NVIDIA e Palantir Implantam Pilha de IA Soberana para Cadeias de Suprimentos

Palantir Technologies (PLTR ) e NVIDIA em 10 de setembro de 2026, anunciaram uma colaboração para trazer IA soberana às cadeias de suprimentos críticas, com a pilha de IA sendo inicialmente implantada nas próprias operações da cadeia de suprimentos da NVIDIA. A implantação cria uma pilha de IA que incorpora os modelos abertos NVIDIA Nemotron ao Palantir Foundry e à Plataforma de Inteligência Artificial (AIP), fundamentada na Ontologia da Palantir.

De acordo com o anúncio, a pilha visa criar visibilidade da cadeia de suprimentos, identificar restrições, codificar continuamente a expertise operacional e orientar decisões em velocidade de máquina, enquanto a organização mantém controle e propriedade de seus dados proprietários. Dentro da Palantir AIP, o software NVIDIA cuOpt suporta otimização e planejamento de cenários, permitindo que as equipes modelem restrições de suprimento, avaliem trade‑offs e compreendam o impacto operacional das decisões de alocação. Os modelos abertos Nemotron pós‑treinados recomendam ações, explicam trade‑offs e sinalizam riscos emergentes, enquanto os especialistas em cadeia de suprimentos mantêm o controle das decisões finais.

A NVIDIA afirma que opera uma das cadeias de suprimentos mais complexas, abrangendo milhões de peças, milhares de fornecedores e uma rede global de parceiros de manufatura. Levar um sistema de IA em escala de rack à produção requer a disponibilidade coordenada de computação, memória, rede, energia, refrigeração e componentes mecânicos, e a empresa declara que trabalha estreitamente com seu ecossistema para garantir o fornecimento das 1,3 milhão de peças em cada rack Vera Rubin.

A Implantação da NVIDIA do Wafer‑Out ao Primeiro Token

Um post do Blog Técnico da NVIDIA, também datado de 10 de setembro de 2026, e escrito pelos arquitetos de soluções da NVIDIA Nell Barber, Rana Haber e Aastha Jhunjhunwala, detalha a mecânica da implantação. A NVIDIA mede o desempenho da cadeia de suprimentos do wafer‑out ao primeiro token: o tempo‑para‑rack vai do silício deixando a fábrica até um sistema montado chegando ao piso de um data center, e o tempo‑para‑token abrange energia, refrigeração, rede e a pilha de software que torna a infraestrutura produtiva. Uma bandeja de computação Grace Blackwell NVL72, uma das dezoito em um único rack, requer duas CPUs Grace, quatro GPUs Blackwell e trinta e duas pilhas HBM3e. A cadeia de suprimentos criada para o Vera Rubin é duas vezes maior que a da Grace Blackwell, segundo o post.

Os fabricantes contratados não podem iniciar a montagem até que cada componente tenha chegado de um dos três pools: peças diretamente da NVIDIA, peças que a NVIDIA mantém em consignação e peças de fornecedores. A NVIDIA executa um relógio de Tempo de Propriedade desde o momento em que um site de manufatura recebe o material até que ele saia como parte de uma sub‑montagem ou produto. Cada semana é necessário decidir quais e quantas peças alocar para cada site de manufatura, um problema crítico de alocação de materiais que os planejadores reavaliam manualmente semanalmente, com a alocação abrangendo o trimestre corrente e o próximo.

A equipe de operações da cadeia de suprimentos da NVIDIA trabalhou com a Palantir para construir um centro de comando de Inteligência Digital da Cadeia de Suprimentos no Palantir Foundry, onde a Ontologia conecta materiais, sites de manufatura, compromissos, capacidade, alocações, saídas de produção e sinais qualitativos não estruturados em uma camada de dados governada. O NVIDIA cuOpt, uma biblioteca de código aberto para otimização de decisões acelerada por GPU, obtém suas entradas da Ontologia e resolve a alocação semanal como um programa linear de inteiros mistos cujo objetivo minimiza o Tempo de Propriedade. O resolvedor também relata quais restrições são vinculantes e, como a solução é rápida, os planejadores podem explorar cenários ao redor da resposta, como dez por cento a menos de memória em um período ou a entrada em operação de um novo site de manufatura.

A retro‑testagem das decisões de alocação históricas contra os resultados reais mostrou que os planejadores humanos superaram o resolvedor ao trabalhar com informações que ele não podia ver: e‑mails trocados com parceiros naquela semana, previsões de clima severo para regiões‑chave, eventos geopolíticos em curso, transcrições de briefings de fornecedores e anos de expertise acumulada. O fluxo de trabalho, portanto, captura cada decisão de alocação, a justificativa por trás dela, o resultado esperado e o resultado real.

A NVIDIA pós‑treinou o modelo Nemotron 3.5 Lightning de peso aberto, que possui 30 bilhões de parâmetros com cerca de 3 bilhões ativos por passagem forward, nas decisões capturadas. O pipeline usa o NeMo Anonymizer para remover informações pessoalmente identificáveis e ofuscar campos sensíveis, o NeMo Data Designer para expandir e equilibrar exemplos com dados sintéticos, e o NeMo AutoModel para treinar um pequeno conjunto de parâmetros adaptadores LoRA enquanto os pesos base permanecem congelados. O Palantir Autopilot gerencia o ciclo de vida de ponta a ponta, lançando cada tarefa a partir dos dados da Ontologia, monitorando o modelo implantado e mantendo a linhagem intacta dos dados à versão do modelo à recomendação.

Resultados de Benchmark Reportados

No benchmark de desenvolvimento da NVIDIA, o modelo Lightning pós‑treinado atingiu 86,7% de precisão na decisão de alocação, comparado a 55,5% para o maior Nemotron 3 Ultra e 17,5% para o modelo Lightning base, relata o blog. Em métricas que ponderam os tipos de decisão igualmente em vez de exemplos, o modelo pós‑treinado obteve 58,6% de precisão balanceada contra 42,0% do Ultra, e 57,5% de Macro‑F1 contra 39,5% do Ultra. A execução de treinamento LoRA foi concluída em minutos em duas GPUs NVIDIA B200. O blog afirma que os ganhos do modelo estão concentrados no domínio em que foi pós‑treinado, e que a previsão de risco de produção futura permaneceu difícil apesar do ajuste fino.

Recomendações aceitas, editadas e substituídas são gravadas de volta na Ontologia, acumulando até que haja dados representativos suficientes para justificar outra rodada de treinamento governado. As empresas planejam usar esse feedback para aprendizado por reforço, com recomendações aceitas e substituídas formando pares de preferência que cobrem correção de alocação, conformidade de políticas e fundamentação em evidências; o modelo nunca se re‑treina em produção.

A implantação funciona nas arquiteturas de referência da NVIDIA e na Arquitetura de Referência do Sistema Operacional de IA Soberana da Palantir (SAIOS), desenvolvida em conjunto, que conta com o apoio da Dell Technologies (DELL ) e da Cisco. A pilha de IA pode ser implantada on‑premises com fabricantes de sistemas incluindo Cisco e Dell, ou em ambientes de colocation e nuvem com Rackspace e Nebius.

“A NVIDIA possui, sem dúvida, a cadeia de suprimentos mais valiosa, intrincada e complexa do mundo. Nossa pilha soberana, alimentada pelos modelos Nemotron e pela Ontologia, está entregando capacidades que ultrapassam a fronteira enquanto oferece qualidades de proteção alfa indisponíveis de outra forma”, disse Alex Karp, cofundador e CEO da Palantir Technologies.

“Cadeias de suprimentos são o sistema operacional da economia física, e fábricas de IA estão entre os sistemas mais complexos já construídos”, disse Jensen Huang, fundador e CEO da NVIDIA.

As empresas planejam estender os aprendizados da implantação da NVIDIA para empresas nos setores de manufatura, energia, saúde, automotivo e aeroespacial, e o anúncio cita organizações dos setores agrícola, manufatura, farmacêutico, varejo, tecnologia e governo como capazes de usar a pilha de IA para otimizar suas próprias operações de cadeia de suprimentos. A pilha de IA e suas aplicações em diversos setores serão apresentadas na conferência AIPCon 11 da Palantir.