NVIDIA ja Palantir ilmoittavat suvereenin tekoälypinon toimitusketjuille

NVIDIA ja Palantir Technologies ilmoittivat 10. syyskuuta 2026 yhteistyöstä, jonka tarkoituksena on tuoda suvereenia tekoälyä kriittisiin toimitusketjuihin, ja yhteisesti rakennettu AI-pino otetaan ensimmäisenä käyttöön NVIDIA:n omissa toimitusketjutoiminnoissa.

Pino tuo NVIDIA:n Nemotron‑avomallit Palantir Foundryyn ja Palantir:n Tekoälyalustaan (AIP), jotka perustuvat Palantir‑ontologiaan. Yritykset kertovat, että järjestelmä tarjoaa toimitusketjutiimeille yhteisen komentokeskuksen, alkaen materiaalien allokointipäätöksistä, samalla kun asiakkaat säilyttävät hallinnan ja omistusoikeuden omiin proprietaarisiin tietoihinsa. Pinoa esitellään Palantir:n AIPCon 11 -konferenssissa, ja yritykset sanovat, että maatalouden, valmistuksen, lääkealan, vähittäiskaupan, teknologian ja hallinnon organisaatiot voivat soveltaa sitä omiin toimitusketjuihinsa.

NVIDIA kertoo, että sen toimitusketju kattaa miljoonia osia, tuhansia toimittajia ja maailmanlaajuisen valmistuskumppaniverkoston, ja että rack‑tasoinen tekoälyjärjestelmä tuotantoon saattaminen edellyttää laskentatehon, muistin, verkottumisen, virran, jäähdytyksen ja mekaanisten komponenttien koordinoitua saatavuutta. Jokaisessa NVIDIA Vera Rubin -rackissa on 1,3 miljoonaa osaa, ilmoituksen mukaan.

Yhteisessä julistuksessa Palantir:n perustaja ja toimitusjohtaja Alex Karp sanoi: “NVIDIA:lla on väistämättä maailman arvokkain, monimutkaisin ja monisyisin toimitusketju. Meidän suvereeninen pino, jota ohjaavat Nemotron‑mallit ja ontologia, tarjoaa kyvykkyyksiä, jotka ylittävät nykyiset rajat, ja samalla tarjoaa alfa‑suojausominaisuuksia, joita ei muualta ole saatavilla.”

NVIDIA:n perustaja ja toimitusjohtaja Jensen Huang totesi, että yritykset pyrkivät muuttamaan tekoälyinfrastruktuurin operatiivisen graafin suvereeniseksi älykkyydeksi, yhdistämällä Nemotron‑mallit Palantir:n ontologiaan koordinoimaan polkua wafer‑tuotannosta token‑tuotantoon.

NVIDIA:n toimitusketju ja Foundry‑komentokeskus

Teknisessä blogikirjoituksessa, joka julkaistiin samanaikaisesti ilmoituksen kanssa, NVIDIA kertoo mittaavansa toimitusketjun suorituskykyä wafer‑lähtöpisteestä ensimmäiseen tokeniin. Aikaväli jakautuu kahteen osaan: time‑to‑rack kattaa piin siirtymisen valmistuslaitoksesta koottuun järjestelmään, joka saapuu datakeskuksen lattialle, ja time‑to‑token käsittää virran, jäähdytyksen, verkottumisen ja ohjelmistotyön, jotka tekevät infrastruktuurista tuottavan.

Grace Blackwell NVL72 -alustat perustuvat miljooniin osiin ja tuhansiin toimittajiin, ja lopulliset järjestelmät kootaan kymmenillä OEM‑ ja ODM‑yrityksillä. Yksi GB200 NVL72 -laskentalaatikko — yksi kahdeksastatoista rackissa — vaatii kaksi Grace‑CPU:ta, neljä Blackwell‑GPU:ta ja 32 HBM3e‑muistikokoa, ja NVIDIA kertoo, että Vera Rubin -rackille luoma toimitusketju on kaksinkertainen Grace Blackwell -rackin takana olevaan ketjuun verrattuna. Materiaalin käyttämättömän ajan seuraamiseksi NVIDIA käyttää mittaria nimeltä Time of Ownership: kulunut aika valmistuspaikan vastaanottaman materiaalin ja sen materiaalin poistumisen välillä osana alikokoonpanoa tai tuotetta.

Joka viikko suunnittelijat muokkaavat manuaalisesti sitä, mitä NVIDIA kutsuu kriittiseksi materiaaliallokointiongelmaksi, päättäen, mitä materiaalia ja kuinka paljon sitä ohjataan kullekin valmistuspaikalle nykyisen ja seuraavan neljänneksen aikana. Tukeakseen tätä työtä NVIDIA:n toimitusketjuoperaatioiden tiimi rakensi Digitaalisen toimitusketjun älykkyyskomentokeskuksen Palantir:n Foundryssä, jossa ontologia yhdistää materiaalit, valmistuspaikat, sitoumukset, kapasiteetin, allokoinnit, tuotantotuotokset ja jäsentämättömät kvalitatiiviset signaalit yhdeksi hallituksi datakerrokseksi.

NVIDIA cuOpt, yrityksen avoimen lähdekoodin kirjasto GPU‑kiihdytetylle päätöksentekoon, ratkaisee viikoittaisen allokoinnin sekoitettuna kokonaislukuna lineaarisena ohjelmana, jonka tavoitteena on minimoida Time of Ownership, hyödyntäen ontologiasta saatuja syötteitä ja kirjoittaen tulokset takaisin allokointipäätöksinä. Artikkeli kertoo, että cuOpt myös tunnistaa, mitkä rajoitteet ovat sitovia, jolloin suunnittelijat näkevät, rajoittiko kapasiteetti tai muistikapasiteetti tiettyä viikkoa, ja voivat testata skenaarioita, kuten muistikapasiteetin kymmenen prosentin leikkaus tai uusi valmistuspaikka, joka otetaan käyttöön.

Post-Training Nemotron allokointipäätöksissä

NVIDIA ja Palantir testasivat historiallisia allokointipäätöksiä todellisiin tapahtumiin verrattuna ja havaitsivat, että ihmissuunnittelijat ylittivät ratkaisijan suorituskyvyn, raportin mukaan, koska suunnittelijat toimivat tiedoilla, joita ratkaisija ei nähnyt: sähköpostit, jotka vaihdettiin kumppaneiden kanssa, vakavat säätiedotukset tärkeille alueille, geopoliittiset tapahtumat ja toimittajien debrief‑keskustelut, sekä vuosien kertyneet asiantuntemukset. Tiimit rakensivat työnkulun uudelleen tämän asiantuntemuksen ympärille, tallentaen jokaisen allokointipäätöksen, sen perustelun, odotetun tuloksen ja todellisen lopputuloksen ontologiaan.

Tämä kirjaus muuttui koulutusdataksi. Tiimit post‑kouluttivat Nemotron 3.5 Lightning -mallin, avoimen painotuksen mixture‑of‑experts -mallin, jossa on 30 miljardia parametria ja noin 3 miljardia aktiivista parametria per eteenpäin‑syöttö, jonka artikkelin mukaan valittiin, koska se on tarkoituksellisesti rakennettu agenttipohjaisen työnkulun suorituskerrokselle ja koska avoimia malleja voidaan post‑kouluttaa organisaation omassa laskentaympäristössä. Putki käyttää NeMo Anonymizeria poistamaan henkilökohtaisesti tunnistettavat tiedot, NeMo Data Designeria luomaan ja tasapainottamaan synteettisiä esimerkkejä, ja NeMo AutoModelia kouluttamaan pienen joukon LoRA‑adapteriparametreja samalla kun peruspainot pysyvät jäädytettyinä, ja Palantir Autopilot hallinnoi elinkaarta ontologiatiedoista otettuun malliin asti.

Kehitysbenchmarkissa, joka on kuvattu artikkelissa, post‑koulutettu malli saavutti 86,7 % allokointipäätösten tarkkuuden, verrattuna 55,5 % suuremmalle Nemotron 3 Ultra -mallille ja 17,5 % perusmallille Nemotron 3.5 Lightning. NVIDIA raportoi tasapainotetun tarkkuuden olevan 58,6 % Ultra‑malliin verrattuna 42,0 %:iin ja Macro‑F1‑pisteen 57,5 % verrattuna 39,5 %:iin. Tekijät sanovat, että nämä mittarit painottavat jokaisen päätöstyypin tasaisesti, mikä on tärkeää, koska suunnittelijat leikkaavat allokointeja paljon useammin kuin nostavat niitä.

Artikkeli varoittaa, että hyödyt keskittyvät mallin post‑koulutuksen kohdealueelle, ja että tulevan tuotantoriskin ennustaminen jäi vaikeaksi hienosäädöstä huolimatta. LoRA‑koulutuksen suoritus päättyi kahdessa NVIDIA B200 -GPU:ssa muutamassa minuutissa, riittävän kevyenä toistettavaksi, kun palaute kertyy, artikkelin mukaan.

Malli suosittelee allokointialuetta liitettyjen perustelujen ja riskien kanssa, mutta ihmissuunnittelija tarkistaa jokaisen suosituksen ja tekee lopullisen päätöksen. Jokainen hyväksyntä, muokkaus, ohitus ja tuotantotulos kirjataan takaisin ontologiaan, kunnes riittävästi edustavaa dataa on kerätty seuraavaa hallittua koulutuskierrosta varten. Artikkeli toteaa, että malli ei koskaan uudelleenkouluta itseään tuotannossa, ja että kerätty palaute on tarkoitettu tukemaan vahvistusoppimista tulevaisuudessa.

Suvereeninen käyttöönotto ja infrastruktuurikumppanit

Ottaen huomioon NVIDIA:n toimitusketjun herkkyyden, käyttöönotto tapahtuu NVIDIA:n referenssiarkkitehtuureissa ja yhteisesti kehitetyn Palantir Sovereign AI Operating System -referenssiarkkitehtuurin (SAIOS) avulla, jota tukevat Dell Technologies ja Cisco. Yritykset kertovat, että pinoa voidaan ottaa käyttöön paikallisesti järjestelmävalmistajien, kuten Cisco ja Dell, kanssa tai yhteiskäyttö- ja pilviympäristöissä Rackspacen ja Nebiuksen kanssa.

Palantir AIP:n sisällä cuOpt tukee optimointia ja skenaariosuunnittelua, kun taas NeMo Data Libraries, NeMo AutoModel ja NeMo RL integroituvat Palantir Autopilotiin siinä, mitä yritykset kuvaavat hallittuna oppimisloopina, joka mittaa päätöksiä todellisiin tuloksiin verrattuna. Yritykset ilmoittavat aikovansa laajentaa NVIDIA:n käyttöönotosta oppimaansa yrityksiin valmistuksen, energian, terveydenhuollon, automaation ja avaruusteknologian aloilla.