Palantir Foundry 与 cuOpt 驱动 NVIDIA 供应链分配

# Palantir Foundry与cuOpt驱动NVIDIA供应链分配 来源：https://www.artificialintelligence-news.com/news/palantir-foundry-cuopt-nvidia-supply-chain-allocation/ NVIDIA正运用Palantir Foundry (https://www.palantir.com/platforms/foundry/)与cuOpt (https://www.nvidia.com/en-gb/ai-data-science/products/cuopt/)，在全球制造工厂中自动化其硬件供应链分配决策。 公司以从“晶圆出厂”到“首个令牌生成”的周期衡量运营交付效率。该窗口细分为“上架时间”（从晶圆厂输出到组装完成数据中心系统的运输时间）和“令牌生成时间”（涵盖供电、冷却、网络及首日就绪软件准备）。 ### 管理NVL72与Vera Rubin组件流转 硬件扩展加剧了供应约束。NVIDIA Grace Blackwell NVL72机架包含18个计算托盘，每个托盘需要2个Grace CPU、4个Blackwell GPU和32个HBM3e内存封装，这些元件来自数千家供应商、OEM厂商及合同设计合作伙伴。 为NVIDIA未来Vera Rubin架构构建的供应链网络规模是Grace Blackwell支持网络的两倍。 组装工作必须等待三个指定渠道的零部件到货才能进行：直接库存、寄存库存和外部供应商。早期发货必须等待延迟组件，这延长了NVIDIA称为“所有权时间”的指标（从设施接收材料到成品子组件发货的时长）。 工厂分配每周基于滚动两季度前景进行调整，以解决零部件可用性、产能限制和客户履约计划问题。 ### 基于cuOpt的混合整数线性规划 为协调这些依赖关系，NVIDIA运营团队使用Palantir Foundry构建了“数字供应链智能”指挥中心。Foundry的本体系统将设施、供应商承诺、组件库存和生产目标建模为相互关联的对象和链接。 NVIDIA cuOpt——一个用于GPU加速决策优化的开源库——直接读取该运营层。求解器将分配表述为一个旨在最小化所有权时间的混合整数线性规划，评估物料清单每个层级的零部件约束。 除输出每周交付计划外，cuOpt还能识别活跃的工厂限制因素，例如区域组装产能上限与原始内存可用性之间的匹配问题。 ### 基于定性运营记录训练Nemotron 仅靠数学优化无法捕捉人类规划师观察到的非结构化运营变量，包括供应商通话记录、区域天气预报、合作伙伴邮件往来和地缘政治事件。 NVIDIA通过微调Nemotron 3.5 Lightning (https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4) 解决了这一问题——这是一个开源权重的混合专家模型，拥有300亿总参数，每次前向传播约激活30亿参数。 工程流程通过NeMo Anonymizer (https://github.com/NVIDIA-NeMo/Anonymizer) 处理历史记录以脱敏敏感运营字段，使用NeMo Data Designer (https://github.com/NVIDIA-NeMo/DataDesigner) 通过合成产能中断场景平衡训练样本，并借助NeMo AutoModel (https://github.com/NVIDIA-NeMo/Automodel) 应用低秩适配参数同时保持基础模型权重冻结。Palantir Autopilot (https://palantir.com/docs/foundry/autopilot/overview/) 管理数据溯源、模型追踪和推荐交付。 ### 生产基准测试与未来强化学习 在历史分配记录评估中，微调后的Nemotron 3.5 Lightning模型达到86.7%的决策准确率，而较大的Nemotron 3 Ultra模型为55.5%，未微调的Lightning基础模型仅为17.5%。 微调模型实现58.6%的平衡准确率和57.5%的宏观F1分数，优于Nemotron 3 Ultra的42%平衡准确率和39.5%宏观F1分数。 经微调的NVIDIA Nemotron 3.5 Lightning AI模型准确率评分结果。微调在两块NVIDIA B200 GPU上数分钟内完成。领域微调提升了分配决策质量，但更远未来的生产风险预测仍然具有挑战性。 运营选择、规划师修订、覆盖操作及观测到的工厂产出会持续写入Palantir本体系统。 NVIDIA确认该数据集将构成强化学习例程的偏好对——根据分配精度、策略合规性和证据依据对推荐进行评分——且生产模型严格与实时且未经监控的再训练过程隔离。 **另请参阅：****供应链快速检测、缓慢行动：AI智能体如何解决** (https://www.artificialintelligence-news.com/news/supply-chains-detect-fast-act-slow-how-ai-agents-fix-it/) AI与大数据博览会系列活动横幅。 (https://www.ai-expo.net/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series)**想向行业领袖了解更多AI与大数据知识？**查看在阿姆斯特丹、加利福尼亚和伦敦举办的AI & 大数据博览会 (https://www.ai-expo.net/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series)。该综合活动是TechEx (https://techexevent.com/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series) 的一部分，并与包括网络安全与云计算博览会 (https://cybersecuritycloudexpo.com/?utm_source=CloudTech-News&utm_medium=Footer-banner&utm_campaign=world-series) 在内的其他领先技术活动同期举办。点击此处 (https://techexevent.com/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series) 获取更多信息。 AI新闻由TechForge Media (https://techforge.pub/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series) 支持。在此处 (https://techforge.pub/events/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series) 探索其他即将举行的企业技术活动和网络研讨会。