NVIDIA e Palantir annunciano lo stack di IA sovrana per le catene di approvvigionamento

NVIDIA e Palantir Technologies hanno annunciato il 10 settembre 2026 una collaborazione per introdurre l’IA sovrana nelle catene di approvvigionamento critiche, con lo stack di IA costruito congiuntamente che sarà inizialmente distribuito all’interno delle operazioni della catena di approvvigionamento di NVIDIA.

Lo stack integra i modelli open Nemotron di NVIDIA in Palantir Foundry e nella Palantir Artificial Intelligence Platform (AIP), basandosi sull’Ontologia di Palantir. Le aziende hanno dichiarato che il sistema fornisce ai team della catena di approvvigionamento un centro di comando condiviso, a partire dalle decisioni di allocazione dei materiali, mentre i clienti mantengono il controllo e la proprietà dei propri dati proprietari. Lo stack sarà presentato alla conferenza AIPCon 11 di Palantir, e le aziende hanno affermato che organizzazioni nei settori dell’agricoltura, della produzione, farmaceutico, della vendita al dettaglio, della tecnologia e del governo possono applicarlo alle proprie catene di approvvigionamento.

NVIDIA ha dichiarato che la sua catena di approvvigionamento comprende milioni di componenti, migliaia di fornitori e una rete globale di partner di produzione, e che portare in produzione un sistema di IA a scala rack richiede la disponibilità coordinata di calcolo, memoria, rete, energia, raffreddamento e componenti meccanici. Ogni rack NVIDIA Vera Rubin contiene 1,3 milioni di parti, secondo l’annuncio.

Nell<a href=”https://nvidianews.nvidia.com/news/nvidia-and-palantir-bring-sovereign-intelligence-to-critical-supply-chains”>annuncio congiunto</a>, il cofondatore e CEO di Palantir Alex Karp ha dichiarato: “NVIDIA possiede probabilmente la catena di approvvigionamento più preziosa, intricata e complessa al mondo. Il nostro stack sovrano, alimentato dai modelli Nemotron e dall’Ontologia, sta fornendo capacità che superano il confine, offrendo al contempo qualità di protezione alfa non disponibili altrimenti.”

Il fondatore e CEO di NVIDIA Jensen Huang ha affermato che le aziende mirano a trasformare il grafo operativo alla base dell’infrastruttura IA in intelligenza sovrana, accoppiando i modelli Nemotron con l’Ontologia di Palantir per coordinare il percorso dalla produzione di wafer all’emissione di token.

Catena di approvvigionamento di NVIDIA e il centro di comando Foundry

In un<a href=”https://developer.nvidia.com/blog/from-wafer-out-to-first-token-codifying-supply-chain-expertise-with-nemotron-and-palantir-foundry/”>post tecnico sul blog</a> pubblicato insieme all’annuncio, NVIDIA ha dichiarato di misurare le prestazioni della catena di approvvigionamento dal wafer-out al primo token. L’intervallo si suddivide in due: il tempo‑to‑rack va dal silicio che lascia la fabbrica a un sistema assemblato che arriva sul pavimento di un data center, mentre il tempo‑to‑token comprende le attività di alimentazione, raffreddamento, rete e software che rendono l’infrastruttura produttiva.

Le piattaforme Grace Blackwell NVL72 si basano su milioni di componenti e migliaia di fornitori, con i sistemi finali assemblati da decine di OEM e ODM. Un singolo vassoio di calcolo GB200 NVL72 — uno dei diciotto presenti in un rack — richiede due CPU Grace, quattro GPU Blackwell e 32 stack di memoria HBM3e, e NVIDIA ha dichiarato che la catena di approvvigionamento creata per Vera Rubin è il doppio di quella dietro Grace Blackwell. Per monitorare quanto tempo i materiali rimangono inattivi, NVIDIA utilizza una metrica chiamata Time of Ownership: il tempo trascorso tra la ricezione del materiale in un sito di produzione e la sua uscita come parte di una sotto‑assemblaggio o prodotto.

Ogni settimana, i pianificatori rielaborano manualmente quello che NVIDIA definisce il problema di allocazione critica dei materiali, decidendo quale materiale e in quale quantità destinare a ciascun sito di produzione nel trimestre corrente e in quello successivo. Per supportare questo lavoro, il team delle operazioni della catena di approvvigionamento di NVIDIA ha costruito un centro di comando Digital Supply Chain Intelligence con Palantir su Foundry, dove l’Ontologia collega materiali, siti di produzione, impegni, capacità, allocazioni, output di produzione e segnali qualitativi non strutturati in un unico livello di dati governato.

NVIDIA cuOpt, la libreria open‑source dell’azienda per l’ottimizzazione decisionale accelerata da GPU, risolve l’allocazione settimanale come un programma lineare misto‑intero il cui obiettivo è minimizzare il Time of Ownership, attingendo ai dati dell’Ontologia e scrivendo i risultati come decisioni di allocazione. Il post segnala che cuOpt identifica anche quali vincoli sono vincolanti, così i pianificatori possono vedere se la capacità o l’approvvigionamento di memoria hanno limitato una determinata settimana, e possono testare scenari come una riduzione del dieci per cento dell’approvvigionamento di memoria o l’attivazione di un nuovo sito di produzione.

Nemotron post‑addestrato sulle decisioni di allocazione

NVIDIA e Palantir hanno effettuato un back‑test delle decisioni di allocazione storiche confrontandole con i risultati reali e hanno riscontrato, secondo il post, che i pianificatori umani hanno superato il risolutore, poiché i pianificatori si sono basati su informazioni non visibili al modello: email scambiate con i partner, previsioni di condizioni meteorologiche avverse per regioni chiave, eventi geopolitici e trascrizioni di debrief dei fornitori, oltre a anni di esperienza accumulata. I team hanno ricostruito il flusso di lavoro attorno a tale expertise, catturando ogni decisione di allocazione, la sua motivazione, il risultato atteso e l’esito reale all’interno dell’Ontologia.

Questa registrazione è diventata il set di dati per l’addestramento. I team hanno post‑addestrato Nemotron 3.5 Lightning, un modello open‑weight mixture‑of‑experts con 30 miliardi di parametri e circa 3 miliardi attivi per passaggio in avanti, scelto, secondo il post, perché è progettato appositamente per lo strato di esecuzione di un flusso di lavoro agentico e perché i modelli open possono essere post‑addestrati all’interno del confine computazionale dell’organizzazione. La pipeline utilizza NeMo Anonymizer per rimuovere le informazioni personalmente identificabili, NeMo Data Designer per generare e bilanciare esempi sintetici, e NeMo AutoModel per addestrare un piccolo set di parametri adattatori LoRA mantenendo i pesi di base congelati, con Palantir Autopilot che gestisce il ciclo di vita dai dati dell’Ontologia al modello distribuito.

Nel benchmark di sviluppo descritto nel post, il modello post‑addestrato ha raggiunto un’accuratezza decisionale di allocazione dell’86,7 %, rispetto al 55,5 % del più grande Nemotron 3 Ultra e al 17,5 % del Nemotron 3.5 Lightning di base. NVIDIA riporta un’accuratezza bilanciata del 58,6 % contro il 42,0 % di Ultra e un punteggio Macro‑F1 del 57,5 % contro il 39,5 %. Gli autori affermano che queste metriche ponderano ogni tipo di decisione in modo uguale, il che è importante perché i pianificatori riducono le allocazioni molto più spesso di quanto le aumentino.

Il post avverte che i guadagni sono concentrati nel dominio su cui il modello è stato post‑addestrato e che prevedere il rischio di produzione futuro è rimasto difficile nonostante il fine‑tuning. L’addestramento LoRA è stato completato su due GPU NVIDIA B200 in pochi minuti, sufficientemente leggero da poter essere ripetuto man mano che si accumulano feedback, secondo il post.

Il modello suggerisce un intervallo di allocazione con la relativa motivazione e i rischi associati, ma un pianificatore umano esamina ogni raccomandazione e prende la decisione finale. Ogni accettazione, modifica, annullamento e risultato di produzione viene registrato nuovamente nell’Ontologia finché non esistono dati rappresentativi sufficienti per un altro ciclo di addestramento governato. Il post afferma che il modello non si riaddestra mai in produzione e che il feedback accumulato è destinato a supportare l’apprendimento per rinforzo in futuro.

Distribuzione sovrana e partner infrastrutturali

Data la sensibilità della catena di approvvigionamento di NVIDIA, la distribuzione avviene su architetture di riferimento NVIDIA e sulla Reference Architecture congiuntamente sviluppata<a href=”https://www.unite.ai/palantir-taps-nebius-for-sovereign-ai-infrastructure-inside-its-perimeter/”>Palantir Sovereign AI Operating System</a>, nota come SAIOS, supportata da Dell Technologies e Cisco. Le aziende hanno dichiarato che lo stack può essere distribuito on‑premise con produttori di sistemi tra cui Cisco e Dell, oppure in ambienti di co‑location e cloud con Rackspace e Nebius.

All’interno di Palantir AIP, cuOpt supporta l’ottimizzazione e la pianificazione di scenari, mentre NeMo Data Libraries, NeMo AutoModel e NeMo RL si integrano con Palantir Autopilot in quello che le aziende descrivono come un ciclo di apprendimento governato che misura le decisioni rispetto ai risultati del mondo reale. Le aziende hanno dichiarato di pianificare di estendere ciò che apprendono dalla distribuzione di NVIDIA alle imprese nei settori della produzione, dell’energia, della sanità, dell’automotive e dell’aerospazio.