NVIDIA i Palantir ogłaszają suwerenny stos AI dla łańcuchów dostaw

NVIDIA i Palantir Technologies ogłosiły 10 września 2026 r. współpracę mającą na celu wprowadzenie suwerennej sztucznej inteligencji do kluczowych łańcuchów dostaw, przy czym wspólnie opracowany stos AI zostanie najpierw wdrożony w operacjach łańcucha dostaw NVIDIA.

Stos integruje otwarte modele Nemotron firmy NVIDIA z platformą Palantir Foundry oraz Platformą Sztucznej Inteligencji (AIP) Palantir, opartą na Ontologii Palantir. Firmy oświadczyły, że system zapewnia zespołom łańcucha dostaw wspólne centrum dowodzenia, począwszy od decyzji o alokacji materiałów, przy jednoczesnym zachowaniu przez klientów kontroli i własności ich danych własnościowych. Stos zostanie zaprezentowany na konferencji AIPCon 11 organizowanej przez Palantir, a firmy stwierdziły, że organizacje z sektorów rolnictwa, produkcji, farmaceutyki, handlu detalicznego, technologii i administracji publicznej mogą zastosować go w swoich własnych łańcuchach dostaw.

NVIDIA poinformowała, że jej łańcuch dostaw obejmuje miliony części, tysiące dostawców oraz globalną sieć partnerów produkcyjnych, a wprowadzenie systemu AI na poziomie szafy wymaga skoordynowanej dostępności mocy obliczeniowej, pamięci, sieci, zasilania, chłodzenia i komponentów mechanicznych. Każda szafa NVIDIA Vera Rubin zawiera 1,3 miliona części, zgodnie z ogłoszeniem.

W wspólnym ogłoszeniu współzałożyciel i CEO Palantir, Alex Karp, powiedział: „NVIDIA posiada prawdopodobnie najcenniejszy, najbardziej złożony i skomplikowany łańcuch dostaw na świecie. Nasz suwerenny stos, oparty na modelach Nemotron i Ontologii, dostarcza możliwości wykraczające poza granice, jednocześnie zapewniając cechy ochrony alfa, które w innym wypadku nie byłyby dostępne.”

Założyciel i CEO NVIDIA, Jensen Huang, powiedział, że firmy dążą do przekształcenia operacyjnego grafu stojącego za infrastrukturą AI w suwerenną inteligencję, łącząc modele Nemotron z Ontologią Palantir w celu koordynacji ścieżki od produkcji wafli po generowanie tokenów.

Łańcuch dostaw NVIDIA i centrum dowodzenia Foundry

W technicznej publikacji blogowej opublikowanej wraz z ogłoszeniem, NVIDIA poinformowała, że mierzy wydajność łańcucha dostaw od momentu wyjścia wafla do pierwszego tokenu. Okres ten dzieli się na dwie części: time-to-rack obejmuje czas od opuszczenia krzemu fabryki do przybycia złożonego systemu na podłogę centrum danych, a time-to-token obejmuje pracę z zakresu zasilania, chłodzenia, sieci i oprogramowania, które czynią infrastrukturę produktywną.

Platformy Grace Blackwell NVL72 opierają się na milionach części i tysiącach dostawców, przy czym finalne systemy są montowane przez dziesiątki OEM‑ów i ODM‑ów. Jedna taca obliczeniowa GB200 NVL72 — jedna z osiemnastu w szafie — wymaga dwóch procesorów Grace, czterech GPU Blackwell oraz 32 stosów pamięci HBM3e, a NVIDIA podała, że łańcuch dostaw stworzony dla Vera Rubin jest dwa razy większy niż ten stojący za Grace Blackwell. Aby śledzić, jak długo materiał pozostaje bezczynny, NVIDIA stosuje metrykę nazwaną Time of Ownership: upływający czas od momentu, gdy miejsce produkcji otrzyma materiał, do momentu, gdy materiał opuści je jako część podzestawu lub produktu.

Co tydzień planiści ręcznie przetwarzają to, co NVIDIA określa jako problem krytycznej alokacji materiałów, decydując, jaki materiał i w jakiej ilości trafi do każdego zakładu produkcyjnego w bieżącym i następnym kwartale. Aby wesprzeć tę pracę, zespół operacji łańcucha dostaw NVIDIA stworzył centrum dowodzenia Digital Supply Chain Intelligence we współpracy z Palantir na platformie Foundry, gdzie Ontologia łączy materiały, zakłady produkcyjne, zobowiązania, pojemność, alokacje, wyniki produkcji oraz niestrukturalne sygnały jakościowe w jedną zarządzaną warstwę danych.

NVIDIA cuOpt, otwarto‑źródłowa biblioteka firmy do optymalizacji decyzji przyspieszanej przez GPU, rozwiązuje tygodniową alokację jako mieszany program liniowy całkowitoliczbowy, którego celem jest minimalizacja Time of Ownership, pobierając dane z Ontologii i zapisując wyniki jako decyzje alokacyjne. W poście podano, że cuOpt identyfikuje także, które ograniczenia są wiążące, dzięki czemu planiści mogą zobaczyć, czy pojemność lub podaż pamięci ograniczyły dany tydzień, oraz mogą testować scenariusze, takie jak dziesięcioprocentowe ograniczenie podaży pamięci lub uruchomienie nowego zakładu produkcyjnego.

Post‑trening Nemotron w decyzjach o alokacji

NVIDIA i Palantir przeprowadziły testy historycznych decyzji alokacyjnych w porównaniu z rzeczywistymi wynikami i, jak podaje post, odkryły, że ludzcy planiści przewyższali wydajnością solver, ponieważ planiści działali na podstawie informacji, których solver nie widział: wymienione e‑maile z partnerami, prognozy ciężkich warunków pogodowych dla kluczowych regionów, wydarzenia geopolityczne oraz transkrypty podsumowań dostawców, a także wieloletnią zgromadzoną wiedzę. Zespoły odbudowały przepływ pracy wokół tej ekspertyzy, rejestrując każdą decyzję alokacyjną, jej uzasadnienie, oczekiwany rezultat i rzeczywisty wynik w Ontologii.

Ten zapis stał się danymi treningowymi. Zespoły przeprowadziły post‑trening Nemotron 3.5 Lightning, model mieszanki ekspertów o otwartym zestawie wag, posiadający 30 miliardów parametrów i około 3 miliardów aktywnych w każdym przebiegu w przód, który, jak podaje post, został wybrany, ponieważ jest specjalnie zaprojektowany do warstwy wykonawczej agentowego przepływu pracy oraz dlatego, że otwarte modele mogą być poddawane post‑treningowi wewnątrz własnych zasobów obliczeniowych organizacji. Pipeline wykorzystuje NeMo Anonymizer do usuwania danych osobowych, NeMo Data Designer do generowania i wyrównywania syntetycznych przykładów oraz NeMo AutoModel do trenowania niewielkiego zestawu parametrów adaptera LoRA, przy jednoczesnym zamrożeniu podstawowych wag, a Palantir Autopilot zarządza cyklem życia od danych Ontologii po wdrożony model.

W benchmarku rozwojowym opisanym w poście, model po post‑treningu osiągnął dokładność decyzji alokacyjnych na poziomie 86,7 %, w porównaniu do 55,5 % dla większego Nemotron 3 Ultra oraz 17,5 % dla bazowego Nemotron 3.5 Lightning. NVIDIA podaje zrównoważoną dokładność na poziomie 58,6 % w porównaniu do 42,0 % Ultra oraz wskaźnik Macro‑F1 wynoszący 57,5 % wobec 39,5 %. Autorzy zaznaczają, że te metryki ważą każdy typ decyzji jednakowo, co ma znaczenie, ponieważ planiści częściej redukują alokacje niż je zwiększają.

Post ostrzega, że korzyści koncentrują się w domenie, w której model został poddany post‑treningowi, a prognozowanie ryzyka przyszłej produkcji pozostaje trudne mimo dostrajania. Trening LoRA zakończył się na dwóch GPU NVIDIA B200 w ciągu kilku minut, co jest na tyle lekkie, że można go powtarzać w miarę gromadzenia się informacji zwrotnej, jak podano w poście.

Model rekomenduje zakres alokacji wraz z uzasadnieniem i ryzykami, jednak ludzki planista przegląda każdą rekomendację i podejmuje ostateczną decyzję. Każde przyjęcie, edycja, nadpisanie i wynik produkcji są zapisywane z powrotem w Ontologii, dopóki nie zgromadzi się wystarczająco reprezentatywnych danych do kolejnego kontrolowanego treningu. Post stwierdza, że model nigdy nie przeprowadza samodzielnego ponownego treningu w produkcji, a zgromadzona informacja zwrotna ma służyć wsparciu uczenia ze wzmocnieniem w przyszłości.

Suwerenne wdrożenie i partnerzy infrastrukturalni

Biorąc pod uwagę wrażliwość łańcucha dostaw NVIDIA, wdrożenie odbywa się na referencyjnych architekturach NVIDIA oraz wspólnie opracowanej architekturze referencyjnej Palantir Sovereign AI Operating System, znanej jako SAIOS, wspieranej przez Dell Technologies i Cisco. Firmy oświadczyły, że stos może być wdrożony na miejscu u producentów systemów, w tym Cisco i Dell, lub w środowiskach kolokacji i chmurze z Rackspace i Nebius.

W ramach Palantir AIP, cuOpt wspiera optymalizację i planowanie scenariuszy, natomiast NeMo Data Libraries, NeMo AutoModel i NeMo RL integrują się z Palantir Autopilot w tym, co firmy opisują jako kontrolowaną pętlę uczenia, mierzącą decyzje względem rzeczywistych wyników. Firmy oświadczyły, że planują rozszerzyć zdobytą wiedzę z wdrożenia NVIDIA na przedsiębiorstwa z sektorów produkcji, energetyki, opieki zdrowotnej, motoryzacji i lotnictwa.