NVIDIA 与 Palantir 宣布面向供应链的主权 AI 堆栈

NVIDIA 与 Palantir Technologies 于 2026 年 9 月 10 日宣布合作，将主权 AI 引入关键供应链，首个共同构建的 AI 堆栈将在 NVIDIA 自己的供应链运营中部署。

该堆栈将 NVIDIA 的 Nemotron 开源模型引入 Palantir Foundry 和 Palantir 的人工智能平台（AIP），并以 Palantir 本体为基础。两家公司表示，该系统为供应链团队提供共享指挥中心，首先用于材料分配决策，同时客户仍保有对其专有数据的控制权和所有权。该堆栈将在 Palantir 的 AIPCon 11 大会上展示，双方称农业、制造、制药、零售、技术和政府等行业的组织均可将其应用于自身供应链。

NVIDIA 表示，其供应链涵盖数百万零部件、数千家供应商以及全球制造合作伙伴网络，且将机架级 AI 系统投入生产需要计算、内存、网络、电力、冷却和机械部件的协同可用性。公告称，每个 NVIDIA Vera Rubin 机架包含 130 万个部件。

在 联合公告 中，Palantir 联合创始人兼 CEO Alex Karp 表示: “NVIDIA 可以说拥有全球最有价值、最复杂且最精细的供应链。我们基于 Nemotron 模型和本体的主权堆栈正提供超前的能力，同时提供其他方式无法获得的 alpha 保护特性。”

NVIDIA 创始人兼 CEO Jensen Huang 表示，两家公司旨在将 AI 基础设施背后的运营图谱转化为主权智能，将 Nemotron 模型与 Palantir 的本体结合，以协调从晶圆生产到令牌输出的全链路。

NVIDIA 的供应链与 Foundry 指挥中心

在与公告同步发布的 技术博客文章 中，NVIDIA 表示其衡量供应链绩效的范围从晶圆出货到首个令牌。该时间段分为两部分: “time-to-rack” 指从硅片离开晶圆厂到组装系统抵达数据中心机房的过程，“time-to-token” 则涵盖使基础设施产生效能的电力、冷却、网络和软件工作。

Grace Blackwell NVL72 平台依赖数百万部件和数千家供应商，最终系统由数十家 OEM 和 ODM 组装。单个 GB200 NVL72 计算托盘——机架中的十八个之一——需要两颗 Grace CPU、四块 Blackwell GPU 和 32 组 HBM3e 内存堆栈，NVIDIA 表示为 Vera Rubin 构建的供应链规模是 Grace Blackwell 供应链的两倍。为追踪材料闲置时长，NVIDIA 使用名为 “Time of Ownership” 的指标: 即材料从制造现场接收至作为子组件或产品离开的时间间隔。

每周，计划人员会手动重新处理 NVIDIA 所称的关键材料分配问题，决定在本季度及下季度将何种材料及其数量分配到各制造站点。为支持此工作，NVIDIA 的供应链运营团队与 Palantir 在 Foundry 上构建了数字供应链智能指挥中心，利用本体将材料、制造站点、承诺、产能、分配、生产输出以及非结构化的定性信号统一到受治理的数据层中。

NVIDIA cuOpt 是该公司用于 GPU 加速决策优化的开源库，它将每周的分配问题求解为目标是最小化 “Time of Ownership” 的混合整数线性规划，输入来自本体，结果写回为分配决策。文章指出，cuOpt 还能识别哪些约束是绑定的，从而使计划人员能够判断是产能还是内存供应限制了某周，并可测试如内存供应削减 10% 或新制造站点上线等情景。

后训练 Nemotron 在分配决策中的应用

NVIDIA 与 Palantir 对历史分配决策进行了回测，与实际结果对比后，文章报告称人工计划人员的表现优于求解器，因为计划人员依据求解器无法获取的信息进行决策: 与合作伙伴的邮件往来、关键地区的恶劣天气预报、地缘政治事件以及供应商简报记录，加上多年累积的专业经验。团队围绕这些专业知识重建了工作流，将每一次分配决策、其理由、预期结果和实际结果记录在本体中。

这些记录成为了训练数据。团队对 Nemotron 3.5 Lightning 进行后训练，这是一种开放权重的混合专家模型，拥有 300 亿参数，每次前向传播约激活 30 亿参数，文章称之所以选择该模型是因为它专为代理工作流的执行层打造，并且开放模型可以在组织自有计算边界内进行后训练。该流水线使用 NeMo Anonymizer 去除个人可识别信息，使用 NeMo Data Designer 生成并平衡合成样本，使用 NeMo AutoModel 训练少量 LoRA 适配器参数，而基础权重保持冻结，Palantir Autopilot 管理从本体数据到部署模型的全生命周期。

根据文章中描述的开发基准，后训练模型的分配决策准确率达到 86.7%，而更大的 Nemotron 3 Ultra 为 55.5%，基础版 Nemotron 3.5 Lightning 为 17.5%。NVIDIA 报告的平衡准确率为 58.6%，相较于 Ultra 的 42.0%；宏观 F1 分数为 57.5%，相较于 39.5%。作者指出，这些指标对每种决策类型赋予相同权重，这一点很重要，因为计划人员削减分配的频率远高于提升分配的频率。

文章提醒，这些提升主要集中在模型后训练所在的领域，尽管经过微调，预测未来生产风险仍然困难。根据文章，LoRA 训练在两块 NVIDIA B200 GPU 上几分钟即可完成，轻量到可以在反馈累积时重复进行。

模型会推荐一个带有理由和风险说明的分配范围，但由人工计划人员审查每项推荐并作出最终决定。每一次接受、编辑、覆盖以及生产结果都会写回本体，直至拥有足够的代表性数据以进行下一次受治理的训练。文章指出，模型在生产环境中从不自行再训练，累计的反馈旨在未来支持强化学习。

主权部署与基础设施合作伙伴

鉴于 NVIDIA 供应链的敏感性，部署基于 NVIDIA 参考架构以及联合开发的 Palantir Sovereign AI Operating System 参考架构（即 SAIOS），该架构得到 Dell Technologies 和 Cisco 的支持。两家公司表示，该堆栈可在本地部署，系统制造商包括 Cisco 和 Dell，亦可在共址和云环境中部署，合作伙伴包括 Rackspace 和 Nebius。

在 Palantir AIP 中，cuOpt 支持优化和情景规划，而 NeMo Data Libraries、NeMo AutoModel 和 NeMo RL 与 Palantir Autopilot 集成，形成公司所描述的受治理学习循环，以将决策与真实世界结果进行对比。两家公司表示，计划将从 NVIDIA 部署中获得的经验推广至制造、能源、医疗、汽车和航空航天等行业的企业。