NVIDIA og Palantir kunngjør suveren AI‑stabel for forsyningskjeder

NVIDIA og Palantir Technologies kunngjorde den 10. september 2026 et samarbeid for å bringe suveren AI til kritiske forsyningskjeder, med den fellesbygde AI‑stabelen som først blir tatt i bruk i NVIDIAs egne forsyningskjedeoperasjoner.

Stabelen integrerer NVIDIAs åpne Nemotron‑modeller i Palantir Foundry og Palantirs Artificial Intelligence Platform (AIP), basert på Palantir‑ontologien. Selskapene oppga at systemet gir forsyningskjedeteam et felles kommandosenter, med start i beslutninger om materialallokering, samtidig som kundene beholder kontroll og eierskap over sine proprietære data. Stabelen vil bli vist frem på Palantirs AIPCon 11‑konferanse, og selskapene sa at organisasjoner innen landbruk, produksjon, farmasøytisk industri, detaljhandel, teknologi og offentlig sektor kan bruke den i sine egne forsyningskjeder.

NVIDIA oppga at deres forsyningskjede omfatter millioner av deler, tusenvis av leverandører og et globalt nettverk av produksjonspartnere, og at det å ta et rack‑skala AI‑system i produksjon krever koordinert tilgjengelighet av beregningskapasitet, minne, nettverk, strøm, kjøling og mekaniske komponenter. Hvert NVIDIA Vera Rubin‑rack inneholder 1,3 millioner deler, ifølge kunngjøringen.

I den felles kunngjøringen sa Palantirs medgründer og administrerende direktør Alex Karp: «NVIDIA har uten tvil den mest verdifulle, innviklede og komplekse forsyningskjeden i verden. Vår suverene stabel, drevet av Nemotron‑modeller og Ontologi, leverer kapasiteter som overgår grensene samtidig som den gir alfa‑beskyttelsesegenskaper som ellers ikke er tilgjengelige.»

NVIDIAs grunnlegger og administrerende direktør Jensen Huang sa at selskapene har som mål å omgjøre den operative grafen bak AI‑infrastrukturen til suveren intelligens, ved å kombinere Nemotron‑modeller med Palantirs Ontologi for å koordinere veien fra wafer‑produksjon til token‑utdata.

NVIDIAs forsyningskjede og Foundry‑kommandosenteret

I et teknisk blogginnlegg publisert i forbindelse med kunngjøringen, sa NVIDIA at de måler forsyningskjedeutbytte fra wafer‑utgang til første token. Intervallene deles i to: time‑to‑rack går fra silisium som forlater fabrikken til et montert system som ankommer et datasenter, og time‑to‑token omfatter strøm, kjøling, nettverk og programvarearbeid som gjør infrastrukturen produktiv.

Grace Blackwell NVL72‑plattformene bygger på millioner av deler og tusenvis av leverandører, med sluttprodukter montert av dusinvis av OEM‑ og ODM‑leverandører. En enkelt GB200 NVL72‑beregningsskuff – en av atten i et rack – krever to Grace‑CPU‑er, fire Blackwell‑GPU‑er og 32 HBM3e‑minnestabler, og NVIDIA oppga at forsyningskjeden de opprettet for Vera Rubin er dobbelt så stor som den bak Grace Blackwell. For å spore hvor lenge materialer ligger inaktive, bruker NVIDIA et mål kalt Time of Ownership: den forløpte tiden mellom at et produksjonssted mottar materialet og at materialet forlater stedet som del av en delmontering eller et produkt.

Hver uke bearbeider planleggere manuelt det NVIDIA kaller det kritiske materialallokeringsproblemet, og bestemmer hvilket materiale og hvor mye av det som skal sendes til hvert produksjonssted i løpet av inneværende og neste kvartal. For å støtte dette arbeidet har NVIDIAs team for forsyningskjedeoperasjoner bygget et Digital Supply Chain Intelligence‑kommandosenter sammen med Palantir på Foundry, hvor Ontologien knytter materialer, produksjonssteder, forpliktelser, kapasitet, allokeringer, produksjonsutdata og ustrukturerte kvalitative signaler inn i ett styrt datalag.

NVIDIA cuOpt, selskapets open‑source‑bibliotek for GPU‑akselerert beslutningsoptimalisering, løser den ukentlige allokeringen som et blandet heltalls‑lineært program med mål om å minimere Time of Ownership, ved å hente inn data fra Ontologien og skrive resultatene tilbake som allokeringsbeslutninger. Innlegget rapporterer at cuOpt også identifiserer hvilke begrensninger som er bindende, slik at planleggere kan se om kapasitet eller minnetilførsel begrenset en gitt uke, og kan teste scenarier som en ti prosent reduksjon i minnetilførsel eller at et nytt produksjonssted tas i bruk.

Etter‑trening av Nemotron på allokeringsbeslutninger

NVIDIA og Palantir testet historiske allokeringsbeslutninger mot hva som faktisk skjedde og fant, ifølge innlegget, at menneskelige planleggere overgikk løseren fordi planleggerne handlet på informasjon som den ikke kunne se: e‑postutveksling med partnere, alvorlige værmeldinger for viktige regioner, geopolitiske hendelser og leverandør‑debrief‑transkripsjoner, i tillegg til år med samlet ekspertise. Teamene bygde arbeidsflyten på nytt rundt denne ekspertisen, og fanget hver allokeringsbeslutning, dens begrunnelse, forventet resultat og faktisk utfall i Ontologien.

Dette registeret ble treningsdata. Teamene etter‑trente Nemotron 3.5 Lightning, en åpen‑vektet mixture‑of‑experts‑modell med 30 milliarder parametere og omtrent 3 milliarder aktive per fremoverpass, som innlegget sier ble valgt fordi den er spesialbygd for utførelseslaget i en agentisk arbeidsflyt og fordi åpne modeller kan etter‑trenes innenfor en organisasjons egen beregningsramme. Pipelines bruker NeMo Anonymizer for å fjerne personlig identifiserbar informasjon, NeMo Data Designer for å generere og balansere syntetiske eksempler, og NeMo AutoModel for å trene et lite sett med LoRA‑adapterparametere mens basisvektene forblir frosne, med Palantir Autopilot som håndterer livssyklusen fra Ontology‑data til distribuert modell.

På utviklingsbenchmarken beskrevet i innlegget oppnådde den etter‑trente modellen 86,7 % nøyaktighet i allokeringsbeslutninger, sammenlignet med 55,5 % for den større Nemotron 3 Ultra og 17,5 % for basis‑Nemotron 3.5 Lightning. NVIDIA rapporterer en balansert nøyaktighet på 58,6 % mot Ultra‑s 42,0 % og en Macro‑F1‑score på 57,5 % mot 39,5 %. Forfatterne sier at disse målene veier hver beslutningstype likt, noe som er viktig fordi planleggere reduserer allokeringer langt oftere enn de øker dem.

Innlegget advarer om at gevinstene er konsentrert i domenet modellen ble etter‑trent på, og at prognostisering av fremtidig produksjonsrisiko fortsatt var vanskelig til tross for finjustering. LoRA‑treningskjøringen ble fullført på to NVIDIA B200‑GPU‑er på minutter, lett nok til å gjentas etter hvert som tilbakemeldinger samles inn, ifølge innlegget.

Modellen anbefaler et allokeringsintervall med tilhørende begrunnelse og risiko, men en menneskelig planlegger gjennomgår hver anbefaling og tar den endelige beslutningen. Hver aksept, redigering, overstyring og produksjonsutfall skrives tilbake inn i Ontologien til tilstrekkelig representativ data finnes for en ny styrt treningskjøring. Innlegget oppgir at modellen aldri trener seg selv på nytt i produksjon, og at den samlede tilbakemeldingen er ment å støtte forsterkningslæring i fremtiden.

Suveren utrulling og infrastrukturpartnere

Gitt sensitiviteten i NVIDIAs forsyningskjede, kjøres utrullingen på NVIDIAs referansearkitekturer og den fellesutviklede Palantir Sovereign AI Operating System-referansearkitekturen, kjent som SAIOS, som støttes av Dell Technologies og Cisco. Selskapene oppga at stabelen kan implementeres lokalt med systemprodusenter som Cisco og Dell, eller i co‑location‑ og sky‑miljøer med Rackspace og Nebius.

Innenfor Palantir AIP støtter cuOpt optimalisering og scenarioplanlegging, mens NeMo Data Libraries, NeMo AutoModel og NeMo RL integreres med Palantir Autopilot i det selskapene beskriver som en styrt læringssløyfe som måler beslutninger mot virkelige resultater. Selskapene sa at de planlegger å videreføre det de lærer fra NVIDIAs utrulling til virksomheter innen produksjon, energi, helsevesen, bilindustri og romfart.