NVIDIA a Palantir oznamují suverénní AI stack pro dodavatelské řetězce

NVIDIA a Palantir Technologies oznámily 10. září 2026 spolupráci, která má přinést suverénní AI do kritických dodavatelských řetězců, přičemž společně vytvořený AI stack bude nejprve nasazen v rámci vlastních operací dodavatelského řetězce společnosti NVIDIA.

Stack integruje otevřené modely Nemotron od NVIDIA do Palantir Foundry a Palantir Artificial Intelligence Platform (AIP), založené na Palantir Ontologii. Společnosti uvedly, že systém poskytuje týmům v dodavatelském řetězci sdílené řídící centrum, počínaje rozhodováním o alokaci materiálů, přičemž zákazníci si zachovávají kontrolu a vlastnictví svých proprietárních dat. Stack bude představen na konferenci Palantir AIPCon 11 a společnosti uvedly, že organizace v zemědělství, výrobě, farmacii, maloobchodu, technologiích a vládě jej mohou využít ve svých vlastních dodavatelských řetězcích.

NVIDIA uvedla, že její dodavatelský řetězec zahrnuje miliony součástí, tisíce dodavatelů a globální síť výrobních partnerů, a že nasazení AI systému v měřítku racku do výroby vyžaduje koordinovanou dostupnost výpočetního výkonu, paměti, sítí, napájení, chlazení a mechanických komponent. Každý rack NVIDIA Vera Rubin obsahuje 1,3 milionu součástí, podle oznámení.

V společném oznámení řekl spoluzakladatel a CEO Palantiru Alex Karp: „NVIDIA má pravděpodobně nejcennější, nejkomplexnější a nejnáročnější dodavatelský řetězec na světě. Náš suverénní stack, poháněný modely Nemotron a Ontologií, poskytuje schopnosti, které překračují hranice, a zároveň nabízí vlastnosti ochrany alfa, které jinde nejsou dostupné.“

Zakladatel a CEO NVIDIA Jensen Huang uvedl, že společnosti usilují o převod operačního grafu za AI infrastrukturou na suverénní inteligenci, spárováním modelů Nemotron s Ontologií Palantiru za účelem koordinace cesty od výroby waferů po výstup tokenů.

Dodavatelský řetězec NVIDIA a řídící centrum Foundry

V technickém blogovém příspěvku publikovaném spolu s oznámením NVIDIA uvedla, že měří výkonnost dodavatelského řetězce od odchodu waferu po první token. Interval se dělí na dvě části: time-to-rack zahrnuje dobu od opuštění křemíku z fabriky až po doručení sestaveného systému na podlahu datacentra, a time-to-token zahrnuje práci na napájení, chlazení, sítích a softwaru, která infrastrukturu učiní produktivní.

Platformy Grace Blackwell NVL72 čerpají z milionů součástí a tisíců dodavatelů, přičemž finální systémy jsou sestavovány desítkami OEM a ODM. Jedna výpočetní zásobník GB200 NVL72 — jeden z osmnácti v racku — vyžaduje dva procesory Grace, čtyři GPU Blackwell a 32 paměťových zásobníků HBM3e, a NVIDIA uvedla, že dodavatelský řetězec vytvořený pro Vera Rubin je dvakrát větší než ten za Grace Blackwell. Pro sledování, jak dlouho materiál leží nevyužitý, NVIDIA používá metriku nazvanou Time of Ownership: uplynulý čas mezi přijetím materiálu ve výrobním závodě a jeho odchodem jako součást podskladu nebo produktu.

Každý týden plánovači ručně přepracovávají to, co NVIDIA nazývá problém kritické alokace materiálu, rozhodují o tom, jaký materiál a v jakém množství půjde do jednotlivých výrobních závodů během aktuálního a následujícího čtvrtletí. K podpoře této činnosti tým operací dodavatelského řetězce NVIDIA vytvořil řídící centrum Digital Supply Chain Intelligence s Palantirem na platformě Foundry, kde Ontologie propojuje materiály, výrobní závody, závazky, kapacity, alokace, výrobní výstupy a nestrukturované kvalitativní signály do jedné řízené datové vrstvy.

NVIDIA cuOpt, open-source knihovna společnosti pro optimalizaci rozhodování urychlenou GPU, řeší týdenní alokaci jako smíšený celočíselný lineární program, jehož cílem je minimalizovat Time of Ownership, přičemž vstupy pocházejí z Ontologie a výsledky jsou zapisovány zpět jako alokační rozhodnutí. Příspěvek uvádí, že cuOpt také identifikuje, které omezení jsou vázané, takže plánovači mohou vidět, zda kapacita nebo dodávka paměti omezila daný týden, a mohou testovat scénáře, jako je desetiprocentní snížení dodávky paměti nebo uvedení nového výrobního závodu do provozu.

Post-tréninkový Nemotron při rozhodování o alokacích

NVIDIA a Palantir prověřily historická rozhodnutí o alokacích oproti skutečným událostem a zjistily, že lidské plánovače překonaly řešič, uvádí příspěvek, protože plánovači jednali na základě informací, které řešič neviděl: e-maily výměněné s partnery, předpovědi extrémního počasí pro klíčové regiony, geopolitické události a přepisy debriefingů dodavatelů, spolu s lety nahromaděné odborné praxe. Týmy přestavěly pracovní postup kolem této odbornosti, zachycujíc každé alokační rozhodnutí, jeho odůvodnění, očekávaný výsledek a skutečný výsledek v rámci Ontologie.

Tento záznam se stal tréninkovými daty. Týmy následně post-trénovaly Nemotron 3.5 Lightning, model typu mixture-of-experts s otevřenou vahou, který má 30 miliard parametrů a přibližně 3 miliardy aktivních během jednoho průchodu, což, jak uvádí příspěvek, bylo vybráno, protože je speciálně navržen pro výkonnou vrstvu agentního pracovního postupu a protože otevřené modely lze post-trénovat uvnitř výpočetního prostředí organizace. Pipeline používá NeMo Anonymizer k odstranění osobně identifikovatelných informací, NeMo Data Designer k vytvoření a vyvážení syntetických příkladů a NeMo AutoModel k trénování malé sady LoRA adaptérových parametrů při zachování základních vah v zamrznutém stavu, přičemž Palantir Autopilot řídí životní cyklus od dat Ontologie po nasazený model.

Na vývojovém benchmarku popsaném v příspěvku post-trénovaný model dosáhl 86,7 % přesnosti rozhodnutí o alokaci, ve srovnání s 55,5 % u většího modelu Nemotron 3 Ultra a 17,5 % u základního Nemotron 3.5 Lightning. NVIDIA uvádí vyváženou přesnost 58,6 % oproti 42,0 % u Ultra a skóre Macro-F1 57,5 % oproti 39,5 %. Autoři uvádějí, že tyto metriky váží každý typ rozhodnutí stejně, což je důležité, protože plánovači snižují alokace mnohem častěji, než je zvyšují.

Příspěvek varuje, že zisky jsou soustředěny v doméně, na které byl model post-trénován, a že předpovídání budoucího výrobního rizika zůstává obtížné i přes doladění. Trénink LoRA byl dokončen na dvou GPU NVIDIA B200 během několika minut, což je dostatečně lehké na opakování s narůstající zpětnou vazbou, uvádí příspěvek.

Model doporučuje rozsah alokace s připojeným odůvodněním a riziky, ale lidský plánovač každé doporučení přezkoumá a učiní konečné rozhodnutí. Každé přijetí, úprava, přepsání a výsledek výroby jsou zaznamenány zpět do Ontologie, dokud neexistuje dostatek reprezentativních dat pro další řízený trénink. Příspěvek uvádí, že model se v produkci nikdy sám nepřetrénovává a že nahromaděná zpětná vazba má podpořit posilovací učení v budoucnosti.

Suverénní nasazení a partneři infrastruktury

Vzhledem k citlivosti dodavatelského řetězce NVIDIA běží nasazení na referenčních architekturách NVIDIA a společně vyvinuté Palantir Sovereign AI Operating System Reference Architecture, známé jako SAIOS, která je podporována společnostmi Dell Technologies a Cisco. Společnosti uvedly, že stack lze nasadit na místě u výrobců systémů včetně Cisco a Dell, nebo v kolokačních a cloudových prostředích s Rackspace a Nebius.

V rámci Palantir AIP cuOpt podporuje optimalizaci a scénářové plánování, zatímco NeMo Data Libraries, NeMo AutoModel a NeMo RL se integrují s Palantir Autopilot v tom, co společnosti popisují jako řízenou učební smyčku, která měří rozhodnutí vůči reálným výsledkům. Společnosti uvedly, že plánují rozšířit poznatky získané z nasazení NVIDIA na podniky v oblasti výroby, energetiky, zdravotnictví, automobilového průmyslu a letectví.