NVIDIA et Palantir annoncent une pile d’IA souveraine pour les chaînes d’approvisionnement

NVIDIA et Palantir Technologies ont annoncé le 10 septembre 2026 une collaboration visant à apporter une IA souveraine aux chaînes d’approvisionnement critiques, la pile d’IA construite conjointement étant d’abord déployée au sein des propres opérations de chaîne d’approvisionnement de NVIDIA.

La pile intègre les modèles ouverts Nemotron de NVIDIA dans Palantir Foundry et la Plateforme d’Intelligence Artificielle (AIP) de Palantir, s’appuyant sur l’Ontologie Palantir. Les entreprises ont déclaré que le système offre aux équipes de chaîne d’approvisionnement un centre de commandement partagé, à commencer par les décisions d’allocation des matériaux, tout en permettant aux clients de conserver le contrôle et la propriété de leurs données propriétaires. La pile sera présentée lors de la conférence AIPCon 11 de Palantir, et les entreprises ont indiqué que les organisations du secteur agricole, manufacturier, pharmaceutique, de la distribution, technologique et gouvernemental peuvent l’appliquer à leurs propres chaînes d’approvisionnement.

NVIDIA a indiqué que sa chaîne d’approvisionnement englobe des millions de pièces, des milliers de fournisseurs et un réseau mondial de partenaires de fabrication, et que le déploiement en production d’un système d’IA à l’échelle d’un rack nécessite la disponibilité coordonnée du calcul, de la mémoire, du réseau, de l’alimentation, du refroidissement et des composants mécaniques. Chaque rack NVIDIA Vera Rubin contient 1,3 million de pièces, selon l’annonce.

Dans l’annonce conjointe, le cofondateur et PDG de Palantir, Alex Karp, a déclaré: « NVIDIA possède sans doute la chaîne d’approvisionnement la plus précieuse, la plus complexe et la plus sophistiquée au monde. Notre pile souveraine, propulsée par les modèles Nemotron et l’Ontologie, offre des capacités qui dépassent les limites actuelles tout en fournissant des qualités de protection alpha indisponibles autrement. »

Le fondateur et PDG de NVIDIA, Jensen Huang, a déclaré que les entreprises visent à transformer le graphe opérationnel sous-jacent à l’infrastructure d’IA en intelligence souveraine, en associant les modèles Nemotron à l’Ontologie de Palantir pour coordonner le parcours de la production de plaquettes jusqu’à la génération de jetons.

Chaîne d’approvisionnement de NVIDIA et centre de commandement Foundry

Dans un article de blog technique publié parallèlement à l’annonce, NVIDIA a indiqué qu’elle mesure la performance de la chaîne d’approvisionnement du moment où la plaquette quitte l’usine jusqu’au premier jeton. L’intervalle se divise en deux: le temps‑à‑rack, qui s’étend du départ du silicium de la fabrique jusqu’à l’arrivée d’un système assemblé sur le plancher d’un centre de données, et le temps‑à‑jeton, qui couvre l’alimentation, le refroidissement, le réseau et le travail logiciel rendant l’infrastructure productive.

Les plateformes Grace Blackwell NVL72 s’appuient sur des millions de pièces et des milliers de fournisseurs, les systèmes finaux étant assemblés par des dizaines d’OEM et d’ODM. Un seul plateau de calcul GB200 NVL72 — l’un des dix‑huit d’un rack — nécessite deux processeurs Grace, quatre GPU Blackwell et 32 piles de mémoire HBM3e, et NVIDIA a indiqué que la chaîne d’approvisionnement créée pour Vera Rubin est deux fois plus grande que celle derrière Grace Blackwell. Pour suivre la durée pendant laquelle un matériau reste inactif, NVIDIA utilise une métrique appelée Time of Ownership: le temps écoulé entre la réception du matériau par un site de fabrication et son départ en tant que sous‑assemblage ou produit.

Chaque semaine, les planificateurs retravaillent manuellement ce que NVIDIA appelle le problème d’allocation critique des matériaux, décidant quels matériaux et en quelles quantités ils sont affectés à chaque site de fabrication pour le trimestre en cours et le suivant. Pour soutenir ce travail, l’équipe des opérations de chaîne d’approvisionnement de NVIDIA a construit un centre de commandement Digital Supply Chain Intelligence avec Palantir sur Foundry, où l’Ontologie relie les matériaux, les sites de fabrication, les engagements, la capacité, les allocations, les productions et les signaux qualitatifs non structurés en une couche de données gouvernée.

NVIDIA cuOpt, la bibliothèque open‑source de l’entreprise pour l’optimisation de décisions accélérée par GPU, résout l’allocation hebdomadaire sous forme de programme linéaire mixte‑entier dont l’objectif est de minimiser le Time of Ownership: en puisant les entrées dans l’Ontologie et en enregistrant les résultats sous forme de décisions d’allocation. L’article indique que cuOpt identifie également les contraintes contraignantes, permettant aux planificateurs de voir si la capacité ou l’offre de mémoire a limité une semaine donnée, et de tester des scénarios tels qu’une réduction de dix pour cent de l’offre de mémoire ou l’entrée en service d’un nouveau site de fabrication.

Nemotron post‑entraîné sur les décisions d’allocation

NVIDIA et Palantir ont testé rétroactivement les décisions d’allocation historiques par rapport à ce qui s’est réellement produit et ont constaté, selon le rapport, que les planificateurs humains ont surpassé le solveur, car ils s’appuyaient sur des informations que celui‑ci ne pouvait pas voir: les courriels échangés avec les partenaires, les prévisions météorologiques sévères pour les régions clés, les événements géopolitiques et les transcriptions des débriefings fournisseurs, ainsi que des années d’expertise accumulée. Les équipes ont reconstruit le flux de travail autour de cette expertise, en capturant chaque décision d’allocation, sa justification, le résultat attendu et le résultat réel dans l’Ontologie.

Ces enregistrements sont devenus des données d’entraînement. Les équipes ont post‑entraîné Nemotron 3.5 Lightning, un modèle à poids ouvert de type mixture‑of‑experts comptant 30 milliards de paramètres et environ 3 milliards actifs par passe avant, choisi, selon le rapport, parce qu’il est spécialement conçu pour la couche d’exécution d’un flux de travail agentique et parce que les modèles ouverts peuvent être post‑entraînés à l’intérieur de la propre infrastructure de calcul d’une organisation. Le pipeline utilise NeMo Anonymizer pour supprimer les informations personnellement identifiables, NeMo Data Designer pour générer et équilibrer des exemples synthétiques, et NeMo AutoModel pour entraîner un petit ensemble de paramètres d’adaptateur LoRA tandis que les poids de base restent figés, Palantir Autopilot gérant le cycle de vie des données de l’Ontologie jusqu’au modèle déployé.

Sur le benchmark de développement décrit dans le rapport, le modèle post‑entraîné a atteint une précision de 86,7 % dans les décisions d’allocation, contre 55,5 % pour le Nemotron 3 Ultra plus grand et 17,5 % pour le Nemotron 3.5 Lightning de base. NVIDIA indique une précision équilibrée de 58,6 % contre 42,0 % pour l’Ultra et un score Macro‑F1 de 57,5 % contre 39,5 %. Les auteurs précisent que ces métriques pondèrent chaque type de décision de manière égale, ce qui est important car les planificateurs réduisent les allocations beaucoup plus souvent qu’ils ne les augmentent.

Le rapport avertit que les gains sont concentrés dans le domaine sur lequel le modèle a été post‑entraîné et que la prévision des risques de production futurs demeure difficile malgré le réglage fin. L’entraînement LoRA s’est achevé en quelques minutes sur deux GPU NVIDIA B200, suffisamment léger pour être répété à mesure que les retours s’accumulent, selon le rapport.

Le modèle recommande une fourchette d’allocation accompagnée de la justification et des risques associés, mais un planificateur humain examine chaque recommandation et prend la décision finale. Chaque acceptation, modification, substitution et résultat de production est réinjecté dans l’Ontologie jusqu’à ce qu’un nombre suffisant de données représentatives soit disponible pour un autre cycle d’entraînement gouverné. Le rapport indique que le modèle ne se réentraîne jamais en production et que les retours accumulés sont destinés à soutenir l’apprentissage par renforcement à l’avenir.

Déploiement souverain et partenaires d’infrastructure

Compte tenu de la sensibilité de la chaîne d’approvisionnement de NVIDIA, le déploiement s’appuie sur les architectures de référence de NVIDIA et sur l’Architecture de Référence du Système d’Exploitation d’IA souveraine de Palantir, connue sous le nom de SAIOS, qui bénéficie du soutien de Dell Technologies et de Cisco. Les entreprises ont indiqué que la pile peut être déployée sur site avec des fabricants de systèmes tels que Cisco et Dell, ou dans des environnements de colocation et de cloud avec Rackspace et Nebius.

Dans le cadre de Palantir AIP, cuOpt prend en charge l’optimisation et la planification de scénarios, tandis que les bibliothèques NeMo Data, NeMo AutoModel et NeMo RL s’intègrent à Palantir Autopilot dans ce que les entreprises décrivent comme une boucle d’apprentissage gouvernée mesurant les décisions par rapport aux résultats réels. Les entreprises ont déclaré qu’elles envisagent d’étendre les enseignements tirés du déploiement de NVIDIA aux entreprises des secteurs de la fabrication, de l’énergie, de la santé, de l’automobile et de l’aérospatiale.