知识卡片：NVIDIA 与 Palantir 用 Nemotron 和 Foundry 编码供应链分配专家判断

一句话结论

NVIDIA 与 Palantir 将供应链关键物料分配中的专家决策、理由与结果沉淀到 Palantir Foundry 的 Ontology，用 NVIDIA cuOpt 求解每周最小化 Time of Ownership 的混合整数线性规划，并后训练 Nemotron 3.5 Lightning 生成可解释的分配建议；来源称该专用 30B 模型在开发基准上达到 86.7% 的分配决策准确率。

事件概述或研究问题

NVIDIA 称其供应链规模大且复杂，绩效从 wafer-out 到 first token 衡量，分为 time-to-rack 与 time-to-token 两段。Grace Blackwell NVL72 等平台涉及数百万零部件、数千供应商和数十家 OEM/ODM。关键物料分配问题（critical material allocation problem）每周需要人工重新处理，且瓶颈会在 GPU、CPU、内存、入站时点和客户承诺之间变化。

文章主要关注 time-to-rack，并提出压缩该时间的四项条件：实时可见性、冗余、上游生产承诺可靠性、以及把人类专家判断编码为可持续积累的知识。核心工程问题是：如何将规划者基于邮件、天气、地缘政治、供应商 debrief 等定性信号做出的分配判断，转化为可审查、可复用、可训练的决策智能。

方法/产品要点

• Digital Supply Chain Intelligence command center：NVIDIA 供应链运营团队与 Palantir 合作，在 Palantir Foundry 上构建统一视图，呈现风险、阻塞点和影响分配决策的信号。
• Palantir Foundry Ontology：连接 materials、manufacturing sites、commits、capacity、allocations、production outputs 以及非结构化定性信号，形成一个受治理的数据层；以 objects and links 而非 rows and tables 组织。
• NVIDIA cuOpt：开源 GPU 加速决策优化库。它从 Ontology 读取输入，把分配问题建模为混合整数线性规划，目标最小化 Time of Ownership（TOO），并写回分配决策；同时报告哪些约束是 binding constraints。
• 人类规划者的补充作用：来源称，NVIDIA 与 Palantir 对历史分配决策做回测后发现，人类规划者持续优于纯定量模型，因为他们能纳入 solver 看不到的信息，如当周邮件、恶劣天气预报、地缘政治事件、供应商 debrief 记录和多年经验。
• 模型后训练：在评估 NVIDIA Nemotron 开放模型后，选择 Nemotron 3.5 Lightning，因为其面向 agentic workflow 的执行层。来源称其采用 mixture-of-experts 架构，30B 参数、每次前向传播约 3B active，适合学习聚焦策略且训练/部署成本相对低。
• 训练与治理流程：NeMo Anonymizer 去标识化并混淆敏感字段；NeMo Data Designer 扩展和平衡合成数据；NeMo AutoModel 用 LoRA 监督微调，基础权重保持冻结；Palantir Autopilot 管理从 Ontology 数据到部署监测和 lineage 的端到端生命周期。
• 评估方式：使用 point-in-time backtest，只给模型决策当天已知的信息，隐藏结果，并将模型推荐与规划者决策及实际结果对比。主要问题是：如果该模型上个月运行，它是否会做出正确分配决策？
• 部署交互与闭环：部署后模型读取当前运营上下文，返回推荐、理由和风险；规划者审阅并做最终决定。接受、编辑、覆盖和生产结果会写回 Ontology，用于未来受治理的重训练。

主要结果或产业意义

来源称，专用 30B 模型在开发基准上达到 86.7% allocation-decision accuracy，领先更大的 Nemotron 3 Ultra 31.2 个百分点，领先自身基础模型 69.2 个百分点。反馈闭环使接受、编辑、覆盖和生产结果进入 Ontology，未来重训练可复合机构知识并缩短 onboarding。

产业意义在于：该案例把优化求解、专家判断、LLM 后训练和治理数据层结合，形成可解释、可持续改进的供应链决策系统，而不是只追求单次数学最优解。

为什么重要

供应链关键物料分配是动态组合问题，纯数学优化难以捕获最新定性信号和现场判断。NVIDIA 与 Palantir 的路径是：用 cuOpt 处理可形式化部分，用 Nemotron 后训练编码专家判断，用 Ontology 和 Autopilot 保持数据—模型—建议的 lineage，并用 point-in-time backtest 门控部署。

增量方面：已有相关卡片主要涉及机器人和教育场景，本条是 AI 产业中“企业专家知识编码 + 供应链决策闭环”的案例，未发现与它们直接重复。

局限与不确定性

• 来源为 NVIDIA Technical Blog，页面含 AI-generated summary，并提示 AI 生成内容可能不完整，重要信息需核实。
• 86.7% 准确率对应的开发基准构成、样本量、时间范围、任务定义和基线公平性：待核实。
• 是否已在生产环境全面部署、模型建议实际采纳率、编辑/覆盖比例、业务收益或 ROI：待核实。
• 人类规划者“持续优于”定量模型的量化幅度与统计检验：来源未给出，待核实。
• Nemotron 3.5 Lightning、Nemotron 3 Ultra 的完整规格、许可与可用性：待核实。
• Palantir Foundry/Autopilot、NeMo 各组件的实际集成细节与数据治理边界：待核实。

可用于图书/PPT/简报的角度

• “数学优化停在哪里”：cuOpt 求解混合整数线性规划，但专家能纳入邮件、天气、地缘政治与供应商对话。
• “从经验到资产”：把分配决策、理由、预期和结果写成可训练数据，形成 AI flywheel。
• “人机协同而非替代”：模型给出推荐、理由与风险，规划者保留最终决定。
• “开源权重 + 企业治理”：open-weight Nemotron 可在自身计算边界内后训练，Palantir Autopilot 管理生命周期与 lineage。
• “供应链叙事指标”：Time of Ownership、wafer-out to first token、time-to-rack/time-to-token。
• “从优化到可解释”：binding constraints、推荐理由、风险提示、point-in-time backtest。

原始材料

• 原始标题：From Wafer-Out to First Token: Codifying Supply Chain Expertise with Nemotron and Palantir Foundry
• 来源：NVIDIA Technical Blog
• 作者：Nell Barber, Rana Haber, Aastha Jhunjhunwala
• 日期：Sep 10, 2026
• URL：https://developer.nvidia.com/blog/from-wafer-out-to-first-token-codifying-supply-chain-expertise-with-nemotron-and-palantir-foundry
• 英文关键词：NVIDIA, Palantir Foundry, NVIDIA cuOpt, Nemotron 3.5 Lightning, Nemotron 3 Ultra, NeMo Anonymizer, NeMo Data Designer, NeMo AutoModel, Palantir Autopilot, Time of Ownership (TOO), Digital Supply Chain Intelligence, Mixed-Integer Linear Program (MILP), LoRA, Ontology