies (PLTR ) dan NVIDIA pada 10 September 2026, mengumumkan kolaborasi untuk membawa AI kedaulatan ke rantai pasokan kritis, dengan tumpukan AI pertama kali diterapkan dalam operasi rantai pasokan milik NVIDIA sendiri. Penyebaran ini menciptakan tumpukan AI yang membawa model terbuka NVIDIA Nemotron ke dalam Palantir Foundry dan Platform Kecerdasan Buatan (AIP), berlandaskan Ontologi Palantir.

Menurut pengumuman tersebut, tumpukan ini bertujuan menciptakan visibilitas rantai pasokan, mengidentifikasi kendala, secara terus-menerus mengkodifikasi keahlian operasional, dan memandu keputusan dengan kecepatan mesin sementara organisasi tetap mempertahankan kontrol dan kepemilikan data proprieternya. Dalam Palantir AIP, perangkat lunak NVIDIA cuOpt mendukung optimisasi dan perencanaan skenario, memungkinkan tim memodelkan kendala pasokan, menilai trade‑off, dan memahami dampak operasional dari keputusan alokasi. Model terbuka Nemotron yang dilatih pasca memberikan rekomendasi tindakan, menjelaskan trade‑off, dan menandai risiko yang muncul, sementara pakar rantai pasokan tetap mengendalikan keputusan akhir.

NVIDIA menyatakan bahwa ia mengoperasikan salah satu rantai pasokan paling kompleks, mencakup jutaan komponen, ribuan pemasok, dan jaringan global mitra manufaktur. Membawa sistem AI skala rak ke produksi memerlukan ketersediaan terkoordinasi dari komputasi, memori, jaringan, daya, pendinginan, dan komponen mekanik, dan perusahaan menyatakan bahwa ia bekerja erat dengan ekosistemnya untuk mengamankan pasokan bagi 1,3 juta komponen dalam setiap rak Vera Rubin.

Penyebaran NVIDIA Dari Wafer-Out ke Token Pertama

Sebuah posting blog teknis NVIDIA, juga bertanggal 10 September 2026, dan ditulis oleh arsitek solusi NVIDIA Nell Barber, Rana Haber, dan Aastha Jhunjhunwala, menjelaskan mekanisme penyebaran. NVIDIA mengukur kinerja rantai pasokan dari wafer-out hingga token pertama: waktu-ke-rak mengacu pada waktu sejak silikon meninggalkan pabrik hingga sistem terakit tiba di lantai pusat data, dan waktu-ke-token mencakup daya, pendinginan, jaringan, serta tumpukan perangkat lunak yang membuat infrastruktur produktif. Satu baki komputasi Grace Blackwell NVL72, satu dari delapan belas dalam satu rak, memerlukan dua CPU Grace, empat GPU Blackwell, dan tiga puluh dua tumpukan HBM3e. Rantai pasokan yang dibuat untuk Vera Rubin dua kali lebih besar daripada milik Grace Blackwell, menurut posting tersebut.

Produsen kontrak tidak dapat memulai perakitan hingga setiap komponen tiba dari salah satu dari tiga kumpulan: komponen langsung dari NVIDIA, komponen yang NVIDIA simpan secara konsinyasi, dan komponen dari pemasok. NVIDIA menjalankan jam Waktu Kepemilikan sejak saat situs manufaktur menerima material hingga material tersebut keluar sebagai bagian dari sub‑rakitan atau produk. Setiap minggu ia harus memutuskan apa dan berapa banyak material yang dialokasikan ke setiap situs manufaktur, sebuah masalah alokasi material kritis yang perencana revisi secara manual setiap minggu, dengan alokasi yang berlangsung melalui kuartal berjalan dan kuartal berikutnya.

Tim operasi rantai pasokan NVIDIA bekerja sama dengan Palantir untuk membangun pusat komando Intelijen Rantai Pasokan Digital di Palantir Foundry, di mana Ontologi menghubungkan material, situs manufaktur, komitmen, kapasitas, alokasi, output produksi, dan sinyal kualitatif tidak terstruktur menjadi satu lapisan data yang dikelola. NVIDIA cuOpt, sebuah pustaka sumber terbuka untuk optimisasi keputusan berbasis GPU, mengambil inputnya dari Ontologi dan menyelesaikan alokasi mingguan sebagai program linier campuran bilangan bulat yang tujuannya meminimalkan Waktu Kepemilikan. Solver juga melaporkan kendala mana yang mengikat, dan karena penyelesaiannya cepat, perencana dapat menjelajahi skenario di sekitar jawaban, seperti memori sepuluh persen lebih sedikit dalam suatu periode atau situs manufaktur baru yang mulai beroperasi.

Pengujian kembali keputusan alokasi historis terhadap hasil aktual menunjukkan bahwa perencana manusia mengungguli solver dengan bekerja dari informasi yang tidak dapat dilihatnya: email yang dipertukarkan dengan mitra pada minggu itu, perkiraan cuaca ekstrem untuk wilayah kunci, peristiwa geopolitik yang sedang berlangsung, transkrip debrief pemasok, dan bertahun‑tahun keahlian yang terkumpul. Oleh karena itu alur kerja menangkap setiap keputusan alokasi, alasan di baliknya, hasil yang diharapkan, dan hasil aktual.

NVIDIA melakukan pelatihan lanjutan pada model Nemotron 3.5 Lightning dengan bobot terbuka, yang memiliki 30 miliar parameter dengan kira‑kira 3 miliar aktif per lintasan maju, menggunakan keputusan yang dikumpulkan. Pipelines menggunakan NeMo Anonymizer untuk menghapus informasi pribadi yang dapat diidentifikasi dan menyamarkan bidang sensitif, NeMo Data Designer untuk memperluas dan menyeimbangkan contoh dengan data sintetis, serta NeMo AutoModel untuk melatih sekumpulan kecil parameter adaptor LoRA sementara bobot dasar tetap beku. Palantir Autopilot mengelola siklus hidup secara menyeluruh, meluncurkan setiap pekerjaan dari data Ontologi, memantau model yang disebarkan, dan menjaga jejak linier tetap utuh dari data ke versi model hingga rekomendasi.

Hasil Benchmark yang Dilaporkan

Pada benchmark pengembangan NVIDIA, model Lightning yang dilatih lanjutan mencapai akurasi keputusan alokasi 86,7 %, dibandingkan dengan 55,5 % untuk Nemotron 3 Ultra yang lebih besar dan 17,5 % untuk model Lightning dasar, menurut blog tersebut. Pada metrik yang memberi bobot setara pada jenis keputusan alih‑alih contoh, model yang dilatih lanjutan mencetak akurasi seimbang 58,6 % melawan Ultra yang 42,0 %, dan Macro-F1 57,5 % melawan Ultra yang 39,5 %. Pelatihan LoRA selesai pada dua GPU NVIDIA B200 dalam hitungan menit. Blog menyatakan bahwa peningkatan model terkonsentrasi pada domain tempat ia dilatih lanjutan, dan bahwa peramalan risiko produksi di masa depan tetap sulit meskipun ada penyetelan halus.

Rekomendasi yang diterima, diedit, dan dibatalkan dituliskan kembali ke dalam Ontologi, mengakumulasi hingga terdapat cukup data representatif untuk membenarkan pelatihan terkelola lainnya. Perusahaan berencana menggunakan umpan balik tersebut untuk pembelajaran penguatan, dengan rekomendasi yang diterima dan dibatalkan membentuk pasangan preferensi yang mencakup kebenaran alokasi, kepatuhan kebijakan, dan dasar bukti; model tidak pernah melatih ulang dirinya sendiri dalam produksi.

Penyebaran berjalan pada arsitektur referensi NVIDIA dan Arsitektur Referensi Sistem Operasi AI Kedaulatan Palantir (SAIOS) yang dikembangkan bersama, yang didukung oleh Dell Technologies (DELL ) dan Cisco. Tumpukan AI dapat disebarkan di lokasi dengan produsen sistem termasuk Cisco dan Dell, atau di lingkungan kolokasi dan cloud dengan Rackspace dan Nebius.

“NVIDIA mungkin memiliki rantai pasokan paling berharga, rumit, dan kompleks di dunia. Tumpukan kedaulatan kami, yang didukung oleh model Nemotron dan Ontologi, memberikan kemampuan yang melampaui batas sekaligus menyediakan kualitas perlindungan alfa yang tidak tersedia otherwise,” kata Alex Karp, co‑founder dan CEO Palantir Technologies.

“Rantai pasokan adalah sistem operasi ekonomi fisik, dan pabrik AI adalah salah satu sistem paling kompleks yang pernah dibangun,” kata Jensen Huang, pendiri dan CEO NVIDIA.

Perusahaan berencana memperluas pembelajaran dari penyebaran NVIDIA ke perusahaan di seluruh sektor manufaktur, energi, perawatan kesehatan, otomotif, dan dirgantara, dan pengumuman tersebut menyebutkan pertanian, manufaktur, farmasi, ritel, teknologi, serta organisasi pemerintah sebagai pihak yang dapat menggunakan tumpukan AI untuk mengoptimalkan operasi rantai pasokan mereka sendiri. Tumpukan AI dan aplikasinya lintas industri akan dipamerkan pada konferensi AIPCon 11 milik Palantir.