NVIDIA 与 Palantir 推出工业供应链 AI 栈，NVIDIA 以“客户零号”部署到自家 Vera Rubin 供应链

据，NVIDIA 与 Palantir 公布了一套联合开发、面向工业供应链的主权 AI（sovereign AI）栈：NVIDIA 的开放 Nemotron 模型和 cuOpt 优化库，搭配 Palantir Foundry、AIP 与 Ontology，用于协调从晶圆出厂到首个 token 的物料分配。报道称，NVIDIA 自己成为这套栈的“客户零号”，部署对象则是自家的 Vera Rubin 供应链；单个 Vera Rubin 机架包含 130 万个零部件，来自数千家供应商。

同一天，发布了对这套系统的技术说明：NVIDIA 供应链运营团队与 Palantir 合作，在 Foundry 上搭建“数字供应链智能”指挥中心；cuOpt 每周求解一次混合整数线性规划（MILP），目标是最小化 Time of Ownership（TOO，物料持有时间）；团队还对 30B 参数的 Nemotron 3.5 Lightning 做了后训练，让它复现计划员的分配判断。在 NVIDIA 的开发基准上，后训练模型的分配决策准确率为 86.7%，NVIDIA 称它比 Nemotron 3 Ultra 高 31.2 个百分点，比未做后训练的基础版高 69.2 个百分点。上述数字均为 NVIDIA 自述，未经独立验证。

指挥中心：把物料、产能与定性信号汇入同一个 Ontology

NVIDIA 在博客中把自己的供应链描述成一道组合学难题：Grace Blackwell NVL72 平台的供应链横跨全球，整机由数十家 OEM 与 ODM（代工厂商）组装；仅一个计算托盘，也就是单个机架 18 个托盘中的一个，就需要 2 颗 Grace CPU、4 颗 Blackwell GPU 和 32 组 HBM3e（高带宽内存），而每个部件都有各自的物料清单、供应商和交期。

在制造端，合同制造商要等三个来源的零部件到齐才能开始组装：NVIDIA 直供的部件、NVIDIA 寄售库存里的部件，以及供应商供货。理想情况下所有部件同时到达；一旦不能，先到的部件就要等其余部件到齐。NVIDIA 从制造基地收到物料开始计时，到物料作为子组件或成品离开为止，这个指标就是 TOO。由于各零部件的供应每周都在变，公司必须不断决定把哪些紧缺物料、分配多少到哪个基地，博客称之为关键物料分配问题，目前每周人工重排一次；这套分配滚动覆盖本季度和下季度，最近几周已经锁定承诺，所以每周的新数据主要改变更远期的排期。

与 Palantir 的合作把这道题搬进了一个统一视图。Foundry 的 Ontology 用对象和链接而非行和表，把物料、制造基地、承诺、产能、分配、产出和定性信号连成一个受治理的数据层，让计划员可以模拟和分析更多分配场景，也为一个不断累积知识的“AI 飞轮”打下基础。

cuOpt 负责求解，回测解释了计划员的优势

分配先是一道定量题。决策变量是：下一段时期里，每种受限物料给到哪些基地、给多少、什么时间给。围绕它的是全部边界条件：哪些制造商能生产某种 Blackwell 子组件、每个基地在物料到站后能吸收多少产能，以及从整机向后映射的零部件依赖关系，让求解器知道，卡住一个计算托盘的是它最紧缺的输入，而不是平均水平。绑定约束并不固定，它在 GPU、CPU、内存之间逐周漂移，也随三条供应路线的到货时间以及已经对客户做出的承诺而变：某个基地的缺口代价多大，取决于这些承诺。

NVIDIA cuOpt 把上千个变量与约束收敛成一份周度分配。博客称，cuOpt 是一个开源、GPU 加速的决策优化库：它从 Ontology 取输入，把分配建模为混合整数线性规划，以最小化 TOO 为目标，再把结果写回为一条分配决策。它给出的不只是方案，还会报告哪些约束在起作用，让计划员看到某一周卡住数字的是台湾产能，而不是内存供应。由于求解很快，计划员可以围绕答案继续探索：本期内存少 10%、新制造基地上线，这类假设很快就能重新算一遍。计划员不再只向求解器要答案，也开始问它各种取舍。

但回测暴露了数学看不到的部分。NVIDIA 和 Palantir 用历史分配决策对照真实结果做了回测，发现计划员当时掌握着求解器看不到的信息：那一周与合作伙伴往来的邮件、关键区域的恶劣天气预报或正在发生的地缘政治事件、最后一通供应商复盘电话的记录，以及多年积累的经验。这些输入形成对下一期如何分配的直觉；博客称，正是这种直觉让人类专家优于纯粹的数学模型。

于是工作流围绕这些专家重新设计：系统记录下分配决策、背后的理由、预期结果和实际结果，把机构知识变成可以被审阅的决策逻辑；而这些数据都存放在 Ontology 中，也就同时成了训练模型的素材。

后训练 Nemotron 3.5 Lightning：匿名化、扩增、微调与回测

后训练的对象是 Nemotron 3.5 Lightning。博客称，在评估过 NVIDIA 的 Nemotron 开放模型后，团队选中了它：它面向智能体工作流的执行层，混合专家（MoE）架构带来高效的推理；30B 参数、每次前向约 3B 激活的体量既轻量，又足以学会一项聚焦的策略；而且因为开放权重，后训练可以在自己的算力边界内完成。

训练管线分四步，全部由 Palantir Autopilot 端到端管理：NeMo Anonymizer 做匿名化，去除个人可识别信息、模糊敏感字段；NeMo Data Designer 扩增并平衡样本，让模型不仅见到常规周，也见到分配上调、产能受限和中断场景；NeMo AutoModel 只训练一小组 LoRA（低秩适配）参数、冻结基座权重，以减少训练时间、显存占用和检查点体积；最后由时间点回测（point-in-time backtest）充当评估闸门。博客称，这次 LoRA 训练在两块 NVIDIA B200 GPU 上几分钟内完成，轻到可以随反馈积累反复执行。

评估用的还是同一份记录：回放每个历史决策时，只给模型当天可知的信息、隐藏最终结果，再把它与计划员的判断和真实结果对照。评估要回答的核心问题是：假如这个模型上个月已经在跑，它是否会做出正确的分配决策。部署之后，模型读取当前运营上下文，返回建议、理由与附带风险，计划员审阅后做最终决定。

据博客，这套开发基准来自双方共同定义的工作流：模型接收什么、可以建议什么、建议如何打分，都由这套流程规定；三个模型面对的是同一任务与同一评估数据。后训练版 Lightning 于该基准上取得 86.7% 的分配决策准确率，Nemotron 3 Ultra 为 55.5%，基础版 Lightning 为 17.5%。博客配图还列出了另外两项指标：平衡准确率 58.6% 对 Ultra 的 42.0%，Macro-F1 57.5% 对 39.5%。NVIDIA 解释后两项的意义：供应受限时，计划员削减分配的次数远多于上调分配，单看准确率会让一律猜多数类的模型显得好看。博客总结的结论是，在一个边界明确的分配任务上，专门化的 30B 模型能胜过参数量大了一个数量级以上的通用模型（配图把 Ultra 标注为 550B）。

边界也写在博客里：这不代表小模型整体上更强，它的增益集中在被后训练的领域；而且，未来产量风险的预测在微调之后依然困难：“专业化改善了决策任务，但没有解决所有附着其上的预测问题。”

“主权 AI”如何落地：数据、权重与推理都不出边界

博客把这条路线称为“实践中的主权 AI”：专有供应链数据、模型权重和推理全部留在同一个受治理环境内，组织可以在不把数据暴露出去的前提下跑同样的循环，部署位置可选本地或云端。博客还列出复刻这套飞轮的三个必要条件：一个受治理的操作层、包含理由与结果的决策记录，以及能在自有算力边界内做后训练的开放模型。

据 24/7 Wall St. 援引联合公告的报道，模型在专有数据上定制，部署可选本地（Cisco、Dell）或云端（Rackspace、Nebius）；整套栈基于 Palantir 的 Sovereign AI Operating System Reference Architecture（SAIOS，主权 AI 操作系统参考架构），并将在 Palantir 的 AIPCon 11 大会上展示。

这套栈的核心是一个闭环：每一次接受、修改、推翻，以及最终的生产结果，都会写回 Ontology，累积到有足够代表性的数据，再启动一轮受治理的再训练。博客称，未来这些反馈将用于强化学习：被接受和被推翻的建议构成偏好对，奖励覆盖分配正确性、策略合规与证据支撑；模型不会在生产环境中自我重训。

博客列出的回报有两个：计划员少花时间重建常规决策，从而覆盖更多基地和产品；分配经验沉淀为机构知识，缩短新人的上手时间。Palantir CEO Alex Karp 在二季度财报电话会上对投资者说（据 24/7 Wall St. 报道）：“我们与 NVIDIA 建立了合作伙伴关系，正在扩展应用层。”同一篇报道引述该公司 CTO Shyam Sankar 的说法称：“把 Nemotron Ultra 引入我们的技术栈后 24 小时内，我们就发现了五个生产任务，未经后训练的标准 Nemotron Ultra 在其中击败了前沿模型。”

Vera Rubin 出货爬坡、供应紧张与盘前反应

博客称，为 Vera Rubin 搭建的供应链规模是 Grace Blackwell 的两倍。24/7 Wall St. 的报道交代了这条供应链面对的压力：管理层告诉投资者，Vera Rubin 已于 2026 年 8 月开始出货，采购订单来自每一家主要超大规模云厂商、AI 云和系统 OEM，该平台预计占三季度数据中心收入的约 20%；供应约束至少会持续到 2028 财年年底。

NVIDIA CEO 黄仁勋在财报电话会上说：“我们的整个供应链都承压”“所有人都在全力运转。”CFO Colette Kress 把四季度非 GAAP 毛利率指引定在 71%～72%，归因于内存的“极端定价”；公司另有 2,790 亿美元供应义务，主要绑定 Vera Rubin 的内存采购。该报道还写道，软件无法凭空变出 HBM。

市场盘前的反应平淡：据同一报道援引 Barron's 的数据，NVIDIA 与 Palantir 的股价分别下跌 1.35% 和 1.88%。

该报道还认为，这桩合作比多数 AI 发布会多了一个可量化的指标：已出货的机架数。接下来要看两件事：AIPCon 11 能带来多少客户转化，以及 NVIDIA 是否会在下一次财报电话会上量化交付周期或良率的改善。