NVIDIA og Palantir annoncerer suveræn AI‑stak til forsyningskæder

NVIDIA og Palantir Technologies annoncerede den 10. september 2026 et samarbejde om at bringe suveræn AI til kritiske forsyningskæder, hvor den fællesbyggede AI‑stak først bliver implementeret i NVIDIAs egne forsyningskædeoperationer.

Stakken integrerer NVIDIAs Nemotron‑open‑modeller i Palantir Foundry og Palantirs Artificial Intelligence Platform (AIP), baseret på Palantir‑ontologien. Virksomhederne udtalte, at systemet giver forsyningskædeteams et fælles kommandocenter, startende med beslutninger om materialetildeling, mens kunderne bevarer kontrol og ejerskab over deres proprietære data. Stakken vil blive præsenteret på Palantirs AIPCon 11‑konference, og virksomhederne sagde, at organisationer inden for landbrug, fremstilling, farmaceutisk industri, detailhandel, teknologi og regering kan anvende den i deres egne forsyningskæder.

NVIDIA sagde, at deres forsyningskæde omfatter millioner af dele, tusindvis af leverandører og et globalt netværk af fremstillingspartnere, og at implementeringen af et rack‑skala AI‑system i produktion kræver koordineret tilgængelighed af beregningskapacitet, hukommelse, netværk, strøm, køling og mekaniske komponenter. Hvert NVIDIA Vera Rubin‑rack indeholder 1,3 millioner dele ifølge meddelelsen.

I den fællesmeddelelse sagde Palantir‑medstifter og CEO Alex Karp: “NVIDIA har uden tvivl den mest værdifulde, indviklede og komplekse forsyningskæde i verden. Vores suveræne stak, drevet af Nemotron‑modeller og Ontologi, leverer kapaciteter, der overstiger grænsen, samtidig med at den giver alfa‑beskyttelsesegenskaber, som ellers ikke er tilgængelige.”

NVIDIA‑grundlægger og CEO Jensen Huang sagde, at virksomhederne har til formål at omdanne den operationelle graf bag AI‑infrastrukturen til suveræn intelligens ved at kombinere Nemotron‑modeller med Palantirs Ontologi for at koordinere vejen fra wafer‑produktion til token‑output.

NVIDIAs forsyningskæde og Foundry‑kommandocenter

I et teknisk blogindlæg offentliggjort sammen med meddelelsen sagde NVIDIA, at de måler forsyningskædeperformance fra wafer‑udgang til første token. Intervallet opdeles i to: time‑to‑rack løber fra silicium, der forlader fabrikken, til et samlet system, der ankommer til et datacenter‑gulv, og time‑to‑token dækker den strøm‑, køle‑, netværks‑ og softwarearbejde, der gør infrastrukturen produktiv.

Grace Blackwell NVL72‑platforme bygger på millioner af dele og tusindvis af leverandører, hvor de endelige systemer samles af dusinvis af OEM‑ og ODM‑virksomheder. En enkelt GB200 NVL72‑beregningstray — en af atten i et rack — kræver to Grace‑CPU’er, fire Blackwell‑GPU’er og 32 HBM3e‑hukommelsesstakke, og NVIDIA sagde, at forsyningskæden, de oprettede for Vera Rubin, er dobbelt så stor som den bag Grace Blackwell. For at spore, hvor længe materiale ligger ubrugt, anvender NVIDIA en måling kaldet Time of Ownership: den forløbne tid mellem et produktionssted, der modtager materiale, og det materiale forlader som en del af en del‑samling eller et produkt.

Hver uge omarbejder planlæggere manuelt det, som NVIDIA kalder det kritiske materialetildelingsproblem, og beslutter, hvilket materiale og hvor meget af det der skal sendes til hvert produktionssted i det nuværende kvartal og det næste. For at understøtte dette arbejde har NVIDIAs forsyningskæde‑operationshold bygget et Digital Supply Chain Intelligence‑kommandocenter med Palantir på Foundry, hvor ontologien forbinder materialer, produktionssteder, forpligtelser, kapacitet, tildelinger, produktionsoutput og ustrukturerede kvalitative signaler i ét styret datalag.

NVIDIA cuOpt, virksomhedens open‑source‑bibliotek til GPU‑accelereret beslutningsoptimering, løser den ugentlige tildeling som et blandet heltals‑lineært program, hvis mål er at minimere Time of Ownership, ved at hente input fra ontologien og skrive resultaterne tilbage som tildelingsbeslutninger. Indlægget rapporterer, at cuOpt også identificerer, hvilke begrænsninger der er bindende, så planlæggere kan se, om kapacitet eller hukommelsesforsyning begrænsede en given uge, og kan teste scenarier som et ti‑procentsnit i hukommelsesforsyningen eller et nyt produktionssted, der tages i brug.

Post‑training Nemotron på tildelingsbeslutninger

NVIDIA og Palantir testede historiske tildelingsbeslutninger mod de faktiske udfald og fandt, at menneskelige planlæggere overgik løseren, ifølge indlægget, fordi planlæggere handlede på information, som den ikke kunne se: e‑mails udvekslet med partnere, alvorlige vejrudsigter for nøgleområder, geopolitisk begivenheder og leverandør‑debrief‑transkripter, samt mange års akkumuleret ekspertise. Holdene genopbyggede arbejdsprocessen omkring denne ekspertise ved at indfange hver tildelingsbeslutning, dens begrundelse, det forventede resultat og det faktiske udfald i ontologien.

Den registrering blev til træningsdata. Holdene eftertrænet Nemotron 3.5 Lightning, en open‑weight mixture‑of‑experts‑model med 30 milliarder parametre og cirka 3 milliarder aktive per fremadrettet pass, som indlægget siger blev valgt, fordi den er specifikt bygget til udførelseslaget i en agentisk arbejdsproces, og fordi open‑modeller kan eftertrænes inden for en organisations egne beregningsgrænser. Pipelines bruger NeMo Anonymizer til at fjerne personligt identificerbare oplysninger, NeMo Data Designer til at generere og balancere syntetiske eksempler, og NeMo AutoModel til at træne et lille sæt LoRA‑adapterparametre, mens grundvægtene forbliver frosne, med Palantir Autopilot, der håndterer livscyklussen fra ontologidata til implementeret model.

På den udviklingsbenchmark, der beskrives i indlægget, nåede den eftertrænede model en nøjagtighed på 86,7 % for tildelingsbeslutninger, sammenlignet med 55,5 % for den større Nemotron 3 Ultra og 17,5 % for grundmodellen Nemotron 3.5 Lightning. NVIDIA rapporterer en balanceret nøjagtighed på 58,6 % mod Ultra’s 42,0 % og en Macro‑F1‑score på 57,5 % mod 39,5 %. Forfatterne siger, at disse målinger vægter hver beslutningstype lige, hvilket er vigtigt, fordi planlæggere reducerer tildelinger langt oftere end de øger dem.

Indlægget advarer om, at gevinsterne er koncentreret i det domæne, som modellen blev eftertrænet på, og at forudsigelse af fremtidig produktionsrisiko forblev vanskelig trods finjustering. LoRA‑træningskørslen blev afsluttet på to NVIDIA B200‑GPU’er på få minutter, let nok til at gentage, efterhånden som feedback akkumuleres, ifølge indlægget.

Modellen anbefaler et tildelingsinterval med tilhørende begrundelse og risici, men en menneskelig planlægger gennemgår hver anbefaling og træffer den endelige beslutning. Hver accept, redigering, tilsidesættelse og produktionsresultat skrives tilbage i ontologien, indtil der findes tilstrækkelige repræsentative data til en ny styret træningskørsel. Indlægget angiver, at modellen aldrig gen‑træner sig selv i produktion, og at den akkumulerede feedback er beregnet til at understøtte forstærkningslæring i fremtiden.

Suveræn implementering og infrastrukturpartnere

I betragtning af følsomheden i NVIDIAs forsyningskæde kører implementeringen på NVIDIAs referencearkitekturer og den fællesudviklede Palantir Sovereign AI Operating System Reference Architecture, kendt som SAIOS, som understøttes af Dell Technologies og Cisco. Virksomhederne sagde, at stakken kan implementeres lokalt med systemproducenter inklusive Cisco og Dell, eller i co‑location‑ og cloud‑miljøer med Rackspace og Nebius.

Inden for Palantir AIP understøtter cuOpt optimering og scenarieplanlægning, mens NeMo Data Libraries, NeMo AutoModel og NeMo RL integreres med Palantir Autopilot i det, som virksomhederne beskriver som en styret læringssløjfe, der måler beslutninger mod virkelige resultater. Virksomhederne sagde, at de planlægger at udvide den viden, de får fra NVIDIAs implementering, til virksomheder inden for fremstilling, energi, sundhedspleje, bilindustri og rumfart.