NVIDIAとPalantir、サプライチェーン向け主権AIスタックを発表

NVIDIAとPalantir Technologiesは2026年9月10日、重要なサプライチェーンに主権AIを導入する協業を発表し、共同で構築したAIスタックはまずNVIDIA自社のサプライチェーン業務に展開されることとなった。

このスタックはNVIDIAのNemotronオープンモデルをPalantir FoundryおよびPalantirのArtificial Intelligence Platform（AIP）に組み込み、Palantir Ontologyを基盤としています。両社は、このシステムがサプライチェーンチームに対し、材料配分の意思決定から始まる共有コマンドセンターを提供し、顧客は自社の専有データの管理と所有権を保持できると述べました。スタックはPalantirのAIPCon 11カンファレンスで披露され、農業、製造、医薬品、小売、テクノロジー、政府分野の組織が自社のサプライチェーンに適用できるとしています。

NVIDIAは、同社のサプライチェーンが数百万の部品、数千のサプライヤー、そしてグローバルな製造パートナー網で構成されており、ラック規模のAIシステムを本番導入するには、コンピュート、メモリ、ネットワーク、電力、冷却、機械部品の調整された供給が必要だと述べました。発表によると、各NVIDIA Vera Rubinラックには130万個の部品が含まれています。

共同発表において、Palantir共同創業者兼CEOのAlex Karpは: 「NVIDIAは世界で最も価値が高く、複雑で入り組んだサプライチェーンを有していると言えるでしょう。NemotronモデルとOntologyを基盤とした当社の主権スタックは、最先端を超える機能を提供すると同時に、他では得られないアルファ保護特性を実現しています。」と述べました。

NVIDIA創業者兼CEOのJensen Huangは、両社はAIインフラストラクチャの背後にあるオペレーショナルグラフを主権インテリジェンスに変換することを目指しており、NemotronモデルとPalantirのOntologyを組み合わせてウェーハ生産からトークン出力までのプロセスを調整すると語りました。

NVIDIAのサプライチェーンとFoundryコマンドセンター

テクニカルブログ記事で、NVIDIAはウェーハ出荷から最初のトークンまでのサプライチェーンパフォーマンスを測定すると述べました。期間は二つに分かれます: time-to-rackは、シリコンがファブから出て組み立てられたシステムがデータセンターのフロアに到着するまでの時間を指し、time-to-tokenはインフラを稼働させるための電力、冷却、ネットワーク、ソフトウェア作業を含みます。

Grace Blackwell NVL72プラットフォームは数百万の部品と数千のサプライヤーに依存し、最終システムは多数のOEMおよびODMによって組み立てられます。1つのGB200 NVL72コンピュートトレイ（ラック内の18本のうちの1本）は、Grace CPUが2つ、Blackwell GPUが4つ、HBM3eメモリスタックが32個必要で、NVIDIAはVera Rubin向けに構築したサプライチェーンがGrace Blackwellの2倍の規模だと述べました。材料がどれだけ長くアイドル状態にあるかを追跡するため、NVIDIAは「Time of Ownership」指標を運用しています: 製造拠点が材料を受領してからその材料がサブアセンブリまたは製品の一部として出荷されるまでの経過時間です。

毎週、プランナーはNVIDIAが「クリティカルマテリアル配分問題」と呼ぶ課題を手作業で再構築し、現在四半期と次四半期の各製造拠点にどの材料をどれだけ割り当てるかを決定します。この作業を支援するため、NVIDIAのサプライチェーン運用チームはPalantirのFoundry上にDigital Supply Chain Intelligenceコマンドセンターを構築しました。Ontologyは材料、製造拠点、コミット、容量、割り当て、生産アウトプット、非構造化定性的シグナルを1つの統治されたデータ層に結び付けます。

NVIDIAのcuOptは、GPUアクセラレーションされた意思決定最適化のためのオープンソースライブラリで、週次の割り当て問題を混合整数線形計画として解き、目的はTime of Ownershipの最小化です。Ontologyから入力を取得し、結果を割り当て決定として書き戻します。記事によると、cuOptはどの制約が拘束的かも特定できるため、プランナーは容量やメモリ供給がその週に制限要因となったかを確認でき、メモリ供給を10％削減するシナリオや新しい製造拠点の導入シナリオをテストできます。

割り当て意思決定におけるポストトレーニングNemotron

NVIDIAとPalantirは、過去の割り当て意思決定を実際の結果と照合してバックテストし、投稿によれば、人間のプランナーがソルバーを上回ったことが判明しました。これはプランナーがソルバーが参照できなかった情報、すなわちパートナーとのメールや主要地域の厳しい天候予報、地政学的イベント、サプライヤーのブリーフィング記録、そして長年にわたる蓄積された専門知識に基づいて行動したためです。チームはその専門知識を中心にワークフローを再構築し、各割り当て決定、その根拠、期待結果、実際の結果をOntology内に取り込みました。

その記録はトレーニングデータとなりました。チームはNemotron 3.5 Lightningをポストトレーニングしました。このモデルはオープンウェイトのMixture-of-Expertsで、300億パラメータ、前方パスあたり約30億のアクティブパラメータを持ち、エージェント型ワークフローの実行層に特化していること、そしてオープンモデルは組織の自前コンピュート境界内でポストトレーニングできることから選択されたと記事は述べています。パイプラインはNeMo Anonymizerで個人情報を除去し、NeMo Data Designerで合成サンプルを生成・バランス調整し、NeMo AutoModelでベースウェイトを凍結したまま少数のLoRAアダプターパラメータを学習させ、Palantir AutopilotがOntologyデータからデプロイ済みモデルへのライフサイクルを管理します。

記事で示された開発ベンチマークでは、ポストトレーニングされたモデルは割り当て意思決定精度86.7％を達成しました。これは、より大きなNemotron 3 Ultraの55.5％、ベースのNemotron 3.5 Lightningの17.5％と比較されます。NVIDIAはバランス精度58.6％（Ultraは42.0％）とMacro‑F1スコア57.5％（対照は39.5％）を報告しています。著者らは、これらの指標は各意思決定タイプに同等の重みを付けていると述べており、プランナーが割り当てを削減する頻度が増加することが重要であると指摘しています。

記事は、得られた改善はモデルがポストトレーニングされた領域に集中しており、微調整にもかかわらず将来の生産リスク予測は依然として困難であると警告しています。LoRAのトレーニングは、2台のNVIDIA B200 GPU上で数分で完了し、フィードバックが蓄積されるたびに繰り返し実行できるほど軽量であると記事は述べています。

モデルは割り当て範囲とそれに付随する根拠やリスクを提示しますが、最終的な判断は人間のプランナーが各提案をレビューして行います。すべての受諾、編集、上書き、そして生産結果はOntologyに書き戻され、次の統治されたトレーニング実行に十分な代表データが蓄積されるまで続きます。記事は、モデルは本番環境で自己再学習しないこと、蓄積されたフィードバックは将来的な強化学習を支援することを意図していると述べています。

主権デプロイメントとインフラパートナー

NVIDIAのサプライチェーンの機密性を考慮し、デプロイはNVIDIAリファレンスアーキテクチャと共同で開発されたPalantir Sovereign AI Operating Systemリファレンスアーキテクチャ（SAIOS）上で実行され、Dell TechnologiesとCiscoがサポートしています。両社は、スタックはCiscoやDellなどのシステムメーカーと共にオンプレミスで、またRackspaceやNebiusと連携したコロケーションやクラウド環境でも展開できると述べました。

Palantir AIP内では、cuOptが最適化とシナリオプランニングを支援し、NeMo Data Libraries、NeMo AutoModel、NeMo RLがPalantir Autopilotと統合して、企業が意思決定を実世界の結果と比較測定する統治された学習ループを構成すると、両社は述べています。さらに、NVIDIAのデプロイから得た知見を製造、エネルギー、ヘルスケア、自動車、航空宇宙分野の企業へ拡大する計画です。