NVIDIA at Palantir Nag-deploy ng Sovereign AI Stack para sa mga Supply Chain

Palantir Technologies (PLTR ) at NVIDIA noong Setyembre 10, 2026, nag-anunsyo ng pakikipagtulungan upang dalhin ang sovereign AI sa mga kritikal na supply chain, kung saan unang inilunsad ang AI stack sa loob ng sariling operasyon ng supply chain ng NVIDIA. Ang deployment ay lumilikha ng AI stack na nagdadala ng mga open model ng NVIDIA Nemotron sa Palantir Foundry at sa Artificial Intelligence Platform (AIP), na nakabatay sa Palantir Ontology.

Ayon sa anunsyo, layunin ng stack na lumikha ng visibility sa supply chain, tuklasin ang mga limitasyon, patuloy na i‑codify ang operational expertise at gabayan ang mga desisyon sa bilis ng makina habang pinapanatili ng organisasyon ang kontrol at pagmamay‑ari ng kanilang proprietary data. Sa loob ng Palantir AIP, sinusuportahan ng NVIDIA cuOpt software ang optimization at scenario planning, na nagbibigay‑daan sa mga koponan na mag‑modelo ng mga limitasyon sa supply, tasahin ang mga trade‑off, at maunawaan ang operational impact ng mga desisyon sa alokasyon. Ang post‑trained na mga open model ng Nemotron ay nagrerekomenda ng mga aksyon, nagpapaliwanag ng mga trade‑off, at nagtatanda ng mga umuusbong na panganib, habang ang mga eksperto sa supply chain ay nananatiling may kontrol sa huling desisyon.

Ipinahayag ng NVIDIA na nagpapatakbo ito ng isa sa pinaka‑komplikadong supply chain, na sumasaklaw sa milyun‑milyong bahagi, libu‑libong supplier, at isang pandaigdigang network ng mga manufacturing partner. Ang pagdadala ng rack‑scale AI system sa produksyon ay nangangailangan ng koordinadong availability ng compute, memory, networking, power, cooling, at mga mekanikal na komponent, at sinabi ng kumpanya na malapit itong nakikipagtulungan sa ekosistema nito upang matiyak ang suplay para sa 1.3 milyong bahagi sa bawat Vera Rubin rack.

Ang Deployment ng NVIDIA Mula Wafer-Out Hanggang Unang Token

Isang NVIDIA Technical Blog post, na may petsang Setyembre 10, 2026 din, at isinulat ng mga NVIDIA solutions architects na sina Nell Barber, Rana Haber, at Aastha Jhunjhunwala, ay naglalahad ng mga mekaniks ng deployment. Sinusukat ng NVIDIA ang performance ng supply chain mula wafer‑out hanggang unang token: ang time‑to‑rack ay tumatakbo mula sa pag‑alis ng silicon mula sa fab hanggang sa pagdating ng assembled system sa sahig ng data center, at ang time‑to‑token ay sumasaklaw sa power, cooling, networking, at ang software stack na nagpapagana sa imprastruktura. Isang Grace Blackwell NVL72 compute tray, isa sa labing‑walong nasa isang rack, ay nangangailangan ng dalawang Grace CPU, apat na Blackwell GPU, at tatlumpu’t dalawang HBM3e stack. Ang supply chain na nilikha para sa Vera Rubin ay doble ang laki kumpara sa Grace Blackwell, ayon sa post.

Ang mga contract manufacturer ay hindi maaaring magsimulang mag‑assemble hangga’t hindi dumarating ang bawat komponent mula sa isa sa tatlong pool: mga bahagi mula sa NVIDIA nang direkta, mga bahagi na ini‑stock ng NVIDIA sa consignment, at mga bahagi mula sa mga supplier. Pinapatakbo ng NVIDIA ang Time of Ownership clock mula sa sandaling tumanggap ang manufacturing site ng materyales hanggang ito’y umalis bilang bahagi ng sub‑assembly o produkto. Bawat linggo, kailangang magpasya kung ano at gaano karaming materyales ang ilalaan sa bawat manufacturing site, isang kritikal na problema sa alokasyon ng materyales na manu‑manong nire‑rework ng mga planner lingguhan, kung saan ang alokasyon ay tumatakbo sa kasalukuyang quarter at sa susunod.

Ang NVIDIA supply chain operations team ay nakipagtulungan sa Palantir upang bumuo ng Digital Supply Chain Intelligence command center sa Palantir Foundry, kung saan ikinakabit ng Ontology ang mga materyales, manufacturing site, commits, capacity, allocations, production outputs, at mga unstructured qualitative signal sa isang pinamamahalaang data layer. Ang NVIDIA cuOpt, isang open‑source library para sa GPU‑accelerated decision optimization, kumukuha ng mga input mula sa Ontology at nilulutas ang lingguhang alokasyon bilang isang mixed‑integer linear program na ang layunin ay i‑minimize ang Time of Ownership. Iniulat din ng solver kung aling mga constraint ang binding, at dahil mabilis ang pag‑solve, maaaring mag‑explore ang mga planner ng mga senaryo sa paligid ng sagot, tulad ng sampung porsyento na mas kaunting memory sa isang panahon o isang bagong manufacturing site na magsisimula.

Ang back‑testing ng mga historikal na desisyon sa alokasyon laban sa aktwal na kinalabasan ay nagpakita na ang mga human planner ay nalagpasan ang solver sa pamamagitan ng paggamit ng impormasyong hindi nakikita ng solver: mga email na ipinagpalitan sa mga partner noong linggo, matinding forecast ng panahon para sa mga pangunahing rehiyon, patuloy na mga pangyayaring geopolitikal, transcript ng supplier debrief, at mga taon ng naipong karanasan. Ang workflow kaya ay nagkakaptan ng bawat desisyon sa alokasyon, ang rason sa likod nito, ang inaasahang resulta, at ang aktwal na kinalabasan.

Ang NVIDIA ay nag‑post‑train ng open‑weight Nemotron 3.5 Lightning model, na may 30 bilyong parameter na may humigit‑kumulang 3 bilyong aktibo sa bawat forward pass, gamit ang mga nakuhang desisyon. Ang pipeline ay gumagamit ng NeMo Anonymizer upang alisin ang personally identifiable information at i‑obfuscate ang sensitibong field, NeMo Data Designer upang palawakin at balansehin ang mga halimbawa gamit ang synthetic data, at NeMo AutoModel upang sanayin ang maliit na hanay ng LoRA adapter parameters habang nananatiling frozen ang base weights. Ang Palantir Autopilot ay pinamamahalaan ang lifecycle mula simula hanggang wakas, inilulunsad ang bawat trabaho mula sa Ontology data, minomonitor ang deployed model, at pinananatiling buo ang lineage mula data hanggang bersyon ng modelo hanggang rekomendasyon.

Iniulat na Resulta ng Benchmark

Sa development benchmark ng NVIDIA, ang post‑trained Lightning model ay umabot ng 86.7% na accuracy sa desisyon sa alokasyon, kumpara sa 55.5% para sa mas malaking Nemotron 3 Ultra at 17.5% para sa base Lightning model, ayon sa ulat ng blog. Sa mga metric na binibigyan ng pantay na bigat ang uri ng desisyon kaysa sa mga halimbawa, ang post‑trained na modelo ay nakakuha ng 58.6% na balanced accuracy laban sa 42.0% ng Ultra, at 57.5% Macro‑F1 laban sa 39.5% ng Ultra. Ang LoRA training run ay natapos sa dalawang NVIDIA B200 GPU sa loob ng ilang minuto. Ayon sa blog, ang mga pag‑unlad ng modelo ay nakatuon sa domain kung saan ito na‑post‑train, at ang hinaharap na production risk forecasting ay nanatiling mahirap sa kabila ng fine‑tuning.

Ang mga tinanggap, na‑edit, at na‑override na rekomendasyon ay isinusulat pabalik sa Ontology, na nag‑iipon hanggang sa magkaroon ng sapat na representatibong data upang bigyang‑katwiran ang isa pang pinamamahalaang training run. Plano ng mga kumpanya na gamitin ang feedback na ito para sa reinforcement learning, kung saan ang mga tinanggap at na‑override na rekomendasyon ay bumubuo ng preference pairs na sumasaklaw sa katumpakan ng alokasyon, pagsunod sa patakaran, at ebidensyang batayan; ang modelo ay hindi kailanman nagre‑train ng sarili nito sa produksyon.

Ang deployment ay tumatakbo sa NVIDIA reference architectures at sa pinagsamang binuo na Palantir Sovereign AI Operating System Reference Architecture (SAIOS), na sinusuportahan ng Dell Technologies (DELL ) at Cisco. Ang AI stack ay maaaring i‑deploy on‑premises kasama ang mga system manufacturer kabilang ang Cisco at Dell, o sa co‑location at cloud environment kasama ang Rackspace at Nebius.

“Ang NVIDIA ay marahil may pinakamahalaga, pinaka‑komplikado, at pinaka‑intricate na supply chain sa mundo. Ang aming sovereign stack, na pinapagana ng mga Nemotron model at Ontology, ay naghahatid ng mga kakayahan na lagpas sa hangganan habang nagbibigay ng mga alpha protection quality na hindi magagamit kung hindi,” sabi ni Alex Karp, co‑founder at CEO ng Palantir Technologies.

“Ang mga supply chain ay ang operating system ng pisikal na ekonomiya, at ang mga AI factory ay kabilang sa pinaka‑komplikadong sistema na kailanman naitayo,” sabi ni Jensen Huang, founder at CEO ng NVIDIA.

Plano ng mga kumpanya na palawakin ang mga natutunan mula sa deployment ng NVIDIA sa mga enterprise sa manufacturing, enerhiya, pangangalagang pangkalusugan, automotive, at aerospace, at binanggit sa anunsyo ang agrikultura, manufacturing, pharmaceutical, retail, teknolohiya, at mga organisasyon ng gobyerno bilang mga maaaring gumamit ng AI stack upang i‑optimize ang kanilang sariling operasyon ng supply chain. Ang AI stack at ang mga aplikasyon nito sa iba’t‑ibang industriya ay ipapakita sa Palantir AIPCon 11 conference.