NVIDIA और Palantir ने आपूर्ति श्रृंखलाओं के लिए सार्वभौमिक AI स्टैक की घोषणा की

NVIDIA और Palantir Technologies ने 10 सितंबर, 2026 को एक सहयोग की घोषणा की, जिससे महत्वपूर्ण आपूर्ति श्रृंखलाओं में सार्वभौमिक AI लाया जा सके, और संयुक्त रूप से निर्मित AI स्टैक को पहले NVIDIA की अपनी आपूर्ति श्रृंखला संचालन में लागू किया गया।

यह स्टैक NVIDIA के Nemotron ओपन मॉडल को Palantir Foundry और Palantir के आर्टिफिशियल इंटेलिजेंस प्लेटफ़ॉर्म (AIP) में लाता है, जो Palantir Ontology पर आधारित है। कंपनियों ने कहा कि यह प्रणाली आपूर्ति श्रृंखला टीमों को एक साझा कमांड सेंटर प्रदान करती है, जो सामग्री आवंटन निर्णयों से शुरू होती है, जबकि ग्राहक अपने स्वामित्व डेटा पर नियंत्रण और अधिकार बनाए रखते हैं। यह स्टैक Palantir के AIPCon 11 सम्मेलन में प्रदर्शित किया जाएगा, और कंपनियों ने कहा कि कृषि, विनिर्माण, फार्मास्यूटिकल, रिटेल, प्रौद्योगिकी और सरकारी क्षेत्रों की संस्थाएँ इसे अपनी आपूर्ति श्रृंखलाओं में लागू कर सकती हैं।

NVIDIA ने कहा कि उसकी आपूर्ति श्रृंखला में लाखों हिस्से, हजारों आपूर्तिकर्ता और एक वैश्विक विनिर्माण साझेदार नेटवर्क शामिल है, और रैक-स्केल AI सिस्टम को उत्पादन में लाने के लिए कंप्यूट, मेमोरी, नेटवर्किंग, पावर, कूलिंग और मैकेनिकल घटकों की समन्वित उपलब्धता आवश्यक है। घोषणा के अनुसार प्रत्येक NVIDIA Vera Rubin रैक में 1.3 मिलियन भाग होते हैं।

साझा घोषणा में, Palantir के सह-संस्थापक और CEO Alex Karp ने कहा: “NVIDIA संभवतः दुनिया की सबसे मूल्यवान, जटिल और जटिल आपूर्ति श्रृंखला रखता है। हमारे सार्वभौमिक स्टैक, जो Nemotron मॉडल और Ontology द्वारा संचालित है, ऐसी क्षमताएँ प्रदान कर रहा है जो सीमाओं से आगे हैं और साथ ही ऐसे अल्फा सुरक्षा गुण प्रदान करता है जो अन्यथा उपलब्ध नहीं हैं।”

NVIDIA के संस्थापक और CEO Jensen Huang ने कहा कि कंपनियों का लक्ष्य AI इन्फ्रास्ट्रक्चर के पीछे के ऑपरेशनल ग्राफ को सार्वभौमिक बुद्धिमत्ता में बदलना है, जिसमें Nemotron मॉडल को Palantir की Ontology के साथ जोड़कर वेफ़र उत्पादन से टोकन आउटपुट तक के मार्ग को समन्वित करेंगे।

NVIDIA की आपूर्ति श्रृंखला और फाउंड्री कमांड सेंटर

घोषणा के साथ प्रकाशित एक तकनीकी ब्लॉग पोस्ट में, NVIDIA ने कहा कि वह वेफ़र-आउट से पहले टोकन तक आपूर्ति श्रृंखला के प्रदर्शन को मापता है। यह अंतराल दो भागों में विभाजित होता है: time-to-rack वह समय है जो सिलिकॉन के फैब से निकलने से लेकर एक असेंबल्ड सिस्टम के डेटा सेंटर फ़्लोर पर पहुँचने तक लगता है, और time-to-token वह समय है जो पावर, कूलिंग, नेटवर्किंग और सॉफ़्टवेयर कार्य को कवर करता है जो इन्फ्रास्ट्रक्चर को उत्पादक बनाता है।

Grace Blackwell NVL72 प्लेटफ़ॉर्म लाखों भागों और हजारों आपूर्तिकर्ताओं पर निर्भर होते हैं, और अंतिम सिस्टम कई OEM और ODM द्वारा असेंबल किए जाते हैं। एकल GB200 NVL72 कंप्यूट ट्रे — रैक में अठारह में से एक — को दो Grace CPU, चार Blackwell GPU और 32 HBM3e मेमोरी स्टैक की आवश्यकता होती है, और NVIDIA ने कहा कि Vera Rubin के लिए बनाई गई आपूर्ति श्रृंखला Grace Blackwell के पीछे की श्रृंखला से दोगुनी बड़ी है। यह ट्रैक करने के लिए कि सामग्री कितनी देर तक निष्क्रिय रहती है, NVIDIA एक मीट्रिक चलाता है जिसे Time of Ownership: कहा जाता है; यह वह समय है जो एक निर्माण स्थल को सामग्री प्राप्त करने से लेकर वह सामग्री उप-समूह या उत्पाद के हिस्से के रूप में बाहर निकलने तक बीतता है।

हर सप्ताह, योजनाकार मैन्युअल रूप से वह कार्य पुनः करते हैं जिसे NVIDIA ‘क्रिटिकल मैटेरियल अलोकेशन प्रॉब्लम’ कहता है, यह तय करते हुए कि कौन सी सामग्री और उसकी कितनी मात्रा वर्तमान तिमाही और अगले तिमाही में प्रत्येक निर्माण स्थल को भेजी जाए। इस कार्य का समर्थन करने के लिए, NVIDIA की आपूर्ति श्रृंखला संचालन टीम ने Palantir के साथ Foundry पर एक डिजिटल सप्लाई चेन इंटेलिजेंस कमांड सेंटर बनाया, जहाँ Ontology सामग्री, निर्माण स्थल, प्रतिबद्धताएँ, क्षमता, आवंटन, उत्पादन आउटपुट और असंरचित गुणात्मक संकेतों को एक नियंत्रित डेटा लेयर में जोड़ता है।

NVIDIA cuOpt, कंपनी की ओपन‑सोर्स लाइब्रेरी जो GPU‑त्वरित निर्णय अनुकूलन के लिए है, साप्ताहिक आवंटन को एक मिश्रित‑पूर्णांक रैखिक प्रोग्राम के रूप में हल करता है जिसका लक्ष्य Time of Ownership को न्यूनतम करना है, Ontology से इनपुट लेता है और परिणामों को आवंटन निर्णयों के रूप में वापस लिखता है। पोस्ट में बताया गया है कि cuOpt यह भी पहचानता है कि कौन से प्रतिबंध बंधनकारी हैं, ताकि योजनाकार देख सकें कि किसी सप्ताह में क्षमता या मेमोरी सप्लाई ने सीमित किया या नहीं, और वे ऐसे परिदृश्य परीक्षण कर सकें जैसे मेमोरी सप्लाई में दस प्रतिशत कटौती या नया निर्माण स्थल ऑनलाइन आना।

आवंटन निर्णयों पर पोस्ट-ट्रेनिंग Nemotron

NVIDIA और Palantir ने ऐतिहासिक आवंटन निर्णयों को वास्तविक परिणामों के खिलाफ बैक‑टेस्ट किया और पोस्ट में बताया गया कि मानव योजनाकारों ने सॉल्वर से बेहतर प्रदर्शन किया, क्योंकि योजनाकार उन सूचनाओं पर कार्य कर रहे थे जो सॉल्वर नहीं देख सकता था: साझेदारों के साथ ईमेल आदान‑प्रदान, प्रमुख क्षेत्रों के लिए गंभीर मौसम पूर्वानुमान, भू‑राजनीतिक घटनाएँ और आपूर्तिकर्ता डीब्रिफ़ ट्रांसक्रिप्ट, साथ ही वर्षों के संचित अनुभव। टीमों ने उस विशेषज्ञता के चारों ओर वर्कफ़्लो को पुनर्निर्मित किया, प्रत्येक आवंटन निर्णय, उसका तर्क, अपेक्षित परिणाम और वास्तविक परिणाम को Ontology के भीतर कैप्चर किया।

यह रिकॉर्ड प्रशिक्षण डेटा बन गया। टीमों ने Nemotron 3.5 Lightning को पोस्ट‑ट्रेन किया, जो 30 बिलियन पैरामीटर वाला एक ओपन‑वेट मिश्रण‑ऑफ़‑एक्सपर्ट्स मॉडल है और प्रत्येक फॉरवर्ड पास में लगभग 3 बिलियन सक्रिय पैरामीटर होते हैं, जिसे पोस्ट में बताया गया कि चुना गया क्योंकि यह एजेंटिक वर्कफ़्लो की निष्पादन परत के लिए विशेष रूप से बनाया गया है और क्योंकि ओपन मॉडल को संगठन की अपनी कंप्यूट सीमा के भीतर पोस्ट‑ट्रेन किया जा सकता है। पाइपलाइन NeMo Anonymizer का उपयोग करके व्यक्तिगत पहचान योग्य जानकारी को हटाती है, NeMo Data Designer से सिंथेटिक उदाहरण उत्पन्न और संतुलित करती है, और NeMo AutoModel से एक छोटे सेट के LoRA एडाप्टर पैरामीटर को ट्रेन करती है जबकि बेस वेट्स फ्रीज़ रहते हैं, और Palantir Autopilot Ontology डेटा से तैनात मॉडल तक जीवन‑चक्र का प्रबंधन करता है।

पोस्ट में वर्णित विकास बेंचमार्क पर, पोस्ट‑ट्रेन मॉडल ने 86.7% आवंटन‑निर्णय सटीकता हासिल की, जबकि बड़े Nemotron 3 Ultra ने 55.5% और बेस Nemotron 3.5 Lightning ने 17.5% प्राप्त किया। NVIDIA ने बताया कि संतुलित सटीकता Ultra के 42.0% के मुकाबले 58.6% है और Macro-F1 स्कोर 39.5% के मुकाबले 57.5% है। लेखक कहते हैं कि ये मीट्रिक्स प्रत्येक निर्णय प्रकार को समान रूप से वजन देते हैं, जो महत्वपूर्ण है क्योंकि योजनाकार आवंटन को घटाते हैं अधिक बार बनिस्बत बढ़ाने के।

पोस्ट में चेतावनी दी गई है कि लाभ उस डोमेन में केंद्रित हैं जिस पर मॉडल को पोस्ट‑ट्रेन किया गया था और फाइन‑ट्यूनिंग के बावजूद भविष्य के उत्पादन जोखिम की भविष्यवाणी कठिन बनी रही। LoRA प्रशिक्षण दो NVIDIA B200 GPU पर कुछ मिनटों में समाप्त हुआ, इतना हल्का कि फीडबैक जमा होने पर दोहराया जा सके, जैसा कि पोस्ट में कहा गया है।

मॉडल एक आवंटन रेंज के साथ तर्क और जोखिम संलग्न करके सिफारिश करता है, लेकिन एक मानव योजनाकार प्रत्येक सिफारिश की समीक्षा करता है और अंतिम निर्णय लेता है। प्रत्येक स्वीकृति, संपादन, ओवरराइड और उत्पादन परिणाम Ontology में वापस लिखे जाते हैं जब तक कि पर्याप्त प्रतिनिधि डेटा उपलब्ध न हो जाए और एक नया नियंत्रित प्रशिक्षण रन किया जा सके। पोस्ट में कहा गया है कि मॉडल उत्पादन में स्वयं को कभी पुनः‑ट्रेन नहीं करता और संचित फीडबैक भविष्य में रिइन्फोर्समेंट लर्निंग का समर्थन करने के लिए है।

सार्वभौमिक परिनियोजन और इन्फ्रास्ट्रक्चर साझेदार

NVIDIA की आपूर्ति श्रृंखला की संवेदनशीलता को देखते हुए, परिनियोजन NVIDIA रेफ़रेंस आर्किटेक्चर और संयुक्त रूप से विकसित Palantir Sovereign AI Operating System रेफ़रेंस आर्किटेक्चर, जिसे SAIOS कहा जाता है, पर चलता है, जिसे Dell Technologies और Cisco द्वारा समर्थन प्राप्त है। कंपनियों ने कहा कि स्टैक को ऑन‑प्रेमिसेस पर सिस्टम निर्माताओं जैसे Cisco और Dell के साथ, या को‑लोकेशन और क्लाउड पर्यावरण में Rackspace और Nebius के साथ तैनात किया जा सकता है।

Palantir AIP के भीतर, cuOpt अनुकूलन और परिदृश्य योजना को समर्थन देता है, जबकि NeMo Data Libraries, NeMo AutoModel और NeMo RL Palantir Autopilot के साथ एक नियंत्रित लर्निंग लूप में एकीकृत होते हैं, जिसे कंपनियों ने वास्तविक‑विश्व परिणामों के खिलाफ निर्णयों को मापने वाला बताया है। कंपनियों ने कहा कि वे NVIDIA के परिनियोजन से जो सीखते हैं उसे विनिर्माण, ऊर्जा, स्वास्थ्य‑सेवा, ऑटोमोबाइल और एयरोस्पेस क्षेत्रों में उद्यमों तक विस्तारित करने की योजना बना रहे हैं।