NVIDIA en Palantir implementeren soevereine AI-stack voor toeleveringsketens

Palantir Technologies (PLTR ) en NVIDIA op 10 september 2026, kondigden een samenwerking aan om soevereine AI naar kritieke toeleveringsketens te brengen, waarbij de AI-stack eerst wordt ingezet binnen de eigen toeleveringsketenoperaties van NVIDIA. De inzet creëert een AI-stack die NVIDIA Nemotron open-modellen naar Palantir Foundry en het Artificial Intelligence Platform (AIP) brengt, gebaseerd op de Palantir Ontologie.

Volgens de aankondiging is het doel van de stack om zichtbaarheid in de toeleveringsketen te creëren, beperkingen te identificeren, operationele expertise continu te codificeren en beslissingen op machinale snelheid te begeleiden, terwijl de organisatie controle en eigendom over haar eigen data behoudt. Binnen Palantir AIP ondersteunt NVIDIA cuOpt-software optimalisatie en scenario‑planning, waardoor teams toeleveringsbeperkingen kunnen modelleren, afwegingen kunnen beoordelen en de operationele impact van toewijzingsbeslissingen kunnen begrijpen. Na training aanbevelen de Nemotron open-modellen acties, leggen ze afwegingen uit en markeren ze opkomende risico’s, terwijl toeleveringsketenexperts de controle over de uiteindelijke beslissingen behouden.

NVIDIA stelt dat het een van de meest complexe toeleveringsketens beheert, die zich uitstrekt over miljoenen onderdelen, duizenden leveranciers en een wereldwijd netwerk van productpartner­s. Het in productie brengen van een AI‑systeem op rack‑schaal vereist de gecoördineerde beschikbaarheid van rekenkracht, geheugen, netwerken, stroom, koeling en mechanische componenten, en het bedrijf geeft aan nauw samen te werken met haar ecosysteem om de levering van de 1,3 miljoen onderdelen in elk Vera Rubin‑rack te waarborgen.

De NVIDIA‑implementatie van wafer‑uitgang tot eerste token

Een NVIDIA Technical Blog‑bericht, eveneens gedateerd 10 september 2026 en geschreven door NVIDIA‑oplossingsarchitecten Nell Barber, Rana Haber en Aastha Jhunjhunwala, beschrijft de mechanica van de inzet. NVIDIA meet de prestaties van de toeleveringsketen van wafer‑uitgang tot eerste token: time‑to‑rack loopt van het siliconen dat de fabriek verlaat tot een geassembleerd systeem dat op de datacentervloer arriveert, en time‑to‑token omvat stroom, koeling, netwerken en de software‑stack die de infrastructuur productief maakt. Eén Grace Blackwell NVL72‑rekenlade, één van achttien in een enkel rack, vereist twee Grace‑CPU’s, vier Blackwell‑GPU’s en tweeëndertig HBM3e‑stacks. Volgens het bericht is de voor Vera Rubin gecreëerde toeleveringsketen twee keer zo groot als die van Grace Blackwell.

Contractfabrikanten kunnen niet beginnen met assemblage totdat elk onderdeel is aangekomen vanuit een van drie pools: onderdelen direct van NVIDIA, onderdelen die NVIDIA op consignatie heeft opgeslagen, en onderdelen van leveranciers. NVIDIA hanteert een Time‑of‑Ownership‑klok vanaf het moment dat een productielocatie materiaal ontvangt tot het moment dat het als onderdeel van een sub‑assemblage of product vertrekt. Elke week moet worden bepaald welk en hoeveel materiaal aan elke productielocatie wordt toegewezen, een kritisch materiaal‑toewijzingsprobleem dat planners wekelijks handmatig herwerken, waarbij de toewijzing loopt over het huidige kwartaal en het volgende.

Het NVIDIA‑toeleveringsketen‑operatieteam werkte samen met Palantir om een Digital Supply Chain Intelligence‑commandocentrum te bouwen op Palantir Foundry, waar de Ontologie materialen, productielocaties, commits, capaciteit, toewijzingen, productie‑output en ongestructureerde kwalitatieve signalen verbindt tot één beheerde datalaag. NVIDIA cuOpt, een open‑source bibliotheek voor GPU‑versnelde besluit‑optimalisatie, haalt zijn invoer uit de Ontologie en lost de wekelijkse toewijzing op als een mixed‑integer lineair programma waarvan het doel de Time‑of‑Ownership te minimaliseren is. De solver meldt ook welke beperkingen bindend zijn, en omdat de oplossing snel is, kunnen planners scenario’s rond het antwoord verkennen, zoals tien procent minder geheugen in een periode of een nieuwe productielocatie die online komt.

Het terugtesten van historische toewijzingsbeslissingen tegen de werkelijke uitkomsten toonde aan dat menselijke planners de solver overtroffen door te werken met informatie die de solver niet kon zien: e‑mails die die week met partners werden uitgewisseld, zware weersvoorspellingen voor sleutelregio’s, lopende geopolitieke gebeurtenissen, transcripties van leveranciers‑debriefings en jaren aan opgebouwde expertise. De workflow legt daarom elke toewijzingsbeslissing vast, de reden erachter, het verwachte resultaat en de feitelijke uitkomst.

NVIDIA heeft het open‑weight Nemotron 3.5 Lightning‑model, met 30 billion parameters en ongeveer 3 billion actieve per voorwaartse pass, getraind op de vastgelegde beslissingen. De pijplijn gebruikt NeMo Anonymizer om persoonlijk identificeerbare informatie te verwijderen en gevoelige velden te verhullen, NeMo Data Designer om voorbeelden uit te breiden en in balans te brengen met synthetische data, en NeMo AutoModel om een kleine set LoRA‑adapterparameters te trainen terwijl de basisgewichten bevroren blijven. Palantir Autopilot beheert de levenscyclus van begin tot eind, start elke taak vanuit Ontology‑data, bewaakt het uitgerolde model en houdt de afstamming intact van data tot modelversie tot aanbeveling.

Gerapporteerde benchmarkresultaten

Op NVIDIA’s ontwikkelingsbenchmark bereikte het post‑getrainde Lightning‑model een toewijzings‑beslissingsnauwkeurigheid van 86,7 %, vergeleken met 55,5 % voor het grotere Nemotron 3 Ultra en 17,5 % voor het basis‑Lightning‑model, meldt de blog. Op metriek‑waarden die besluit‑types gelijk wegen in plaats van voorbeelden, scoorde het post‑getrainde model een gebalanceerde nauwkeurigheid van 58,6 % tegenover Ultra’s 42,0 %, en een Macro‑F1 van 57,5 % tegenover Ultra’s 39,5 %. De LoRA‑training werd binnen enkele minuten voltooid op twee NVIDIA B200‑GPU’s. De blog stelt dat de winst van het model geconcentreerd is in het domein waarop het post‑getraind is, en dat toekomstige productie‑risicovoorspelling moeilijk bleef ondanks fine‑tuning.

Geaccepteerde, bewerkte en overschreven aanbevelingen worden teruggeschreven naar de Ontologie, waar ze zich ophopen totdat er voldoende representatieve data is om een nieuwe beheerde trainingsrun te rechtvaardigen. De bedrijven zijn van plan die feedback te gebruiken voor reinforcement learning, waarbij geaccepteerde en overschreven aanbevelingen voorkeursparen vormen die toewijzingscorrectheid, beleidsnaleving en onderbouwing met bewijs dekken; het model traint zichzelf nooit opnieuw in productie.

De inzet draait op NVIDIA‑referentie‑architecturen en de gezamenlijk ontwikkelde Palantir Sovereign AI Operating System Reference Architecture (SAIOS), die wordt ondersteund door Dell Technologies (DELL ) en Cisco. De AI‑stack kan on‑premise worden ingezet met systeemfabrikanten waaronder Cisco en Dell, of in co‑location‑ en cloud‑omgevingen met Rackspace en Nebius.

“NVIDIA heeft waarschijnlijk de meest waardevolle, ingewikkelde en complexe toeleveringsketen ter wereld. Onze soevereine stack, aangedreven door Nemotron‑modellen en Ontologie, levert mogelijkheden die de grens overschrijden terwijl ze alfa‑beschermingskwaliteiten bieden die anders niet beschikbaar zijn,” zei Alex Karp, medeoprichter en CEO van Palantir Technologies.

“Toeleveringsketens zijn het besturingssysteem van de fysieke economie, en AI‑fabrieken behoren tot de meest complexe systemen die ooit zijn gebouwd,” zei Jensen Huang, oprichter en CEO van NVIDIA.

De bedrijven zijn van plan de lessen uit NVIDIA’s inzet uit te breiden naar ondernemingen in de productie, energie, gezondheidszorg, automotive en lucht‑ en ruimtevaart, en de aankondiging noemt landbouw, productie, farmaceutica, detailhandel, technologie en overheidsorganisaties die de AI‑stack kunnen gebruiken om hun eigen toeleveringsketenoperaties te optimaliseren. De AI‑stack en de toepassingen ervan in verschillende sectoren zullen worden gepresenteerd op Palantir’s AIPCon 11‑conferentie.