NVIDIA și Palantir anunță un set AI suveran pentru lanțurile de aprovizionare

NVIDIA și Palantir Technologies au anunțat pe 10 septembrie 2026 o colaborare pentru a aduce AI suveran în lanțurile de aprovizionare critice, cu setul AI construit în comun fiind implementat inițial în operațiunile proprii ale lanțului de aprovizionare al NVIDIA.

Setul integrează modelele deschise Nemotron ale NVIDIA în Palantir Foundry și în Platforma de Inteligență Artificială (AIP) a Palantir, bazate pe Ontologia Palantir. Companiile au declarat că sistemul oferă echipelor de lanț de aprovizionare un centru de comandă comun, începând cu deciziile de alocare a materialelor, în timp ce clienții păstrează controlul și proprietatea asupra datelor lor proprietare. Setul va fi prezentat la conferința AIPCon 11 a Palantir, iar companiile au precizat că organizațiile din agricultură, producție, farmaceutică, retail, tehnologie și sectorul guvernamental îl pot aplica în propriile lanțuri de aprovizionare.

NVIDIA a declarat că lanțul său de aprovizionare cuprinde milioane de piese, mii de furnizori și o rețea globală de parteneri de producție și că implementarea unui sistem AI la scară de rack în producție necesită disponibilitatea coordonată a calculului, memoriei, rețelisticii, energiei, răcirii și componentelor mecanice. Fiecare rack NVIDIA Vera Rubin conține 1,3 milioane de piese, conform anunțului.

În anunțul comun, cofondatorul și CEO-ul Palantir, Alex Karp, a declarat: “NVIDIA are, fără îndoială, cel mai valoros, complex și complicat lanț de aprovizionare din lume. Setul nostru suveran, alimentat de modelele Nemotron și de Ontologie, oferă capabilități care depășesc frontiera, furnizând în același timp caracteristici de protecție alfa indisponibile în alte condiții.”

Fondatorul și CEO-ul NVIDIA, Jensen Huang, a declarat că scopul companiilor este să transforme graficul operațional din spatele infrastructurii AI în inteligență suverană, asociind modelele Nemotron cu Ontologia Palantir pentru a coordona drumul de la producția de wafere la generarea de tokenuri.

Lanțul de aprovizionare al NVIDIA și Centrul de comandă Foundry

Într-un postare tehnică pe blog publicată alături de anunț, NVIDIA a declarat că măsoară performanța lanțului de aprovizionare de la wafer-out până la primul token. Intervalul se împarte în două: timpul-până-la-rack începe de la siliciul care părăsește fabrica până la un sistem asamblat care ajunge pe podeaua unui centru de date, iar timpul-până-la-token acoperă energia, răcirea, rețelistica și munca software care fac infrastructura productivă.

Platformele Grace Blackwell NVL72 se bazează pe milioane de piese și mii de furnizori, cu sistemele finale asamblate de zeci de OEM și ODM. O singură tavă de calcul GB200 NVL72 — una dintre optsprezece dintr-un rack — necesită două procesoare Grace, patru GPU-uri Blackwell și 32 de stive de memorie HBM3e, iar NVIDIA a declarat că lanțul de aprovizionare creat pentru Vera Rubin este de două ori mai mare decât cel din spatele Grace Blackwell. Pentru a monitoriza cât timp materialul rămâne neutilizat, NVIDIA utilizează o metrică numită Time of Ownership: timpul scurs între momentul în care un site de producție primește materialul și momentul în care materialul părăsește site-ul ca parte a unei subansamblări sau a unui produs.

În fiecare săptămână, planificatorii refac manual ceea ce NVIDIA numește problema de alocare a materialelor critice, stabilind ce material și în ce cantitate să fie trimis fiecărui site de producție în trimestrul curent și în următorul. Pentru a susține această activitate, echipa de operațiuni a lanțului de aprovizionare a NVIDIA a construit un centru de comandă Digital Supply Chain Intelligence împreună cu Palantir pe Foundry, unde Ontologia conectează materialele, site-urile de producție, angajamentele, capacitatea, alocările, rezultatele producției și semnalele calitative nestructurate într-un singur strat de date guvernat.

NVIDIA cuOpt, biblioteca open-source a companiei pentru optimizarea deciziilor accelerată prin GPU, rezolvă alocarea săptămânală ca un program liniar mixt‑integer al cărui obiectiv este minimizarea Time of Ownership, preluând date din Ontologie și scriind rezultatele înapoi ca decizii de alocare. Articolul raportează că cuOpt identifică, de asemenea, care constrângeri sunt limitative, permițând planificatorilor să vadă dacă capacitatea sau furnizarea de memorie a limitat săptămâna respectivă și să testeze scenarii precum o reducere cu zece procente a furnizării de memorie sau introducerea unui nou site de producție.

Nemotron post-antrenat pe deciziile de alocare

NVIDIA și Palantir au testat retrospectiv deciziile istorice de alocare comparativ cu rezultatele reale și au constatat, conform articolului, că planificatorii umani au depășit soluționatorul, deoarece aceștia s-au bazat pe informații pe care sistemul nu le putea vedea: e‑mailuri schimbate cu partenerii, prognoze meteo severe pentru regiuni cheie, evenimente geopolitice și transcrieri de debriefing ale furnizorilor, alături de ani de expertiză acumulată. Echipele au reconstruit fluxul de lucru în jurul acelei expertize, capturând fiecare decizie de alocare, raționamentul său, rezultatul așteptat și rezultatul efectiv în cadrul Ontologiei.

Acea înregistrare a devenit date de antrenament. Echipele au post-antrenat Nemotron 3.5 Lightning, un model open-weight mixture‑of‑experts cu 30 de miliarde de parametri și aproximativ 3 miliarde activi per pas înainte, pe care articolul îl menționează că a fost ales deoarece este conceput special pentru stratul de execuție al unui flux de lucru agentic și pentru că modelele deschise pot fi post‑antrenate în interiorul limitelor de calcul ale organizației. Pipeline‑ul folosește NeMo Anonymizer pentru a elimina informațiile personale identificabile, NeMo Data Designer pentru a genera și echilibra exemple sintetice și NeMo AutoModel pentru a antrena un set mic de parametri adaptor LoRA în timp ce greutățile de bază rămân înghețate, Palantir Autopilot gestionând ciclul de viață de la datele Ontologiei până la modelul implementat.

Pe benchmark‑ul de dezvoltare descris în articol, modelul post‑antrenat a atins o acuratețe a deciziilor de alocare de 86,7%, comparativ cu 55,5% pentru Nemotron 3 Ultra, mai mare, și 17,5% pentru Nemotron 3.5 Lightning de bază. NVIDIA raportează o acuratețe echilibrată de 58,6% față de 42,0% pentru Ultra și un scor Macro‑F1 de 57,5% față de 39,5%. Autorii afirmă că aceste metrici ponderază fiecare tip de decizie în mod egal, lucru important deoarece planificatorii reduc alocările mult mai des decât le cresc.

Articolul avertizează că câștigurile sunt concentrate în domeniul pe care modelul a fost post‑antrenat și că prognozarea riscului viitor de producție a rămas dificilă în ciuda ajustărilor fine. Antrenamentul LoRA s‑a încheiat pe două GPU‑uri NVIDIA B200 în câteva minute, fiind suficient de ușor pentru a fi repetat pe măsură ce feedback‑ul se acumulează, conform articolului.

Modelul recomandă un interval de alocare cu raționamentul și riscurile aferente, dar un planificator uman revizuiește fiecare recomandare și ia decizia finală. Fiecare acceptare, editare, anulare și rezultat de producție este înregistrat înapoi în Ontologie până când există suficiente date reprezentative pentru o nouă rundă de antrenament guvernat. Articolul afirmă că modelul nu se reantrenează niciodată în producție și că feedback‑ul acumulat este destinat să susțină învățarea prin consolidare în viitor.

Implementare suverană și parteneri de infrastructură

Având în vedere sensibilitatea lanțului de aprovizionare al NVIDIA, implementarea rulează pe arhitecturi de referință NVIDIA și pe Arhitectura de Referință a Palantir Sovereign AI Operating System, cunoscută sub denumirea SAIOS, susținută de Dell Technologies și Cisco. Companiile au declarat că setul poate fi implementat on‑premise cu producători de sisteme, inclusiv Cisco și Dell, sau în medii de co‑locație și cloud cu Rackspace și Nebius.

În cadrul Palantir AIP, cuOpt susține optimizarea și planificarea scenariilor, în timp ce NeMo Data Libraries, NeMo AutoModel și NeMo RL se integrează cu Palantir Autopilot în ceea ce companiile descriu ca un ciclu de învățare guvernat care măsoară deciziile în raport cu rezultatele din lumea reală. Companiile au declarat că intenționează să extindă ceea ce învață din implementarea NVIDIA către întreprinderi din producție, energie, sănătate, automotive și aerospațial.