NVIDIA og Palantir implementerer suveren AI‑stabel for forsyningskjeder

Palantir Technologies (PLTR ) og NVIDIA den 10. september 2026, kunngjorde et samarbeid for å bringe suveren AI til kritiske forsyningskjeder, med AI‑stabelen først tatt i bruk i NVIDIAs egne forsyningskjedeutførelser. Implementeringen skaper en AI‑stabel som integrerer NVIDIA Nemotron‑åpne modeller i Palantir Foundry og Artificial Intelligence Platform (AIP), basert på Palantir Ontology.

Ifølge kunngjøringen har stabelen som mål å skape synlighet i forsyningskjeden, identifisere begrensninger, kontinuerlig kodefikere operasjonell ekspertise og veilede beslutninger i maskinhastighet mens organisasjonen beholder kontroll og eierskap over sine proprietære data. Innenfor Palantir AIP støtter NVIDIA cuOpt‑programvaren optimalisering og scenarioplanlegging, slik at team kan modellere forsyningsbegrensninger, vurdere avveininger og forstå den operasjonelle virkningen av allokeringsbeslutninger. Ettertrente Nemotron‑åpne modeller anbefaler handlinger, forklarer avveininger og flagger fremvoksende risikoer, mens eksperter på forsyningskjeden beholder kontrollen over de endelige beslutningene.

NVIDIA oppgir at de driver en av de mest komplekse forsyningskjedene, som omfatter millioner av deler, tusenvis av leverandører og et globalt nettverk av produksjonspartnere. Å bringe et rack‑skala AI‑system i produksjon krever koordinert tilgjengelighet av beregning, minne, nettverk, strøm, kjøling og mekaniske komponenter, og selskapet sier at de samarbeider tett med sitt økosystem for å sikre forsyning av de 1,3 millioner delene i hver Vera Rubin‑rack.

NVIDIAs implementering fra wafer‑utgang til første token

Et NVIDIA Technical Blog‑innlegg, også datert 10. september 2026 og skrevet av NVIDIA solutions architects Nell Barber, Rana Haber og Aastha Jhunjhunwala, beskriver implementeringens mekanikk. NVIDIA måler forsyningskjede‑ytelse fra wafer‑utgang til første token: time‑to‑rack går fra silisium som forlater fabrikken til et montert system som ankommer et datasenter, og time‑to‑token dekker strøm, kjøling, nettverk og programvare‑stabelen som gjør infrastrukturen produktiv. Ett Grace Blackwell NVL72‑beregningsbrett, ett av atten i en enkelt rack, krever to Grace‑CPUer, fire Blackwell‑GPUer og tretti‑to HBM3e‑stabler. Forsyningskjeden som ble opprettet for Vera Rubin er ifølge innlegget dobbelt så stor som Grace Blackwells.

Kontraktsprodusenter kan ikke starte montering før hver komponent har ankommet fra ett av tre lager: deler fra NVIDIA direkte, deler NVIDIA har på konsignasjon, og deler fra leverandører. NVIDIA kjører en Time of Ownership‑klokke fra øyeblikket en produksjonsplass mottar materialet til det forlater som del av en del‑montering eller et produkt. Hver uke må de bestemme hva og hvor mye materiale som skal allokeres til hver produksjonsplass, et kritisk materialallokeringsproblem som planleggere manuelt reviderer ukentlig, med allokeringen som strekker seg gjennom inneværende kvartal og neste.

NVIDIAs team for forsyningskjede‑operasjoner samarbeidet med Palantir for å bygge et Digital Supply Chain Intelligence‑kommandosenter på Palantir Foundry, hvor Ontology knytter materialer, produksjonssteder, forpliktelser, kapasitet, allokeringer, produksjonsutdata og ustrukturerte kvalitative signaler til ett styrt datalag. NVIDIA cuOpt, et åpen‑kilde‑bibliotek for GPU‑akselerert beslutningsoptimalisering, henter sine innganger fra Ontology og løser den ukentlige allokeringen som et blandet heltalls‑lineært program der målet er å minimere Time of Ownership. Løseren rapporterer også hvilke begrensninger som er bindende, og fordi løsningen er rask, kan planleggere utforske scenarier rundt svaret, for eksempel ti prosent mindre minne i en periode eller en ny produksjonsplass som tas i bruk.

Tilbake‑testing av historiske allokeringsbeslutninger mot faktiske resultater viste at menneskelige planleggere overgikk løseren ved å bruke informasjon den ikke kunne se: e‑postutvekslinger med partnere den uken, alvorlige værmeldinger for nøkkelregioner, pågående geopolitiske hendelser, leverandør‑debrief‑transkripsjoner og år med samlet ekspertise. Arbeidsflyten fanger derfor hver allokeringsbeslutning, begrunnelsen bak den, forventet resultat og faktisk utfall.

NVIDIA ettertrente den åpne Nemotron 3.5 Lightning‑modellen, som har 30 milliarder parametere med omtrent 3 milliarder aktive per fremoverpass, på de innsamlede beslutningene. Pipelines bruker NeMo Anonymizer for å fjerne personlig identifiserbar informasjon og skjule sensitive felt, NeMo Data Designer for å utvide og balansere eksempler med syntetisk data, og NeMo AutoModel for å trene et lite sett med LoRA‑adapterparametere mens basisvektene forblir frosne. Palantir Autopilot håndterer livssyklusen fra ende til ende, starter hver jobb fra Ontology‑data, overvåker den distribuerte modellen og holder linjealderen intakt fra data til modellversjon til anbefaling.

Rapporterte resultat fra benchmark

På NVIDIAs utviklingsbenchmark oppnådde den ettertrente Lightning‑modellen 86,7 % nøyaktighet i allokeringsbeslutninger, sammenlignet med 55,5 % for den større Nemotron 3 Ultra og 17,5 % for basis‑Lightning‑modellen, rapporterer bloggen. På måleparametere som veier beslutningstyper likt i stedet for eksempler, oppnådde den ettertrente modellen 58,6 % balansert nøyaktighet mot Ultra‑s 42,0 %, og 57,5 % Macro‑F1 mot Ultra‑s 39,5 %. LoRA‑treningskjøringen fullførtes på to NVIDIA B200‑GPUer på minutter. Bloggen oppgir at modellens gevinster er konsentrert i domenet den ble ettertrent på, og at fremtidig produksjonsrisikoforutsigelse fortsatt er vanskelig til tross for finjustering.

Godkjente, redigerte og overstyrte anbefalinger skrives tilbake til Ontology, og samles opp til det er nok representativ data til å rettferdiggjøre en ny styrt treningskjøring. Selskapene planlegger å bruke denne tilbakemeldingen for forsterkningslæring, hvor godkjente og overstyrte anbefalinger danner preferansepar som dekker allokeringskorrekthet, policy‑overholdelse og evidensgrunnlag; modellen trener aldri seg selv i produksjon.

Implementeringen kjører på NVIDIAs referansearkitekturer og den fellesutviklede Palantir Sovereign AI Operating System Reference Architecture (SAIOS), som støttes av Dell Technologies (DELL ) og Cisco. AI‑stabelen kan distribueres lokalt med systemprodusenter inkludert Cisco og Dell, eller i samlokaliserings‑ og sky‑miljøer med Rackspace og Nebius.

«NVIDIA har sannsynligvis den mest verdifulle, intrikate og komplekse forsyningskjeden i verden. Vår suverene stabel, drevet av Nemotron‑modeller og Ontology, leverer kapasiteter som overgår grensene samtidig som den gir alfa‑beskyttelsesegenskaper som ellers ikke er tilgjengelige», sa Alex Karp, medgründer og administrerende direktør i Palantir Technologies.

«Forsyningskjeder er operativsystemet for den fysiske økonomien, og AI‑fabrikker er blant de mest komplekse systemene som noen gang er bygget», sa Jensen Huang, grunnlegger og administrerende direktør i NVIDIA.

Selskapene planlegger å overføre lærdom fra NVIDIAs implementering til virksomheter innen produksjon, energi, helsevesen, bilindustri og romfart, og kunngjøringen nevner landbruk, produksjon, farmasøytisk industri, detaljhandel, teknologi og offentlige organisasjoner som i stand til å bruke AI‑stabelen for å optimalisere sine egne forsyningskjede‑operasjoner. AI‑stabelen og dens anvendelser på tvers av bransjer vil bli vist frem på Palantirs AIPCon 11‑konferanse.