NVIDIA ve Palantir, Tedarik Zincirleri için Egemen AI Yığını Duyurdu

NVIDIA ve Palantir Technologies, 10 Eylül 2026 tarihinde kritik tedarik zincirlerine egemen AI getirmek amacıyla bir iş birliği duyurdu; ortak olarak geliştirilen AI yığını ilk olarak NVIDIA’nın kendi tedarik zinciri operasyonlarında kullanılacak.

Bu yığın, NVIDIA’nın Nemotron açık modellerini Palantir Foundry ve Palantir’ın Yapay Zeka Platformu (AIP) içine, Palantir Ontolojisi üzerine inşa ederek getiriyor. Şirketler, sistemin tedarik zinciri ekiplerine, özellikle malzeme tahsis kararlarıyla başlayan ortak bir komuta merkezi sağladığını, aynı zamanda müşterilerin kendi mülkiyet verileri üzerinde kontrol ve sahipliklerini koruduklarını belirtti. Yığın, Palantir’ın AIPCon 11 konferansında sergilenecek ve şirketler, tarım, imalat, ilaç, perakende, teknoloji ve hükümet sektörlerindeki kuruluşların bunu kendi tedarik zincirlerine uygulayabileceğini söyledi.

NVIDIA, tedarik zincirinin milyonlarca parça, binlerce tedarikçi ve küresel bir üretim ortakları ağı içerdiğini ve raf ölçeğinde bir AI sistemini üretime getirmek için bilgi işlem, bellek, ağ, güç, soğutma ve mekanik bileşenlerin koordineli olarak bulunması gerektiğini belirtti. Duyuruma göre, her NVIDIA Vera Rubin rafı 1,3 milyon parça içeriyor.

Ortak duyuruda, Palantir kurucu ortağı ve CEO’su Alex Karp şunları söyledi: “NVIDIA, muhtemelen dünyadaki en değerli, en karmaşık ve en kapsamlı tedarik zincirine sahip. Nemotron modelleri ve Ontoloji tarafından desteklenen egemen yığınımız, sınırları aşan yetenekler sunarken, aksi takdirde mevcut olmayan alfa koruma özellikleri sağlıyor.”

NVIDIA kurucusu ve CEO’su Jensen Huang, şirketlerin AI altyapısının arkasındaki operasyonel grafiği egemen zekâya dönüştürmeyi hedeflediğini, Nemotron modellerini Palantir’ın Ontolojisiyle eşleştirerek wafer üretiminden token çıktısına kadar olan süreci koordine etmeyi amaçladıklarını söyledi.

NVIDIA’nın Tedarik Zinciri ve Foundry Komuta Merkezi

Duyuru ile birlikte yayınlanan bir teknik blog gönderisinde, NVIDIA tedarik zinciri performansını wafer çıkışından ilk tokena kadar ölçtüğünü belirtti. Süre ikiye ayrılıyor: time-to-rack, fab’den çıkan silikonun birleştirilmiş bir sistemin veri merkezi katına ulaşmasına kadar olan zamanı, time-to-token ise altyapıyı üretken kılan güç, soğutma, ağ ve yazılım çalışmalarını kapsar.

Grace Blackwell NVL72 platformları, milyonlarca parça ve binlerce tedarikçiden faydalanır; nihai sistemler ise onlarca OEM ve ODM tarafından monte edilir. Tek bir GB200 NVL72 hesaplama tepsisi — bir rafta on sekiz taneden biri — iki Grace CPU, dört Blackwell GPU ve 32 HBM3e bellek yığını gerektirir ve NVIDIA, Vera Rubin için oluşturduğu tedarik zincirinin Grace Blackwell’in arkasındaki zincirin iki katı büyüklükte olduğunu söyledi. Malzemenin ne kadar süre boşta kaldığını izlemek için NVIDIA, Time of Ownership: adlı bir ölçüt çalıştırır; bu, bir üretim tesisinin malzemeyi alması ile o malzemenin bir alt montaj ya da ürün parçası olarak çıkması arasındaki geçen süredir.

Her hafta, planlayıcılar NVIDIA’nın kritik malzeme tahsis problemi olarak adlandırdığı süreci manuel olarak yeniden düzenler; mevcut çeyrek ve bir sonraki çeyrek boyunca hangi malzemenin ve ne kadarının her üretim tesisine gideceğine karar verirler. Bu çalışmayı desteklemek için NVIDIA’nın tedarik zinciri operasyonları ekibi, Palantir ile Foundry üzerinde bir Dijital Tedarik Zinciri Zekâsı komuta merkezi oluşturdu; burada Ontoloji, malzemeleri, üretim tesislerini, taahhütleri, kapasiteyi, tahsisleri, üretim çıktıları ve yapılandırılmamış niteliksel sinyalleri tek bir yönetişimli veri katmanına bağlar.

NVIDIA cuOpt, şirketin GPU hızlandırmalı karar optimizasyonu için açık kaynak kütüphanesi, haftalık tahsisi, Time of Ownership’yi minimize etmeyi amaçlayan karma tam sayı doğrusal programı olarak çözer; girdileri Ontolojiden alır ve sonuçları tahsis kararları olarak geri yazar. Yazı, cuOpt’un ayrıca hangi kısıtlamaların bağlayıcı olduğunu belirlediğini, böylece planlayıcıların bir haftada kapasite ya da bellek tedarikinin sınırlayıcı olup olmadığını görebildiğini ve bellek tedarikinde yüzde onluk bir kesinti ya da yeni bir üretim tesisinin devreye girmesi gibi senaryoları test edebildiğini bildiriyor.

Tahsis Kararları Üzerinde Post-Training Nemotron

NVIDIA ve Palantir, geçmiş tahsis kararlarını gerçekleşen sonuçlarla geriye dönük test etti ve yazıya göre, insan planlayıcıların çözücüyü geride bıraktığını buldu; çünkü planlayıcılar, çözücünün göremediği bilgilere dayanıyordu: ortaklarla değiş tokuş edilen e-postalar, kritik bölgeler için şiddetli hava tahminleri, jeopolitik olaylar ve tedarikçi brifing transkriptleri, ayrıca yıllara yayılan birikmiş uzmanlık. Ekipler bu uzmanlık etrafında iş akışını yeniden inşa etti, her tahsis kararını, gerekçesini, beklenen sonucunu ve gerçek çıktısını Ontoloji içinde yakaladı.

Bu kayıt eğitim verisi haline geldi. Ekipler, 30 milyar parametreye ve ileri geçiş başına yaklaşık 3 milyar aktif parametreye sahip açık ağırlıklı bir karışım-uzman modeli olan Nemotron 3.5 Lightning’i post‑training yaptılar; yazıya göre bu model, ajan‑tabanlı bir iş akışının yürütme katmanı için özel olarak tasarlandığı ve açık modellerin bir kuruluşun kendi bilgi işlem sınırları içinde post‑training yapılabildiği için seçildi. İş akışı, kişisel olarak tanımlanabilir bilgileri temizlemek için NeMo Anonymizer, sentetik örnekler oluşturup dengelemek için NeMo Data Designer ve temel ağırlıklar dondurulmuşken küçük bir LoRA adaptör parametresi kümesini eğitmek için NeMo AutoModel kullanıyor; Palantir Autopilot ise Ontoloji verisinden dağıtılmış modele kadar yaşam döngüsünü yönetiyor.

Yazıda açıklanan geliştirme benchmark’ında, post‑training yapılan model %86,7 tahsis‑kararı doğruluğu elde etti; bu, daha büyük Nemotron 3 Ultra için %55,5 ve temel Nemotron 3.5 Lightning için %17,5 ile karşılaştırıldığında daha yüksek bir oran. NVIDIA, Ultra’nın %42,0’ına karşı %58,6 dengeli doğruluk ve %39,5’e karşı %57,5 Macro‑F1 skoru rapor ediyor. Yazarlar, bu ölçütlerin her karar tipine eşit ağırlık verdiğini, bunun da planlayıcıların tahsisleri artırmaktan çok daha sık azalttıkları için önemli olduğunu belirtiyor.

Yazı, kazançların modelin post‑training yapıldığı alanda yoğunlaştığını ve ince ayar yapılmasına rağmen gelecekteki üretim riskinin tahmininin hâlâ zor olduğunu uyarıyor. LoRA eğitim çalışması, iki NVIDIA B200 GPU üzerinde dakikalar içinde tamamlandı; geri bildirim biriktikçe tekrarlanabilecek kadar hafif olduğunu yazı belirtiyor.

Model, ekli gerekçe ve risklerle birlikte bir tahsis aralığı önerir, ancak bir insan planlayıcı her öneriyi inceler ve nihai kararı verir. Her kabul, düzenleme, geçersiz kılma ve üretim sonucu, Ontoloji’ye geri yazılır; yeterli temsilci veri bir sonraki yönetilen eğitim çalışması için mevcut olana kadar. Yazı, modelin üretimde kendini yeniden eğitmediğini ve birikmiş geri bildirimin gelecekte pekiştirmeli öğrenmeyi desteklemek amacıyla kullanılacağını belirtiyor.

Egemen Dağıtım ve Altyapı Ortakları

NVIDIA’nın tedarik zincirinin hassasiyeti göz önüne alındığında, dağıtım NVIDIA referans mimarileri ve ortak olarak geliştirilen Palantir Sovereign AI İşletim Sistemi Referans Mimarisi (SAIOS) üzerinde çalışıyor; bu mimari Dell Technologies ve Cisco tarafından destekleniyor. Şirketler, yığının Cisco ve Dell gibi sistem üreticileriyle yerinde, ya da Rackspace ve Nebius ile ortak konum ve bulut ortamlarında dağıtılabileceğini belirtti.

Palantir AIP içinde, cuOpt optimizasyon ve senaryo planlamasını desteklerken, NeMo Data Libraries, NeMo AutoModel ve NeMo RL, şirketlerin kararları gerçek dünya sonuçlarıyla ölçen yönetilen bir öğrenme döngüsü olarak tanımladıkları Palantir Autopilot ile bütünleşiyor. Şirketler, NVIDIA’nın dağıtımından edindikleri bilgileri imalat, enerji, sağlık, otomotiv ve uzay alanlarındaki işletmelere genişletmeyi planladıklarını söyledi.