NVIDIA 於 2026 年 9 月 10 日分享一個與 Palantir 建立的 Digital Supply Chain Intelligence command center。目標是處理由 wafer-out 到 first token 的供應鏈時間：不同 GPU、CPU、記憶體、製造站、承諾和運輸狀態每週改變，團隊需要重新決定受限物料應該分配到哪個製造站。這個案例的重點，不是用 AI 取代規劃員，而是把分散的定量和定性訊號放進同一個決策流程。
Palantir Foundry 的 Ontology 連接物料、製造站、commitments、capacity、allocations、production outputs 和非結構化訊號，形成受治理的操作資料層。NVIDIA 把風險、阻塞、決策隊列、供應移動和產能趨勢放在一個 command center 中，讓規劃員可以模擬不同情境。這種資料模型比單純把更多表格送入模型更重要，因為它保留了物件之間的關係，以及每個決定當時可知道的上下文。
定量部分由 NVIDIA cuOpt 處理。它把物料分配表述為 mixed-integer linear program，以最小化 Time of Ownership（TOO）為目標，並回報當週真正限制結果的 binding constraints。規劃員因此不只得到一個分配答案，也可以問「如果記憶體少百分之十」或「新增製造站」會發生甚麼。求解器負責清楚的數學空間，讓人把注意力放到取捨和例外，而不是手動重算所有組合。
NVIDIA 和 Palantir 的歷史回測亦顯示，數學模型看不到全部現實。規劃員會參考當週與供應商的電郵、重要地區的天氣預測、地緣政治事件、supplier debrief 和多年經驗；這些訊號可能改變一個看似合理的 allocation。於是工作流把每次決策、理由、預期結果和實際結果都寫回 Ontology，讓「專家當時怎樣判斷」變成可檢視、可重播的資料。
下一步是後訓練一個專門模型。NVIDIA 表示選用 Nemotron 3.5 Lightning 作為 agentic workflow 的 execution layer，模型約有 300 億參數、每次 forward 約 30 億 active parameters。資料流程包括 NeMo Anonymizer、NeMo Data Designer、LoRA supervised fine-tuning 和 point-in-time backtest；Palantir Autopilot 負責訓練、部署、監控和 lineage。模型收到當前上下文後提供建議、理由和風險，最後仍由 planner 作決定。
NVIDIA 報告的 development benchmark 中，後訓練 Nemotron 3.5 Lightning 達到 86.7% allocation-decision accuracy，Nemotron 3 Ultra 為 55.5%，base Lightning 為 17.5%。平衡準確率和 Macro-F1 分別是 58.6% 和 57.5%。這些數字來自 NVIDIA 與 Palantir 的特定工作流、資料和評估設計，不是跨供應鏈或跨企業的通用 benchmark；真正值得借鑑的是它把部署前的 point-in-time replay 變成門檻。
回饋迴路亦有清楚限制。每次接受、編輯、override 和 production outcome 都會寫回 Ontology，累積到有足夠代表性的資料才考慮下一次受治理的訓練。NVIDIA 明確表示模型不會在 production 自己重新訓練，未來才可能把接受和 override 變成涵蓋正確性、政策合規和 evidence grounding 的 preference pairs。這保留了模型更新前的審查點，也避免一次錯誤推薦直接改變之後的規則。
這個案例說明企業 AI 的一個實際方向：把專家判斷、資料關係、最佳化器、專門模型和人手批准組成同一個 decision loop。模型不是孤立的預測器，亦不是無人監督的採購員；它是在可重播的上下文中提出建議，並把結果帶回下一輪評估。對任何有大量例外和隱性知識的流程，先保存「當時知道甚麼、做了甚麼、為甚麼、結果如何」，往往比先追求一個更大的模型更有長期價值。
