NVIDIA dan Palantir Umumkan Tumpukan AI Kedaulatan untuk Rantai Pasokan

NVIDIA dan Palantir Technologies mengumumkan pada 10 September 2026, sebuah kolaborasi untuk membawa AI kedaulatan ke rantai pasokan kritis, dengan tumpukan AI yang dibangun bersama pertama kali diterapkan di dalam operasi rantai pasokan milik NVIDIA sendiri.

Tumpukan ini membawa model terbuka Nemotron milik NVIDIA ke dalam Palantir Foundry dan Platform Kecerdasan Buatan (AIP) Palantir, berlandaskan Ontologi Palantir. Kedua perusahaan menyatakan sistem ini memberikan tim rantai pasokan sebuah pusat komando bersama, dimulai dengan keputusan alokasi material, sementara pelanggan tetap mempertahankan kontrol dan kepemilikan data proprietari mereka. Tumpukan ini akan dipamerkan pada konferensi AIPCon 11 milik Palantir, dan perusahaan menyatakan organisasi di bidang pertanian, manufaktur, farmasi, ritel, teknologi, dan pemerintah dapat menerapkannya pada rantai pasokan mereka masing‑masing.

NVIDIA menyatakan rantai pasokannya mencakup jutaan komponen, ribuan pemasok, dan jaringan global mitra manufaktur, serta bahwa membawa sistem AI skala rak ke produksi memerlukan ketersediaan terkoordinasi dari komputasi, memori, jaringan, daya, pendinginan, dan komponen mekanik. Setiap rak NVIDIA Vera Rubin berisi 1,3 juta bagian, menurut pengumuman tersebut.

Dalam pengumuman bersama, co‑founder dan CEO Palantir Alex Karp mengatakan: “NVIDIA memiliki rantai pasokan yang paling berharga, rumit, dan kompleks di dunia. Tumpukan kedaulatan kami, yang didukung oleh model Nemotron dan Ontologi, memberikan kemampuan yang melampaui batas sekaligus menyediakan kualitas perlindungan alfa yang tidak tersedia sebaliknya.”

Pendiri dan CEO NVIDIA Jensen Huang mengatakan perusahaan berupaya mengubah grafik operasional di balik infrastruktur AI menjadi intelijen kedaulatan, dengan memadukan model Nemotron bersama Ontologi Palantir untuk mengoordinasikan jalur dari produksi wafer hingga keluaran token.

Rantai Pasokan NVIDIA dan Pusat Komando Foundry

Dalam posting blog teknis yang dipublikasikan bersamaan dengan pengumuman, NVIDIA menyatakan bahwa mereka mengukur kinerja rantai pasokan dari wafer keluar hingga token pertama. Interval tersebut dibagi menjadi dua: time-to-rack mencakup waktu dari silikon meninggalkan pabrik hingga sistem terakit tiba di lantai pusat data, dan time-to-token mencakup pekerjaan daya, pendinginan, jaringan, dan perangkat lunak yang membuat infrastruktur menjadi produktif.

Platform Grace Blackwell NVL72 mengandalkan jutaan komponen dan ribuan pemasok, dengan sistem akhir dirakit oleh puluhan OEM dan ODM. Sebuah baki komputasi GB200 NVL72 tunggal — satu dari delapan belas dalam sebuah rak — memerlukan dua CPU Grace, empat GPU Blackwell, dan 32 tumpukan memori HBM3e, dan NVIDIA menyatakan rantai pasokan yang mereka ciptakan untuk Vera Rubin dua kali lebih besar daripada yang mendukung Grace Blackwell. Untuk melacak berapa lama material menganggur, NVIDIA menggunakan metrik yang disebut Time of Ownership: waktu yang berlalu antara situs manufaktur menerima material dan material tersebut keluar sebagai bagian dari sub‑rakitan atau produk.

Setiap minggu, perencana secara manual mengerjakan kembali apa yang NVIDIA sebut sebagai masalah alokasi material kritis, memutuskan material apa dan berapa banyak yang akan dikirim ke setiap situs manufaktur selama kuartal berjalan dan berikutnya. Untuk mendukung pekerjaan tersebut, tim operasi rantai pasokan NVIDIA membangun pusat komando Digital Supply Chain Intelligence bersama Palantir di Foundry, di mana Ontologi menghubungkan material, situs manufaktur, komitmen, kapasitas, alokasi, output produksi, dan sinyal kualitatif tak terstruktur menjadi satu lapisan data yang diatur.

NVIDIA cuOpt, perpustakaan sumber terbuka perusahaan untuk optimisasi keputusan yang dipercepat GPU, menyelesaikan alokasi mingguan sebagai program linier campuran integer dengan tujuan meminimalkan Time of Ownership, mengambil masukan dari Ontologi dan menuliskan hasil kembali sebagai keputusan alokasi. Tulisan tersebut melaporkan bahwa cuOpt juga mengidentifikasi kendala mana yang mengikat, sehingga perencana dapat melihat apakah kapasitas atau pasokan memori membatasi minggu tertentu, dan dapat menguji skenario seperti pemotongan pasokan memori sebesar sepuluh persen atau situs manufaktur baru yang mulai beroperasi.

Nemotron Pasca‑Pelatihan pada Keputusan Alokasi

NVIDIA dan Palantir melakukan uji balik keputusan alokasi historis terhadap apa yang sebenarnya terjadi dan menemukan bahwa perencana manusia mengungguli solver, menurut laporan tersebut, karena perencana bertindak berdasarkan informasi yang tidak dapat dilihat oleh solver: email yang dipertukarkan dengan mitra, perkiraan cuaca buruk untuk wilayah kunci, peristiwa geopolitik dan transkrip debrief pemasok, serta bertahun‑tahun keahlian yang terakumulasi. Tim‑tim tersebut membangun kembali alur kerja di sekitar keahlian itu, merekam setiap keputusan alokasi, alasan di baliknya, hasil yang diharapkan, dan hasil aktual di dalam Ontologi.

Catatan tersebut menjadi data pelatihan. Tim‑tim tersebut melakukan pasca‑pelatihan pada Nemotron 3.5 Lightning, sebuah model campuran‑pakar berbobot terbuka dengan 30 miliar parameter dan kira‑kira 3 miliar yang aktif per lintasan maju, yang menurut tulisan dipilih karena dirancang khusus untuk lapisan eksekusi alur kerja agenik dan karena model terbuka dapat dipelatihan kembali di dalam batas komputasi organisasi sendiri. Rangkaian proses ini menggunakan NeMo Anonymizer untuk menghapus informasi yang dapat mengidentifikasi pribadi, NeMo Data Designer untuk menghasilkan dan menyeimbangkan contoh sintetis, serta NeMo AutoModel untuk melatih sekumpulan kecil parameter adaptor LoRA sementara bobot dasar tetap beku, dengan Palantir Autopilot mengelola siklus hidup dari data Ontologi hingga model yang diterapkan.

Pada tolok ukur pengembangan yang dijelaskan dalam tulisan, model pasca‑pelatihan mencapai akurasi keputusan alokasi sebesar 86,7 %, dibandingkan dengan 55,5 % untuk Nemotron 3 Ultra yang lebih besar dan 17,5 % untuk Nemotron 3.5 Lightning dasar. NVIDIA melaporkan akurasi seimbang sebesar 58,6 % melawan Ultra yang 42,0 % dan skor Macro‑F1 sebesar 57,5 % melawan 39,5 %. Penulis menyatakan metrik tersebut memberi bobot yang sama pada setiap jenis keputusan, yang penting karena perencana lebih sering memotong alokasi daripada menambahnya.

Tulisan tersebut memperingatkan bahwa keuntungan terkonsentrasi pada domain tempat model dipelatihan kembali dan bahwa meramalkan risiko produksi di masa depan tetap sulit meskipun telah dilakukan fine‑tuning. Pelatihan LoRA selesai pada dua GPU NVIDIA B200 dalam hitungan menit, cukup ringan untuk diulang seiring akumulasi umpan balik, menurut tulisan.

Model tersebut merekomendasikan rentang alokasi dengan alasan dan risiko yang terlampir, namun perencana manusia meninjau setiap rekomendasi dan membuat keputusan akhir. Setiap penerimaan, penyuntingan, penimpaan, dan hasil produksi dituliskan kembali ke dalam Ontologi hingga data representatif yang cukup tersedia untuk pelatihan terkelola berikutnya. Tulisan tersebut menyatakan bahwa model tidak pernah melatih ulang dirinya sendiri dalam produksi dan bahwa umpan balik yang terakumulasi dimaksudkan untuk mendukung pembelajaran penguatan di masa depan.

Penerapan Kedaulatan dan Mitra Infrastruktur

Mengingat sensitivitas rantai pasokan NVIDIA, penerapan dijalankan pada arsitektur referensi NVIDIA dan Arsitektur Referensi Palantir Sovereign AI Operating System yang dikembangkan bersama, dikenal sebagai SAIOS, yang didukung oleh Dell Technologies dan Cisco. Perusahaan menyatakan tumpukan dapat diterapkan di lokasi dengan produsen sistem termasuk Cisco dan Dell, atau di lingkungan kolokasi dan cloud dengan Rackspace dan Nebius.

Dalam Palantir AIP, cuOpt mendukung optimisasi dan perencanaan skenario, sementara NeMo Data Libraries, NeMo AutoModel, dan NeMo RL terintegrasi dengan Palantir Autopilot dalam apa yang dijelaskan perusahaan sebagai lingkaran pembelajaran terkelola yang mengukur keputusan terhadap hasil dunia nyata. Perusahaan menyatakan mereka berencana memperluas pembelajaran dari penerapan NVIDIA ke perusahaan di bidang manufaktur, energi, perawatan kesehatan, otomotif, dan dirgantara.