NVIDIA และ Palantir ประกาศสแต็ก AI ระดับอธิปไตยสำหรับห่วงโซ่อุปทาน

NVIDIA และ Palantir Technologies ประกาศเมื่อวันที่ 10 กันยายน 2026 เกี่ยวกับความร่วมมือเพื่อนำ AI ระดับอธิปไตยสู่ห่วงโซ่อุปทานที่สำคัญ โดยสแต็ก AI ที่ร่วมสร้างกันจะถูกนำไปใช้งานครั้งแรกในระบบห่วงโซ่อุปทานของ NVIDIA เอง

สแต็กนี้นำโมเดลเปิดของ Nemotron จาก NVIDIA เข้าไปยัง Palantir Foundry และแพลตฟอร์มปัญญาประดิษฐ์ของ Palantir (AIP) โดยอิงจาก Palantir Ontology บริษัทต่างกล่าวว่าระบบนี้มอบศูนย์ควบคุมร่วมให้กับทีมห่วงโซ่อุปทาน เริ่มจากการตัดสินใจจัดสรรวัสดุ ในขณะที่ลูกค้ายังคงควบคุมและเป็นเจ้าของข้อมูลที่เป็นกรรมสิทธิ์ของตนเอง สแต็กนี้จะถูกนำเสนอในงานประชุม AIPCon 11 ของ Palantir และบริษัทต่างกล่าวว่าองค์กรในภาคเกษตรกรรม การผลิต ยา ค้าปลีก เทคโนโลยี และภาครัฐสามารถนำไปใช้ในห่วงโซ่อุปทานของตนได้

NVIDIA กล่าวว่า ห่วงโซ่อุปทานของบริษัทครอบคลุมส่วนประกอบหลายล้านชิ้น ผู้จัดหานับพันราย และเครือข่ายผู้ผลิตระดับโลก และการนำระบบ AI ขนาดแร็คสเกลเข้าสู่การผลิตต้องอาศัยการจัดหาทรัพยากรคอมพิวต์, หน่วยความจำ, เครือข่าย, พลังงาน, ระบบทำความเย็นและส่วนประกอบเชิงกลอย่างประสานกัน แร็ค NVIDIA Vera Rubin แต่ละตัวประกอบด้วยส่วนประกอบ 1.3 ล้านชิ้น ตามที่ประกาศ

ใน การประกาศร่วม ผู้ร่วมก่อตั้งและ CEO ของ Palantir Alex Karp กล่าวว่า: “NVIDIA มีห่วงโซ่อุปทานที่อาจเป็นที่มีคุณค่าที่สุด ซับซ้อนและซับซ้อนที่สุดในโลก สแต็กอธิปไตยของเรา ที่ขับเคลื่อนด้วยโมเดล Nemotron และ Ontology กำลังมอบความสามารถที่เหนือกว่าขอบเขต พร้อมให้คุณสมบัติการปกป้องอัลฟาที่ไม่สามารถหาได้จากที่อื่น”

ผู้ก่อตั้งและ CEO ของ NVIDIA Jensen Huang กล่าวว่า บริษัทมุ่งหมายที่จะเปลี่ยนกราฟการดำเนินงานเบื้องหลังโครงสร้างพื้นฐาน AI ให้เป็นปัญญาประดิษฐ์ระดับอธิปไตย โดยจับคู่โมเดล Nemotron กับ Palantir Ontology เพื่อประสานเส้นทางตั้งแต่การผลิตแวเฟอร์จนถึงการสร้างโทเคน

ห่วงโซ่อุปทานของ NVIDIA และศูนย์ควบคุม Foundry

ใน บทความบล็อกเชิงเทคนิค ที่เผยแพร่พร้อมกับการประกาศ NVIDIA กล่าวว่า บริษัทวัดประสิทธิภาพของห่วงโซ่อุปทานตั้งแต่ขั้นตอน wafer-out จนถึงโทเคนแรก ช่วงเวลานี้แบ่งเป็นสองส่วน: time-to-rack คือระยะเวลาตั้งแต่ซิลิกอนออกจากโรงงานจนถึงระบบที่ประกอบเสร็จแล้วมาถึงพื้นดาต้าเซ็นเตอร์ และ time-to-token ครอบคลุมการใช้พลังงาน การทำความเย็น เครือข่าย และซอฟต์แวร์ที่ทำให้โครงสร้างพื้นฐานทำงานได้อย่างมีประสิทธิภาพ

แพลตฟอร์ม Grace Blackwell NVL72 ใช้ส่วนประกอบหลายล้านชิ้นและผู้จัดหานับพัน รายการ โดยระบบสุดท้ายประกอบโดย OEM และ ODM หลายสิบราย แถบคอมพิวต์ GB200 NVL72 หนึ่งแถบ — หนึ่งในสิบแปดแถบในแร็ค — ต้องการ Grace CPUs สองตัว, Blackwell GPUs สี่ตัว และสแต็กหน่วยความจำ HBM3e จำนวน 32 ชุด และ NVIDIA กล่าวว่า ห่วงโซ่อุปทานที่สร้างสำหรับ Vera Rubin มีขนาดใหญ่กว่าห่วงโซ่ของ Grace Blackwell สองเท่า เพื่อวัดระยะเวลาที่วัสดุอยู่นิ่ง NVIDIA ใช้มาตรวัดที่เรียกว่า Time of Ownership: เวลาที่ผ่านไปตั้งแต่ไซต์การผลิตรับวัสดุจนวัสดุนั้นออกเป็นส่วนประกอบย่อยหรือผลิตภัณฑ์

ทุกสัปดาห์ นักวางแผนทำการปรับปรุงปัญหาการจัดสรรวัสดุสำคัญที่ NVIDIA เรียกว่าโดยทำการตัดสินใจว่า วัสดุชนิดใดและปริมาณเท่าไรจะส่งไปยังแต่ละไซต์การผลิตในไตรมาสปัจจุบันและไตรมาสถัดไป เพื่อสนับสนุนการทำงานนี้ ทีมปฏิบัติการห่วงโซ่อุปทานของ NVIDIA ได้สร้างศูนย์ควบคุม Digital Supply Chain Intelligence ร่วมกับ Palantir บน Foundry ซึ่ง Ontology เชื่อมต่อวัสดุ, ไซต์การผลิต, คำสั่ง, ความจุ, การจัดสรร, ผลลัพธ์การผลิตและสัญญาณเชิงคุณภาพที่ไม่มีโครงสร้างเข้าเป็นชั้นข้อมูลที่มีการกำกับดูแลหนึ่งเดียว

NVIDIA cuOpt ซึ่งเป็นไลบรารีโอเพ่นซอร์สของบริษัทสำหรับการเพิ่มประสิทธิภาพการตัดสินใจด้วย GPU ทำการแก้ปัญหาการจัดสรรประจำสัปดาห์เป็นโปรแกรมเชิงเส้นผสมจำนวนเต็มที่มีเป้าหมายเพื่อลด Time of Ownership โดยรับข้อมูลจาก Ontology และเขียนผลลัพธ์กลับเป็นการตัดสินใจจัดสรร รายงานระบุว่า cuOpt ยังระบุข้อจำกัดที่ผูกมัด ทำให้นักวางแผนเห็นว่าความจุหรือการจัดหาเมมโมรีจำกัดสัปดาห์นั้นหรือไม่ และสามารถทดสอบสถานการณ์เช่นการลดการจัดหาเมมโมรีลง 10% หรือการเปิดไซต์การผลิตใหม่

การฝึกต่อเนื่อง Nemotron บนการตัดสินใจจัดสรร

NVIDIA และ Palantir ทำการทดสอบย้อนกลับการตัดสินใจจัดสรรในอดีตกับผลที่เกิดขึ้นจริงและพบว่านักวางแผนมนุษย์ทำได้ดีกว่าเครื่องแก้ปัญหา ตามรายงาน เนื่องจากนักวางแผนอ้างอิงข้อมูลที่ระบบไม่สามารถมองเห็นได้: อีเมลที่แลกเปลี่ยนกับพันธมิตร, พยากรณ์อากาศรุนแรงสำหรับภูมิภาคสำคัญ, เหตุการณ์ทางภูมิรัฐศาสตร์และบันทึกการสรุปของผู้จัดหา พร้อมกับความเชี่ยวชาญที่สะสมมาหลายปี ทีมงานได้สร้างกระบวนการทำงานใหม่โดยอิงจากความเชี่ยวชาญนั้น โดยบันทึกการตัดสินใจจัดสรรแต่ละครั้ง, เหตุผล, ผลลัพธ์ที่คาดหวังและผลลัพธ์จริงภายใน Ontology

บันทึกนั้นกลายเป็นข้อมูลการฝึก ทีมงานได้ทำการฝึกต่อ (post‑trained) Nemotron 3.5 Lightning ซึ่งเป็นโมเดล mixture‑of‑experts แบบเปิดน้ำหนักที่มีพารามิเตอร์ 30 พันล้านและประมาณ 3 พันล้านพารามิเตอร์ที่ทำงานต่อการส่งต่อหนึ่งครั้ง ตามที่ระบุ โมเดลนี้ถูกเลือกเพราะออกแบบมาสำหรับชั้นการดำเนินการของกระบวนการทำงานแบบเอเจนต์ และเพราะโมเดลเปิดสามารถฝึกต่อภายในขอบเขตการคอมพิวต์ขององค์กรได้ พายป์ไลน์ใช้ NeMo Anonymizer เพื่อลบข้อมูลส่วนบุคคลที่ระบุตัวได้, NeMo Data Designer เพื่อสร้างและปรับสมดุลตัวอย่างสังเคราะห์, และ NeMo AutoModel เพื่อฝึกชุดพารามิเตอร์ LoRA เล็กๆ ในขณะที่น้ำหนักฐานคงที่ โดย Palantir Autopilot จัดการวงจรชีวิตตั้งแต่ข้อมูล Ontology ไปจนถึงโมเดลที่ปรับใช้

บนเกณฑ์การพัฒนาที่อธิบายในรายงาน โมเดลที่ฝึกต่อได้ความแม่นยำการตัดสินใจจัดสรร 86.7% เทียบกับ 55.5% ของ Nemotron 3 Ultra ที่ใหญ่กว่าและ 17.5% ของ Nemotron 3.5 Lightning รุ่นฐาน NVIDIA รายงานความแม่นยำสมดุล 58.6% เทียบกับ 42.0% ของ Ultra และคะแนน Macro‑F1 57.5% เทียบกับ 39.5% ผู้เขียนระบุว่ามาตรวัดเหล่านี้ให้ค่าน้ำหนักแต่ละประเภทการตัดสินใจเท่าเทียมกัน ซึ่งสำคัญเนื่องจากนักวางแผนมักลดการจัดสรรบ่อยกว่าที่เพิ่มขึ้น

รายงานเตือนว่าผลประโยชน์นั้นมุ่งเน้นไปที่โดเมนที่โมเดลได้รับการฝึกต่อและการพยากรณ์ความเสี่ยงการผลิตในอนาคตยังคงยากแม้จะทำการปรับจูนแล้ว การฝึก LoRA เสร็จสิ้นบน GPU NVIDIA B200 สองตัวภายในไม่กี่นาที ซึ่งเบาเพียงพอที่จะทำซ้ำเมื่อข้อมูลตอบรับสะสมตามที่รายงาน

โมเดลแนะนำช่วงการจัดสรรพร้อมเหตุผลและความเสี่ยงที่แนบมาด้วย แต่ผู้วางแผนมนุษย์จะตรวจสอบแต่ละคำแนะนำและทำการตัดสินใจขั้นสุดท้าย การยอมรับ การแก้ไข การทับซ้อนและผลลัพธ์การผลิตทั้งหมดจะถูกบันทึกกลับไปยัง Ontology จนกว่าจะมีข้อมูลตัวอย่างที่เพียงพอสำหรับการฝึกที่กำกับดูแลอีกครั้ง รายงานระบุว่าโมเดลไม่ทำการฝึกใหม่เองในระหว่างการผลิตและข้อมูลตอบรับที่สะสมมุ่งหมายเพื่อสนับสนุนการเรียนรู้แบบเสริมในอนาคต

การปรับใช้ระดับอธิปไตยและพันธมิตรโครงสร้างพื้นฐาน

เนื่องจากความอ่อนไหวของห่วงโซ่อุปทานของ NVIDIA การปรับใช้ดำเนินการบนสถาปัตยกรรมอ้างอิงของ NVIDIA และสถาปัตยกรรมอ้างอิง Palantir Sovereign AI Operating System ที่พัฒนาร่วมกัน ซึ่งเป็นที่รู้จักในชื่อ SAIOS และได้รับการสนับสนุนจาก Dell Technologies และ Cisco บริษัทต่างกล่าวว่าสแต็กสามารถปรับใช้ในสถานที่กับผู้ผลิตระบบรวมถึง Cisco และ Dell หรือในสภาพแวดล้อมโคโลเคชันและคลาวด์ร่วมกับ Rackspace และ Nebius

ภายใน Palantir AIP, cuOpt รองรับการเพิ่มประสิทธิภาพและการวางแผนสถานการณ์ ในขณะที่ NeMo Data Libraries, NeMo AutoModel และ NeMo RL ผสานกับ Palantir Autopilot ในสิ่งที่บริษัทอธิบายว่าเป็นวงจรการเรียนรู้ที่กำกับดูแลซึ่งวัดการตัดสินใจเทียบกับผลลัพธ์ในโลกจริง บริษัทต่างกล่าวว่าพวกเขาวางแผนขยายสิ่งที่ได้เรียนรู้จากการปรับใช้ของ NVIDIA ไปสู่องค์กรในภาคการผลิต พลังงาน การดูแลสุขภาพ ยานยนต์และอวกาศ