NVIDIA і Palantir оголошують суверенний AI-стек для ланцюгів постачання

NVIDIA і Palantir Technologies оголосили 10 вересня 2026 р. про співпрацю, спрямовану на впровадження суверенного AI у критичні ланцюги постачання, при цьому спільно створений AI‑стек вперше буде розгорнуто в операціях власного ланцюга постачання NVIDIA.

Стек інтегрує відкриті моделі Nemotron від NVIDIA у Palantir Foundry та платформу штучного інтелекту Palantir (AIP), базовану на онтології Palantir. Компанії заявили, що система надає командам ланцюга постачання спільний центр управління, починаючи з рішень щодо розподілу матеріалів, при цьому клієнти зберігають контроль і власність над своїми пропрієтарними даними. Стек буде представлений на конференції AIPCon 11 від Palantir, а компанії зазначили, що організації в галузях сільського господарства, виробництва, фармацевтики, роздрібної торгівлі, технологій та державного сектору можуть застосовувати його у власних ланцюгах постачання.

NVIDIA зазначила, що її ланцюг постачання охоплює мільйони деталей, тисячі постачальників та глобальну мережу виробничих партнерів, і що впровадження AI‑системи масштабу стійки у виробництво вимагає координованої доступності обчислювальних, пам’ятних, мережевих, енергетичних, охолоджувальних та механічних компонентів. Кожна NVIDIA Vera Rubin стійка містить 1,3 млн деталей, згідно з оголошенням.

У спільному оголошенні, співзасновник і CEO Palantir Алекс Карп сказав: “NVIDIA, без сумніву, має найцінніший, найскладніший і найвишуканіший ланцюг постачання у світі. Наш суверенний стек, підкріплений моделями Nemotron та онтологією, забезпечує можливості, що перевершують межі, одночасно надаючи властивості захисту альфа, недоступні в інший спосіб.”

Засновник і CEO NVIDIA Дженсен Хуанг заявив, що компанії прагнуть перетворити операційну графу, що стоїть за інфраструктурою AI, у суверенний інтелект, поєднуючи моделі Nemotron з онтологією Palantir для координації шляху від виготовлення чипів до виведення токенів.

Ланцюг постачання NVIDIA та центр управління Foundry

У технічному блозі, опублікованому разом з оголошенням, NVIDIA зазначила, що вимірює ефективність ланцюга постачання від виходу чипа до першого токену. Інтервал ділиться на два: time-to-rack — час від виходу кремнію з фабрики до прибуття зібраної системи на підлогу дата‑центру, та time-to-token — час, що охоплює енергопостачання, охолодження, мережу та програмне забезпечення, які роблять інфраструктуру продуктивною.

Платформи Grace Blackwell NVL72 спираються на мільйони деталей і тисячі постачальників, при цьому кінцеві системи збираються десятками OEM та ODM. Одна обчислювальна лотка GB200 NVL72 — одна з восемнадцяти у стійці — потребує два процесори Grace, чотири графічні процесори Blackwell та 32 стека пам’яті HBM3e, і NVIDIA зазначила, що ланцюг постачання, створений для Vera Rubin, вдвічі більший за той, що стоїть за Grace Blackwell. Щоб відстежувати, як довго матеріал перебуває в стані простою, NVIDIA використовує метрику під назвою Time of Ownership: час, що минув між отриманням матеріалу на виробничому майданчику та його відправкою як частини підзбірки або готового продукту.

Щотижня планувальники вручну переглядають те, що NVIDIA називає проблемою критичного розподілу матеріалів, вирішуючи, який матеріал і в якій кількості надходить до кожного виробничого майданчика протягом поточного та наступного кварталів. Для підтримки цієї роботи команда операцій ланцюга постачання NVIDIA створила центр управління Digital Supply Chain Intelligence у співпраці з Palantir на платформі Foundry, де онтологія поєднує матеріали, виробничі майданчики, зобов’язання, потужності, розподіли, виробничі результати та неструктуровані якісні сигнали в один керований шар даних.

NVIDIA cuOpt, відкритий бібліотечний пакет компанії для оптимізації рішень з прискоренням на GPU, вирішує щотижневий розподіл як задачу змішаного цілочисельного лінійного програмування, метою якої є мінімізувати Time of Ownership, використовуючи вхідні дані з онтології та записуючи результати назад у вигляді рішень про розподіл. У дописі зазначається, що cuOpt також визначає, які обмеження є зв’язуючими, тому планувальники можуть бачити, чи обмежували потужність або постачання пам’яті конкретний тиждень, і можуть тестувати сценарії, наприклад, скорочення постачання пам’яті на десять відсотків або запуск нового виробничого майданчика.

Посттренувальний Nemotron у рішеннях про розподіл

NVIDIA і Palantir провели бек‑тестування історичних рішень про розподіл порівняно з реальними результатами і виявили, що людські планувальники перевершили розв’язувач, повідомляє допис, оскільки планувальники діяли на основі інформації, яку система не могла бачити: листи, обмінені з партнерами, прогнози про сильні погодні умови для ключових регіонів, геополітичні події та стенограми розбору постачальників, а також багаторічний накопичений досвід. Команди перебудували робочий процес навколо цього досвіду, фіксуючи кожне рішення про розподіл, його обґрунтування, очікуваний результат та фактичний результат в онтології.

Цей запис став навчальними даними. Команди пост‑тренували Nemotron 3.5 Lightning, модель mixture‑of‑experts з відкритою вагою, що має 30 млрд параметрів і приблизно 3 млрд активних під час одного проходу, яку, за словами допису, обрали, бо вона спеціально створена для рівня виконання агентного робочого процесу і тому, що відкриті моделі можна пост‑тренувати всередині обчислювального середовища організації. Конвеєр використовує NeMo Anonymizer для видалення персонально ідентифікованої інформації, NeMo Data Designer для генерації та балансування синтетичних прикладів і NeMo AutoModel для навчання невеликого набору параметрів адаптера LoRA, залишаючи базові ваги замороженими, при цьому Palantir Autopilot керує життєвим циклом від даних онтології до розгорнутої моделі.

За розробницьким бенчмарком, описаним у дописі, пост‑тренована модель досягла точності розподільчих рішень 86,7 %, у порівнянні з 55,5 % у більшої Nemotron 3 Ultra та 17,5 % у базової Nemotron 3.5 Lightning. NVIDIA повідомляє збалансовану точність 58,6 % проти 42,0 % у Ultra і показник Macro‑F1 57,5 % проти 39,5 %. Автори зазначають, що ці метрики однаково зважують кожен тип рішення, що важливо, оскільки планувальники скорочують розподіли значно частіше, ніж підвищують їх.

У дописі застерігають, що приріст зосереджений у домені, на якому модель була пост‑тренована, і що прогнозування майбутніх ризиків виробництва залишалося складним, незважаючи на тонке налаштування. Тренування LoRA завершилося на двох GPU NVIDIA B200 за кілька хвилин, що досить швидко, щоб повторювати його зі збільшенням зворотного зв’язку, згідно з дописом.

Модель рекомендує діапазон розподілу з поясненням та ризиками, проте людський планувальник переглядає кожну рекомендацію і приймає остаточне рішення. Кожне схвалення, редагування, переопрацювання та результат виробництва записуються назад в онтологію, доки не збереться достатньо представницьких даних для ще одного керованого навчального запуску. У дописі зазначається, що модель ніколи не перенавчається у виробництві, а накопичений зворотний зв’язок призначений для підтримки підкріплювального навчання в майбутньому.

Суверенне розгортання та інфраструктурні партнери

З огляду на чутливість ланцюга постачання NVIDIA, розгортання виконується на референсних архітектурах NVIDIA та спільно розробленій Palantir Sovereign AI Operating System Reference Architecture, відомій як SAIOS, яка підтримується Dell Technologies та Cisco. Компанії зазначили, що стек може бути розгорнутий у приміщеннях з виробниками систем, включаючи Cisco та Dell, або у середовищах колокації та хмари з Rackspace та Nebius.

У рамках Palantir AIP, cuOpt підтримує оптимізацію та планування сценаріїв, тоді як NeMo Data Libraries, NeMo AutoModel та NeMo RL інтегруються з Palantir Autopilot у тому, що компанії описують як керований цикл навчання, що вимірює рішення проти реальних результатів. Компанії заявили, що планують поширити отримані знання з розгортання NVIDIA на підприємства у галузях виробництва, енергетики, охорони здоров’я, автомобілебудування та аерокосмічної промисловості.