NVIDIA e Palantir anunciam pilha de IA soberana para cadeias de suprimentos

A NVIDIA e a Palantir Technologies anunciaram em 10 de setembro de 2026 uma colaboração para levar IA soberana a cadeias de suprimentos críticas, com a pilha de IA construída em conjunto sendo primeiramente implantada nas próprias operações da cadeia de suprimentos da NVIDIA.

A pilha incorpora os modelos abertos Nemotron da NVIDIA ao Palantir Foundry e à Plataforma de Inteligência Artificial (AIP) da Palantir, baseados na Ontologia da Palantir. As empresas afirmam que o sistema oferece às equipes de cadeia de suprimentos um centro de comando compartilhado, começando com decisões de alocação de materiais, enquanto os clientes mantêm controle e propriedade de seus dados proprietários. A pilha será apresentada na conferência AIPCon 11 da Palantir, e as empresas disseram que organizações dos setores agrícola, manufatura, farmacêutico, varejo, tecnologia e governo podem aplicá‑la em suas próprias cadeias de suprimentos.

A NVIDIA afirmou que sua cadeia de suprimentos abrange milhões de peças, milhares de fornecedores e uma rede global de parceiros de manufatura, e que levar um sistema de IA em escala de rack à produção requer a disponibilidade coordenada de computação, memória, rede, energia, refrigeração e componentes mecânicos. Cada rack NVIDIA Vera Rubin contém 1,3 milhão de peças, segundo o anúncio.

No anúncio conjunto, o cofundador e CEO da Palantir, Alex Karp, declarou: “A NVIDIA possui, sem dúvida, a cadeia de suprimentos mais valiosa, intrincada e complexa do mundo. Nossa pilha soberana, alimentada pelos modelos Nemotron e pela Ontologia, está oferecendo capacidades que ultrapassam a fronteira, ao mesmo tempo em que fornece qualidades de proteção alfa indisponíveis de outra forma.”

O fundador e CEO da NVIDIA, Jensen Huang, afirmou que as empresas pretendem transformar o grafo operacional que sustenta a infraestrutura de IA em inteligência soberana, combinando os modelos Nemotron com a Ontologia da Palantir para coordenar o percurso da produção de wafers até a geração de tokens.

Cadeia de suprimentos da NVIDIA e o Centro de Comando Foundry

Em um postagem técnica de blog publicada junto ao anúncio, a NVIDIA afirmou que mede o desempenho da cadeia de suprimentos desde a saída do wafer até o primeiro token. O intervalo divide‑se em duas partes: o tempo‑para‑rack abrange o período desde o silício deixar a fábrica até um sistema montado chegar ao piso de um data center, e o tempo‑para‑token cobre a energia, refrigeração, rede e trabalho de software que tornam a infraestrutura produtiva.

As plataformas Grace Blackwell NVL72 utilizam milhões de peças e milhares de fornecedores, com os sistemas finais sendo montados por dezenas de OEMs e ODMs. Uma única bandeja de computação GB200 NVL72 — uma das dezoito em um rack — requer duas CPUs Grace, quatro GPUs Blackwell e 32 pilhas de memória HBM3e, e a NVIDIA afirmou que a cadeia de suprimentos criada para o Vera Rubin é duas vezes maior que a que sustenta o Grace Blackwell. Para monitorar quanto tempo um material permanece ocioso, a NVIDIA utiliza uma métrica chamada Tempo de Propriedade: o tempo decorrido entre o recebimento do material em um site de fabricação e sua saída como parte de uma sub‑montagem ou produto.

A cada semana, os planejadores reavaliam manualmente o que a NVIDIA denomina problema de alocação crítica de materiais, decidindo quais materiais e em que quantidade serão enviados a cada site de fabricação ao longo do trimestre atual e do próximo. Para apoiar esse trabalho, a equipe de operações da cadeia de suprimentos da NVIDIA construiu um centro de comando de Inteligência Digital da Cadeia de Suprimentos com a Palantir no Foundry, onde a Ontologia conecta materiais, sites de fabricação, compromissos, capacidade, alocações, resultados de produção e sinais qualitativos não estruturados em uma camada de dados governada.

O cuOpt da NVIDIA, biblioteca de código aberto da empresa para otimização de decisões acelerada por GPU, resolve a alocação semanal como um programa linear misto‑inteiro cujo objetivo é minimizar o Tempo de Propriedade, extraindo entradas da Ontologia e gravando os resultados de volta como decisões de alocação. O artigo relata que o cuOpt também identifica quais restrições são vinculantes, permitindo que os planejadores vejam se a capacidade ou o fornecimento de memória limitaram uma determinada semana, e possibilitando testar cenários como uma redução de dez por cento no fornecimento de memória ou a entrada em operação de um novo site de fabricação.

Nemotron pós-treinamento nas decisões de alocação

A NVIDIA e a Palantir testaram retroativamente decisões históricas de alocação contra o que realmente ocorreu e descobriram, segundo o artigo, que os planejadores humanos superaram o resolvedor, porque os planejadores atuaram com base em informações que o algoritmo não podia ver: e‑mails trocados com parceiros, previsões de clima severo para regiões‑chave, eventos geopolíticos e transcrições de debriefings de fornecedores, além de anos de expertise acumulada. As equipes reconstruíram o fluxo de trabalho em torno dessa expertise, registrando cada decisão de alocação, sua justificativa, o resultado esperado e o resultado real dentro da Ontologia.

Esse registro tornou‑se dados de treinamento. As equipes pós‑treinaram o Nemotron 3.5 Lightning, um modelo de mistura de especialistas de peso aberto com 30 bilhões de parâmetros e cerca de 3 bilhões ativos por passagem, que, segundo o artigo, foi escolhido porque foi desenvolvido especificamente para a camada de execução de um fluxo de trabalho agente e porque modelos abertos podem ser pós‑treinados dentro dos limites computacionais de uma organização. O pipeline utiliza o NeMo Anonymizer para remover informações de identificação pessoal, o NeMo Data Designer para gerar e equilibrar exemplos sintéticos, e o NeMo AutoModel para treinar um pequeno conjunto de parâmetros adaptadores LoRA enquanto os pesos base permanecem congelados, com o Palantir Autopilot gerenciando o ciclo de vida dos dados da Ontologia ao modelo implantado.

No benchmark de desenvolvimento descrito no artigo, o modelo pós‑treinado atingiu 86,7 % de precisão nas decisões de alocação, comparado a 55,5 % para o maior Nemotron 3 Ultra e 17,5 % para o Nemotron 3.5 Lightning básico. A NVIDIA relata precisão balanceada de 58,6 % contra 42,0 % do Ultra e uma pontuação Macro‑F1 de 57,5 % contra 39,5 %. Os autores afirmam que essas métricas ponderam cada tipo de decisão igualmente, o que é relevante porque os planejadores reduzem alocações com muito mais frequência do que as aumentam.

O artigo alerta que os ganhos estão concentrados no domínio em que o modelo foi pós‑treinado e que prever riscos de produção futuros permaneceu difícil apesar do ajuste fino. A execução de treinamento LoRA foi concluída em duas GPUs NVIDIA B200 em minutos, leve o suficiente para ser repetida à medida que o feedback se acumula, segundo o artigo.

O modelo recomenda uma faixa de alocação com justificativa e riscos anexados, mas um planejador humano revisa cada recomendação e toma a decisão final. Cada aceitação, edição, sobrescrita e resultado de produção são registrados de volta na Ontologia até que existam dados representativos suficientes para outra rodada de treinamento governado. O artigo afirma que o modelo nunca se re‑treina em produção e que o feedback acumulado tem a intenção de apoiar aprendizado por reforço no futuro.

Implantação soberana e parceiros de infraestrutura

Dada a sensibilidade da cadeia de suprimentos da NVIDIA, a implantação ocorre em arquiteturas de referência da NVIDIA e na Arquitetura de Referência do Sistema Operacional de IA Soberana da Palantir, conhecida como SAIOS, que conta com suporte da Dell Technologies e da Cisco. As empresas declararam que a pilha pode ser implantada nas instalações com fabricantes de sistemas, incluindo Cisco e Dell, ou em ambientes de colocation e nuvem com Rackspace e Nebius.

Dentro do Palantir AIP, o cuOpt oferece suporte à otimização e ao planejamento de cenários, enquanto as Bibliotecas de Dados NeMo, o NeMo AutoModel e o NeMo RL se integram ao Palantir Autopilot no que as empresas descrevem como um ciclo de aprendizado governado que mede decisões contra resultados do mundo real. As empresas afirmaram que planejam ampliar o aprendizado obtido com a implantação da NVIDIA para empresas dos setores de manufatura, energia, saúde, automotivo e aeroespacial.