NVIDIA и Palantir объявляют суверенный AI‑стек для цепочек поставок

NVIDIA и Palantir Technologies объявили 10 сентября 2026 года о сотрудничестве, направленном на внедрение суверенного ИИ в критически важные цепочки поставок, при этом совместно созданный ИИ‑стек впервые будет развернут в собственных операциях цепочки поставок NVIDIA.

Стек интегрирует открытые модели Nemotron от NVIDIA в Palantir Foundry и платформу искусственного интеллекта Palantir (AIP), основанную на онтологии Palantir. Компании заявили, что система предоставляет командам цепочки поставок общий центр управления, начиная с решений по распределению материалов, при этом заказчики сохраняют контроль и право собственности на свои конфиденциальные данные. Стек будет продемонстрирован на конференции AIPCon 11 от Palantir, и компании отметили, что организации в сфере сельского хозяйства, производства, фармацевтики, розничной торговли, технологий и государственного сектора могут применять его в своих цепочках поставок.

NVIDIA сообщила, что её цепочка поставок охватывает миллионы деталей, тысячи поставщиков и глобальную сеть производственных партнёров, и что вывод в производство AI‑системы масштаба стойки требует согласованной доступности вычислительных, памятьевых, сетевых, энергетических, охлаждающих и механических компонентов. Каждый NVIDIA Vera Rubin‑стойка, согласно объявлению, содержит 1,3 млн деталей.

В совместном объявлении соучредитель и генеральный директор Palantir Алекс Карп сказал: «У NVIDIA, пожалуй, самая ценная, сложная и масштабная цепочка поставок в мире. Наш суверенный стек, основанный на моделях Nemotron и онтологии, предоставляет возможности, выходящие за пределы текущих границ, одновременно обеспечивая свойства защиты альфа‑уровня, недоступные иначе».

Основатель и генеральный директор NVIDIA Дженсен Хуанг заявил, что компании стремятся превратить операционный граф инфраструктуры ИИ в суверенный интеллект, сочетая модели Nemotron с онтологией Palantir для координации пути от производства пластин до выдачи токенов.

Цепочка поставок NVIDIA и центр управления Foundry

В техническом блоге, опубликованном вместе с объявлением, NVIDIA сообщила, что измеряет эффективность цепочки поставок от выхода пластины до первого токена. Период делится на две части: время‑до‑стойки измеряется от выхода кремния из фабрики до прибытия собранной системы в зал дата‑центра, а время‑до‑токена охватывает работу по питанию, охлаждению, сетям и программному обеспечению, делающую инфраструктуру продуктивной.

Платформы Grace Blackwell NVL72 используют миллионы деталей и тысячи поставщиков, при этом конечные системы собираются десятками OEM и ODM. Одна вычислительная лотка GB200 NVL72 — одна из восемнадцати в стойке — требует два процессора Grace, четыре графических процессора Blackwell и 32 стека памяти HBM3e, и NVIDIA заявила, что цепочка поставок, созданная для Vera Rubin, вдвое больше, чем цепочка для Grace Blackwell. Чтобы отслеживать, как долго материал находится в простое, NVIDIA использует метрику под названием Time of Ownership: время, прошедшее с момента получения материала производственным объектом до его выхода в виде суб‑сборки или готового продукта.

Каждую неделю планировщики вручную пересматривают то, что NVIDIA называет задачей критического распределения материалов, определяя, какой материал и в каком количестве отправлять на каждый производственный объект в текущем и следующем кварталах. Для поддержки этой работы команда операций цепочки поставок NVIDIA создала центр управления Digital Supply Chain Intelligence совместно с Palantir на платформе Foundry, где онтология связывает материалы, производственные объекты, обязательства, мощности, распределения, результаты производства и неструктурированные качественные сигналы в едином управляемом слое данных.

NVIDIA cuOpt, открытая библиотека компании для ускоренной на GPU оптимизации решений, решает еженедельное распределение как задачу смешанной целочисленной линейной программы, цель которой — минимизировать Time of Ownership, получая входные данные из онтологии и записывая результаты обратно в виде решений по распределению. В статье отмечается, что cuOpt также определяет, какие ограничения являются связывающими, позволяя планировщикам увидеть, ограничивала ли мощность или поставка памяти конкретную неделю, а также протестировать сценарии, такие как сокращение поставки памяти на десять процентов или ввод нового производственного объекта в эксплуатацию.

Постобучение Nemotron в решениях по распределению

NVIDIA и Palantir провели обратную проверку исторических решений по распределению по сравнению с фактическими результатами и обнаружили, что человеческие планировщики превзошли решатель, сообщает статья, поскольку планировщики использовали информацию, недоступную модели: электронные письма с партнёрами, прогнозы сильных погодных условий для ключевых регионов, геополитические события и расшифровки брифингов поставщиков, а также многолетний накопленный опыт. Команды перестроили рабочий процесс вокруг этого опыта, фиксируя каждое решение по распределению, его обоснование, ожидаемый результат и фактический исход в онтологии.

Эти данные стали обучающим набором. Команды постобучили Nemotron 3.5 Lightning — модель с открытым весом и смесью экспертов, содержащую 30 млрд параметров и примерно 3 млрд активных параметров за один проход, которую, по словам статьи, выбрали из‑за её специально разработанной архитектуры для уровня выполнения агентного рабочего процесса и возможности постобучения открытых моделей внутри вычислительных границ организации. Конвейер использует NeMo Anonymizer для удаления персонально идентифицируемой информации, NeMo Data Designer для генерации и балансировки синтетических примеров и NeMo AutoModel для обучения небольшого набора параметров‑адаптеров LoRA при замороженных базовых весах, при этом Palantir Autopilot управляет жизненным циклом от данных онтологии до развернутой модели.

По результатам тестового набора, описанного в статье, постобученная модель достигла точности решений по распределению 86,7 %, что сравнимо с 55,5 % у более крупного Nemotron 3 Ultra и 17,5 % у базовой Nemotron 3.5 Lightning. NVIDIA сообщает о сбалансированной точности 58,6 % против 42,0 % у Ultra и о показателе Macro‑F1 = 57,5 % против 39,5 %. Авторы отмечают, что эти метрики одинаково взвешивают каждый тип решения, что важно, поскольку планировщики сокращают распределения гораздо чаще, чем увеличивают их.

В статье предостерегают, что прирост эффективности сосредоточен в области, на которой модель была постобучена, и что прогнозирование будущих рисков производства остаётся сложным, несмотря на доработку. По данным статьи, обучение LoRA завершилось за несколько минут на двух GPU NVIDIA B200, что достаточно быстро для повторения по мере накопления обратной связи.

Модель предлагает диапазон распределения с обоснованием и указанием рисков, однако человеческий планировщик проверяет каждую рекомендацию и принимает окончательное решение. Каждое одобрение, изменение, переопределение и результат производства записываются обратно в онтологию, пока не накопится достаточно репрезентативных данных для очередного управляемого обучения. В статье указывается, что модель никогда не переобучается в продакшене, а накопленная обратная связь предназначена для поддержки обучения с подкреплением в будущем.

Суверенное развертывание и инфраструктурные партнёры

Учитывая чувствительность цепочки поставок NVIDIA, развертывание осуществляется на референсных архитектурах NVIDIA и совместно разработанной Palantir Sovereign AI Operating System Reference Architecture, известной как SAIOS, поддерживаемой Dell Technologies и Cisco. Компании заявили, что стек может быть развернут в локальных дата‑центрах с системными производителями, включая Cisco и Dell, либо в колокационных и облачных средах с Rackspace и Nebius.

В рамках Palantir AIP cuOpt поддерживает оптимизацию и планирование сценариев, а NeMo Data Libraries, NeMo AutoModel и NeMo RL интегрируются с Palantir Autopilot в том, что компании называют управляемым циклом обучения, измеряющим решения по сравнению с реальными результатами. Компании заявили, что планируют расширить полученные из развертывания NVIDIA знания на предприятия в сферах производства, энергетики, здравоохранения, автомобилестроения и аэрокосмоса.