NVIDIA och Palantir implementerar suverän AI‑stack för leveranskedjor

Palantir Technologies (PLTR ) och NVIDIA den 10 september 2026, tillkännagav ett samarbete för att föra suverän AI till kritiska leveranskedjor, där AI‑stacken först implementeras i NVIDIAs egna leveranskedjeoperationer. Implementeringen skapar en AI‑stack som integrerar NVIDIAs Nemotron‑öppna modeller i Palantir Foundry och Artificial Intelligence Platform (AIP), baserad på Palantir Ontology.

Enligt tillkännagivandet syftar stacken till att skapa insyn i leveranskedjan, identifiera begränsningar, kontinuerligt kodifiera operativ expertis och styra beslut i maskinhastighet samtidigt som organisationen behåller kontroll och äganderätt över sina proprietära data. Inom Palantir AIP stödjer NVIDIAs cuOpt‑programvara optimering och scenariosimulering, vilket möjliggör för team att modellera leveransbegränsningar, utvärdera avvägningar och förstå den operativa påverkan av allokeringsbeslut. Eftertränade Nemotron‑öppna modeller rekommenderar åtgärder, förklarar avvägningar och flaggar framväxande risker, medan leveranskedjeexperter behåller kontrollen över slutgiltiga beslut.

NVIDIA uppger att de driver en av de mest komplexa leveranskedjorna, som omfattar miljontals komponenter, tusentals leverantörer och ett globalt nätverk av tillverkningspartners. Att införa ett rack‑skalig AI‑system i produktion kräver samordnad tillgång till beräkningskraft, minne, nätverk, ström, kylning och mekaniska komponenter, och företaget säger att de arbetar nära sitt ekosystem för att säkra leveranser av de 1,3 miljonerna delar i varje Vera Rubin‑rack.

NVIDIAs implementering från wafer‑utgång till första token

En NVIDIA Technical Blog‑post, även daterad den 10 september 2026, och skriven av NVIDIA‑lösningsarkitekterna Nell Barber, Rana Haber och Aastha Jhunjhunwala, beskriver implementeringens mekanik. NVIDIA mäter leveranskedjeprestanda från wafer‑utgång till första token: tid‑till‑rack räknas från att silikonen lämnar fabriken till ett monterat system anländer till ett datacenter, och tid‑till‑token omfattar ström, kylning, nätverk och mjukvarustacken som gör infrastrukturen produktiv. En Grace Blackwell NVL72‑beräkningstråg, en av arton i ett rack, kräver två Grace‑CPU:er, fyra Blackwell‑GPU:er och trettiotvå HBM3e‑stackar. Leveranskedjan som skapats för Vera Rubin är dubbelt så stor som Grace Blackwells, enligt inlägget.

Kontrakttillverkare kan inte påbörja montering förrän varje komponent har anlänt från en av tre pooler: delar direkt från NVIDIA, delar som NVIDIA lager på konsignation och delar från leverantörer. NVIDIA kör en Time of Ownership‑klocka från det ögonblick en tillverkningsplats mottar material tills det lämnar som del av en delmontering eller produkt. Varje vecka måste de besluta vad och hur mycket material som ska allokeras till varje tillverkningsplats, ett kritiskt materialallokeringsproblem som planerare manuellt omarbetar varje vecka, med allokeringen som sträcker sig över innevarande kvartal och nästa.

NVIDIAs leveranskedje‑operationsgrupp samarbetade med Palantir för att bygga ett Digital Supply Chain Intelligence‑kommandocenter på Palantir Foundry, där Ontology kopplar material, tillverkningsplatser, åtaganden, kapacitet, allokeringar, produktionsutdata och ostrukturerade kvalitativa signaler till ett styrt datalager. NVIDIA cuOpt, ett open‑source‑bibliotek för GPU‑accelererad beslutsoptimering, hämtar sina indata från Ontology och löser den veckovisa allokeringen som ett blandat heltalslinjärt program vars mål är att minimera Time of Ownership. Lösaren rapporterar också vilka begränsningar som är bindande, och eftersom lösningen är snabb kan planerare utforska scenarier kring svaret, såsom tio procent mindre minne under en period eller en ny tillverkningsplats som tas i bruk.

Back‑testing av historiska allokeringsbeslut mot faktiska resultat visade att mänskliga planerare överträffade lösaren genom att arbeta med information som den inte kunde se: e‑postutbyten med partners den veckan, svåra väderprognoser för nyckelregioner, pågående geopolitiska händelser, leverantörsdebrief‑transkript och år av ackumulerad expertis. Arbetsflödet fångar därför varje allokeringsbeslut, resonemanget bakom det, det förväntade resultatet och det faktiska utfallet.

NVIDIA eftertränade den öppna vikten Nemotron 3.5 Lightning‑modellen, som har 30 miljarder parametrar med ungefär 3 miljarder aktiva per framåtpassage, på de fångade besluten. Pipelines använder NeMo Anonymizer för att ta bort personligt identifierbar information och maskera känsliga fält, NeMo Data Designer för att utöka och balansera exempel med syntetisk data, och NeMo AutoModel för att träna en liten uppsättning LoRA‑adapterparametrar medan basvikterna förblir frysta. Palantir Autopilot hanterar livscykeln end‑to‑end, startar varje jobb från Ontology‑data, övervakar den distribuerade modellen och håller spårbarheten intakt från data till modellversion till rekommendation.

Rapporterade benchmarkresultat

På NVIDIAs utvecklingsbenchmark nådde den eftertränade Lightning‑modellen 86,7 % korrekthet i allokeringsbeslut, jämfört med 55,5 % för den större Nemotron 3 Ultra och 17,5 % för bas‑Lightning‑modellen, rapporterar bloggen. På metrik som väger beslutstyper lika snarare än exempel, fick den eftertränade modellen 58,6 % balanserad korrekthet mot Ultrans 42,0 %, och 57,5 % Macro‑F1 mot Ultrans 39,5 %. LoRA‑träningskörningen avslutades på två NVIDIA B200‑GPU:er på några minuter. Bloggen konstaterar att modellens vinster koncentreras i det domän den eftertränades på, och att framtida produktionsrisk‑prognoser förblev svåra trots finjustering.

Accepterade, redigerade och överskrivna rekommendationer skrivs tillbaka in i Ontology, samlas tills det finns tillräckligt representativ data för att motivera en ny styrd träningskörning. Företagen planerar att använda den feedbacken för förstärkningsinlärning, där accepterade och överskrivna rekommendationer bildar preferenspar som täcker allokeringskorrekthet, policyefterlevnad och evidensgrund; modellen tränar aldrig om sig själv i produktion.

Implementeringen körs på NVIDIAs referensarkitekturer och den gemensamt utvecklade Palantir Sovereign AI Operating System Reference Architecture (SAIOS), som stöds av Dell Technologies (DELL ) och Cisco. AI‑stacken kan implementeras på plats med systemtillverkare inklusive Cisco och Dell, eller i co‑location‑ och molnmiljöer med Rackspace och Nebius.

“NVIDIA har utan tvekan den mest värdefulla, invecklade och komplexa leveranskedjan i världen. Vår suveräna stack, driven av Nemotron‑modeller och Ontology, levererar kapabiliteter som överträffar gränsen samtidigt som den ger alfa‑skyddskvaliteter som annars inte är tillgängliga,” sade Alex Karp, medgrundare och VD för Palantir Technologies.

“Leveranskedjor är den operativa systemen för den fysiska ekonomin, och AI‑fabriker är bland de mest komplexa systemen som någonsin byggts,” sade Jensen Huang, grundare och VD för NVIDIA.

Företagen planerar att överföra lärdomarna från NVIDIAs implementering till företag inom tillverkning, energi, sjukvård, fordonsindustri och rymd, och tillkännagivandet nämner jordbruk, tillverkning, läkemedel, detaljhandel, teknik och myndighetsorganisationer som kan använda AI‑stacken för att optimera sina egna leveranskedjeoperationer. AI‑stacken och dess tillämpningar över branscher kommer att visas på Palantirs AIPCon 11‑konferens.