NVIDIA en Palantir kondigen soevereine AI-stack voor toeleveringsketens aan

NVIDIA en Palantir Technologies kondigden op 10 september 2026 een samenwerking aan om soevereine AI naar kritieke toeleveringsketens te brengen, waarbij de gezamenlijk gebouwde AI-stack eerst wordt ingezet binnen de eigen toeleveringsketenoperaties van NVIDIA.

De stack brengt NVIDIA’s open Nemotron-modellen naar Palantir Foundry en Palantir’s Artificial Intelligence Platform (AIP), gebaseerd op de Palantir Ontologie. De bedrijven zeiden dat het systeem toeleveringsketenteams een gedeeld commandocentrum biedt, te beginnen met beslissingen over materiaalallocatie, terwijl klanten de controle en eigendom van hun eigen data behouden. De stack zal worden gedemonstreerd op Palantir’s AIPCon 11-conferentie, en de bedrijven verklaarden dat organisaties in de landbouw, productie, farmaceutische sector, detailhandel, technologie en overheid het kunnen toepassen op hun eigen toeleveringsketens.

NVIDIA zei dat haar toeleveringsketen miljoenen onderdelen, duizenden leveranciers en een wereldwijd netwerk van productiepartners omvat, en dat het in productie brengen van een rack‑scale AI‑systeem de gecoördineerde beschikbaarheid van rekenkracht, geheugen, netwerken, stroom, koeling en mechanische componenten vereist. Elke NVIDIA Vera Rubin‑rack bevat volgens de aankondiging 1,3 miljoen onderdelen.

In de gezamenlijke aankondiging, zei Palantir‑medeoprichter en CEO Alex Karp: “NVIDIA heeft wellicht de meest waardevolle, ingewikkelde en complexe toeleveringsketen ter wereld. Onze soevereine stack, aangedreven door Nemotron-modellen en Ontologie, levert mogelijkheden die de grenzen ver overschrijden en biedt alpha‑beschermingskwaliteiten die anders niet beschikbaar zijn.”

NVIDIA‑oprichter en CEO Jensen Huang zei dat de bedrijven ernaar streven het operationele graafmodel achter AI‑infrastructuur om te vormen tot soevereine intelligentie, door Nemotron-modellen te koppelen aan Palantir’s Ontologie om het traject van waferproductie tot tokenoutput te coördineren.

NVIDIA’s Toeleveringsketen en het Foundry‑commandocentrum

In een technische blogpost die gelijktijdig met de aankondiging werd gepubliceerd, zei NVIDIA dat het de prestaties van de toeleveringsketen meet van wafer‑uitgang tot eerste token. Het interval wordt in tweeën verdeeld: time‑to‑rack loopt van het siliconen dat de fabriek verlaat tot een geassembleerd systeem dat op de vloer van een datacentrum arriveert, en time‑to‑token omvat de stroom, koeling, netwerken en software die de infrastructuur productief maken.

Grace Blackwell NVL72‑platformen maken gebruik van miljoenen onderdelen en duizenden leveranciers, waarbij de eindsystemen worden geassembleerd door tientallen OEM’s en ODM’s. Een enkele GB200 NVL72‑computertrek — één van achttien in een rack — vereist twee Grace‑CPU’s, vier Blackwell‑GPU’s en 32 HBM3e‑geheugenstapels, en NVIDIA zei dat de toeleveringsketen die ze voor Vera Rubin hebben gecreëerd twee keer zo groot is als die achter Grace Blackwell. Om bij te houden hoe lang materiaal ongebruikt blijft, gebruikt NVIDIA een metriek genaamd Time of Ownership: de verstreken tijd tussen het moment dat een productielocatie materiaal ontvangt en het moment dat dat materiaal als onderdeel van een sub‑assemblage of product wordt verzonden.

Elke week herwerken planners handmatig wat NVIDIA het kritieke materiaalallocatie‑probleem noemt, waarbij ze beslissen welk materiaal en hoeveel ervan naar elke productielocatie gaat gedurende het huidige en het volgende kwartaal. Om dat werk te ondersteunen, heeft het supply‑chain‑operatieteam van NVIDIA een Digital Supply Chain Intelligence‑commandocentrum gebouwd met Palantir op Foundry, waar de Ontologie materialen, productielocaties, toezeggingen, capaciteit, allocaties, productie‑output en ongestructureerde kwalitatieve signalen verbindt tot één beheerde datalaag.

NVIDIA cuOpt, de open‑source bibliotheek van het bedrijf voor GPU‑versnelde besluitoptimalisatie, lost de wekelijkse allocatie op als een mixed‑integer lineair programma waarvan het doel is Time of Ownership te minimaliseren, waarbij input uit de Ontologie wordt gehaald en resultaten teruggeschreven worden als allocatie‑beslissingen. Het bericht meldt dat cuOpt ook identificeert welke beperkingen bindend zijn, zodat planners kunnen zien of capaciteit of geheugervoorraad een bepaalde week heeft beperkt, en scenario’s kunnen testen zoals een vermindering van tien procent in geheugervoorraad of een nieuwe productielocatie die online komt.

Post‑training Nemotron op allocatiebeslissingen

NVIDIA en Palantir hebben historische allocatiebeslissingen getoetst aan wat er daadwerkelijk gebeurde en ontdekten, volgens het bericht, dat menselijke planners beter presteerden dan de solver, omdat planners handelden op basis van informatie die de solver niet kon zien: e‑mails uitgewisseld met partners, zware weersvoorspellingen voor belangrijke regio’s, geopolitieke gebeurtenissen en leveranciers‑debrief‑transcripten, naast jaren van opgebouwde expertise. De teams bouwden de workflow opnieuw rond die expertise, waarbij elke allocatiebeslissing, de onderliggende reden, het verwachte resultaat en de feitelijke uitkomst in de Ontologie werden vastgelegd.

Dat register werd trainingsdata. De teams hebben Nemotron 3.5 Lightning post‑getraind, een open‑weight mixture‑of‑experts‑model met 30 miljard parameters en ongeveer 3 miljard actieve per forward‑pass, dat volgens het bericht is gekozen omdat het speciaal is ontworpen voor de uitvoeringslaag van een agentische workflow en omdat open modellen post‑getraind kunnen worden binnen de eigen rekenomgeving van een organisatie. De pijplijn maakt gebruik van NeMo Anonymizer om persoonlijk identificeerbare informatie te verwijderen, NeMo Data Designer om synthetische voorbeelden te genereren en in balans te brengen, en NeMo AutoModel om een kleine set LoRA‑adapterparameters te trainen terwijl de basisgewichten bevroren blijven, met Palantir Autopilot die de levenscyclus beheert van Ontology‑data tot het uitgerolde model.

Op de ontwikkelingsbenchmark die in het bericht wordt beschreven, bereikte het post‑getrainde model een nauwkeurigheid van 86,7 % voor allocatie‑beslissingen, vergeleken met 55,5 % voor de grotere Nemotron 3 Ultra en 17,5 % voor de basis Nemotron 3.5 Lightning. NVIDIA meldt een gebalanceerde nauwkeurigheid van 58,6 % versus Ultra’s 42,0 % en een Macro‑F1‑score van 57,5 % versus 39,5 %. De auteurs stellen dat deze metriek elke besluittype gelijk weegt, wat van belang is omdat planners allocaties veel vaker verlagen dan verhogen.

Het bericht waarschuwt dat de winst geconcentreerd is in het domein waarop het model post‑getraind is en dat het voorspellen van toekomstige productierisico’s moeilijk bleef ondanks fine‑tuning. De LoRA‑trainingsrun werd volgens het bericht binnen enkele minuten voltooid op twee NVIDIA B200‑GPU’s, licht genoeg om te herhalen naarmate feedback zich ophoopt.

Het model beveelt een allocatie‑bereik aan met bijbehorende redenatie en risico’s, maar een menselijke planner beoordeelt elke aanbeveling en neemt de definitieve beslissing. Elke acceptatie, bewerking, overschrijving en productie‑uitkomst wordt teruggeschreven in de Ontology totdat er voldoende representatieve data beschikbaar is voor een nieuwe beheerde trainingsrun. Het bericht stelt dat het model zich nooit zelf opnieuw traint in productie en dat de verzamelde feedback bedoeld is om in de toekomst reinforcement learning te ondersteunen.

Soevereine implementatie en infrastructuur‑partners

Gezien de gevoeligheid van NVIDIA’s toeleveringsketen draait de implementatie op NVIDIA‑referentie‑architecturen en de gezamenlijk ontwikkelde Palantir Sovereign AI Operating System Reference Architecture, bekend als SAIOS, die wordt ondersteund door Dell Technologies en Cisco. De bedrijven verklaarden dat de stack on‑premise kan worden ingezet met systeemfabrikanten waaronder Cisco en Dell, of in colocatie‑ en cloud‑omgevingen met Rackspace en Nebius.

Binnen Palantir AIP ondersteunt cuOpt optimalisatie en scenario‑planning, terwijl NeMo Data Libraries, NeMo AutoModel en NeMo RL integreren met Palantir Autopilot in wat de bedrijven beschrijven als een beheerde leerlus die beslissingen meet tegen real‑world resultaten. De bedrijven zeiden dat ze van plan zijn de lessen uit NVIDIA’s implementatie uit te breiden naar ondernemingen in de productie, energie, gezondheidszorg, automotive en de lucht- en ruimtevaart.