NVIDIA und Palantir kündigen souveränen KI‑Stack für Lieferketten an

NVIDIA und Palantir Technologies gaben am 10. September 2026 eine Zusammenarbeit bekannt, um souveräne KI in kritische Lieferketten zu bringen, wobei der gemeinsam entwickelte KI‑Stack zunächst in den eigenen Lieferketten‑Operationen von NVIDIA eingesetzt wird.

Der Stack integriert NVIDIAs offene Nemotron‑Modelle in Palantir Foundry und die Palantir Artificial Intelligence Platform (AIP) und basiert auf der Palantir Ontologie. Die Unternehmen erklärten, dass das System den Lieferketten‑Teams ein gemeinsames Command‑Center bietet, beginnend mit Entscheidungen zur Materialallokation, während die Kunden die Kontrolle und das Eigentum an ihren proprietären Daten behalten. Der Stack wird auf der AIPCon 11‑Konferenz von Palantir vorgestellt, und die Unternehmen sagten, dass Organisationen aus Landwirtschaft, Fertigung, Pharma, Einzelhandel, Technologie und dem öffentlichen Sektor ihn in ihren eigenen Lieferketten einsetzen können.

NVIDIA erklärte, dass seine Lieferkette Millionen von Bauteilen, tausende Lieferanten und ein globales Netzwerk von Fertigungspartnern umfasst und dass die Einführung eines Rack‑Scale‑KI‑Systems in die Produktion die koordinierte Verfügbarkeit von Rechenleistung, Speicher, Netzwerk, Strom, Kühlung und mechanischen Komponenten erfordert. Jeder NVIDIA Vera Rubin‑Rack enthielte laut Ankündigung 1,3 Millionen Teile.

In der gemeinsamen Ankündigung sagte Palantir‑Mitbegründer und CEO Alex Karp: “NVIDIA verfügt wahrscheinlich über die wertvollste, komplexeste und anspruchsvollste Lieferkette der Welt. Unser souveräner Stack, angetrieben von Nemotron‑Modellen und der Ontologie, liefert Fähigkeiten, die die Grenzen überschreiten, und bietet Alpha‑Schutzqualitäten, die sonst nicht verfügbar sind.”

NVIDIAs Gründer und CEO Jensen Huang erklärte, dass die Unternehmen beabsichtigen, das operative Graph‑Modell hinter der KI‑Infrastruktur in souveräne Intelligenz zu verwandeln, indem Nemotron‑Modelle mit Palantirs Ontologie kombiniert werden, um den Weg von der Wafer‑Produktion bis zur Token‑Ausgabe zu koordinieren.

NVIDIAs Lieferkette und das Foundry‑Command‑Center

In einem technischen Blogbeitrag, der zusammen mit der Ankündigung veröffentlicht wurde, erklärte NVIDIA, dass es die Lieferketten‑Performance vom Wafer‑Ausgang bis zum ersten Token misst. Der Zeitraum teilt sich in zwei Teile: „time‑to‑rack“ erstreckt sich vom Verlassen des Siliziums aus der Fabrik bis zum Ankommen eines zusammengebauten Systems auf dem Boden eines Rechenzentrums, und „time‑to‑token“ umfasst die Energie‑, Kühl‑, Netzwerk‑ und Software‑Arbeiten, die die Infrastruktur produktiv machen.

Grace‑Blackwell‑NVL72‑Plattformen basieren auf Millionen von Bauteilen und tausenden Lieferanten, wobei die Endsysteme von Dutzenden OEMs und ODMs zusammengebaut werden. Ein einzelnes GB200‑NVL72‑Rechen‑Tray – eines von achtzehn in einem Rack – benötigt zwei Grace‑CPUs, vier Blackwell‑GPUs und 32 HBM3e‑Speicher‑Stacks, und NVIDIA erklärte, dass die für Vera Rubin geschaffene Lieferkette doppelt so groß sei wie die hinter Grace Blackwell. Um zu verfolgen, wie lange Material ungenutzt liegt, verwendet NVIDIA die Kennzahl „Time of Ownership“: die verstrichene Zeit zwischen dem Empfang von Material an einem Fertigungsstandort und dessen Weitergabe als Teil einer Unterbaugruppe oder eines Produkts.

Jede Woche überarbeiten Planer manuell das, was NVIDIA das kritische Materialallokations‑Problem nennt, und entscheiden, welches Material und in welcher Menge zu jedem Fertigungsstandort im laufenden und im nächsten Quartal gelangt. Zur Unterstützung dieser Arbeit hat das Supply‑Chain‑Operations‑Team von NVIDIA ein Digital Supply Chain Intelligence‑Command‑Center mit Palantir auf Foundry aufgebaut, in dem die Ontologie Materialien, Fertigungsstandorte, Verpflichtungen, Kapazitäten, Allokationen, Produktionsergebnisse und unstrukturierte qualitative Signale zu einer einheitlichen, gesteuerten Datenschicht verbindet.

NVIDIA cuOpt, die Open‑Source‑Bibliothek des Unternehmens für GPU‑beschleunigte Entscheidungsoptimierung, löst die wöchentliche Allokation als gemischt-ganzzahliges lineares Programm, dessen Ziel es ist, die „Time of Ownership“ zu minimieren, wobei Eingaben aus der Ontologie stammen und die Ergebnisse als Allokationsentscheidungen zurückgeschrieben werden. Laut Beitrag identifiziert cuOpt zudem, welche Nebenbedingungen bindend sind, sodass Planer sehen können, ob Kapazität oder Speicher‑versorgung eine bestimmte Woche begrenzt haben, und sie können Szenarien wie eine zehnprozentige Reduktion der Speicher‑versorgung oder die Inbetriebnahme eines neuen Fertigungsstandorts testen.

Post‑Training von Nemotron bei Allokationsentscheidungen

NVIDIA und Palantir haben historische Allokationsentscheidungen mit den tatsächlichen Ergebnissen rückwirkend getestet und laut Beitrag festgestellt, dass menschliche Planer den Solver übertrafen, weil die Planer auf Informationen zugreifen konnten, die das System nicht sah: E‑Mails mit Partnern, schwere Wettervorhersagen für Schlüsselregionen, geopolitische Ereignisse und Lieferanten‑Debrief‑Transkripte sowie jahrelange gesammelte Expertise. Die Teams haben den Arbeitsablauf um diese Expertise herum neu gestaltet und jede Allokationsentscheidung, deren Begründung, das erwartete Ergebnis und das tatsächliche Ergebnis in der Ontologie erfasst.

Diese Aufzeichnungen wurden zu Trainingsdaten. Die Teams haben Nemotron 3.5 Lightning nachtrainiert, ein Open‑Weight‑Mixture‑of‑Experts‑Modell mit 30 Milliarden Parametern und etwa 3 Milliarden aktiv pro Forward‑Pass, das laut Beitrag ausgewählt wurde, weil es speziell für die Ausführungsschicht eines agentischen Workflows entwickelt wurde und weil offene Modelle innerhalb der eigenen Rechenumgebung einer Organisation nachtrainiert werden können. Die Pipeline nutzt NeMo Anonymizer, um persönlich identifizierbare Informationen zu entfernen, NeMo Data Designer, um synthetische Beispiele zu erzeugen und auszubalancieren, sowie NeMo AutoModel, um einen kleinen Satz von LoRA‑Adapter‑Parametern zu trainieren, während die Basisgewichte eingefroren bleiben, wobei Palantir Autopilot den Lebenszyklus von Ontologie‑Daten bis zum bereitgestellten Modell verwaltet.

Auf dem im Beitrag beschriebenen Entwicklungs‑Benchmark erreichte das nachtrainierte Modell eine Allokations‑Entscheidungs‑Genauigkeit von 86,7 %, verglichen mit 55,5 % für das größere Nemotron 3 Ultra und 17,5 % für das Basismodell Nemotron 3.5 Lightning. NVIDIA berichtet von einer ausgewogenen Genauigkeit von 58,6 % gegenüber Ultra‑s 42,0 % und einem Macro‑F1‑Score von 57,5 % gegenüber 39,5 %. Die Autoren geben an, dass diese Kennzahlen jede Entscheidungsart gleich gewichten, was wichtig ist, weil Planer Allokationen viel häufiger reduzieren als erhöhen.

Der Beitrag warnt, dass die Verbesserungen auf den Bereich beschränkt sind, in dem das Modell nachtrainiert wurde, und dass die Vorhersage zukünftiger Produktionsrisiken trotz Feinabstimmung nach wie vor schwierig bleibt. Der LoRA‑Traininglauf sei laut Beitrag in wenigen Minuten auf zwei NVIDIA B200‑GPUs abgeschlossen worden, leicht genug, um ihn zu wiederholen, wenn Feedback anhäuft.

Das Modell empfiehlt einen Allokationsbereich mit zugehöriger Begründung und Risiken, doch ein menschlicher Planer prüft jede Empfehlung und trifft die endgültige Entscheidung. Jede Annahme, Bearbeitung, Übersteuerung und Produktionsergebnis wird zurück in die Ontologie geschrieben, bis genügend repräsentative Daten für einen weiteren gesteuerten Trainingslauf vorliegen. Der Beitrag stellt fest, dass das Modell sich in der Produktion nie selbst nachtrainiert und dass das gesammelte Feedback künftig das Reinforcement‑Learning unterstützen soll.

Souveräne Bereitstellung und Infrastrukturpartner

Angesichts der Sensibilität von NVIDIAs Lieferkette läuft die Bereitstellung auf NVIDIA‑Referenzarchitekturen und der gemeinsam entwickelten Palantir Sovereign AI Operating System-Referenzarchitektur, bekannt als SAIOS, die von Dell Technologies und Cisco unterstützt wird. Die Unternehmen erklärten, dass der Stack vor Ort mit Systemherstellern wie Cisco und Dell oder in Co‑Location‑ und Cloud‑Umgebungen mit Rackspace und Nebius bereitgestellt werden kann.

Innerhalb von Palantir AIP unterstützt cuOpt die Optimierung und Szenario‑Planung, während NeMo Data Libraries, NeMo AutoModel und NeMo RL mit Palantir Autopilot in dem von den Unternehmen beschriebenen gesteuerten Lern‑Loop integriert werden, der Entscheidungen anhand von Real‑World‑Ergebnissen misst. Die Unternehmen sagten, sie beabsichtigen, das aus NVIDIAs Bereitstellung Gelernte auf Unternehmen in den Bereichen Fertigung, Energie, Gesundheitswesen, Automobil und Luft‑ und Raumfahrt auszudehnen.