NVIDIA 于 2026 年 9 月 10 日分享一个与 Palantir 建立的 Digital Supply Chain Intelligence command center。目标是处理从 wafer-out 到 first token 的供应链时间：不同 GPU、CPU、内存、制造站、承诺和运输状态每周变化，团队需要重新决定受限物料应该分配到哪个制造站。这个案例的重点不是用 AI 取代规划员，而是把分散的定量和定性信号放入同一个决策流程。
Palantir Foundry 的 Ontology 连接物料、制造站、commitments、capacity、allocations、production outputs 和非结构化信号，形成受治理的操作数据层。NVIDIA 把风险、阻塞、决策队列、供应移动和产能趋势放在一个 command center 中，让规划员可以模拟不同情境。这种数据模型比单纯把更多表格送入模型更重要，因为它保留了对象之间的关系，以及每个决定当时可知道的上下文。
定量部分由 NVIDIA cuOpt 处理。它把物料分配表述为 mixed-integer linear program，以最小化 Time of Ownership（TOO）为目标，并报告当周真正限制结果的 binding constraints。规划员因此不只得到一个分配答案，也可以问「如果内存少百分之十」或「新增制造站」会发生什么。求解器负责清楚的数学空间，让人把注意力放在取舍和例外，而不是手动重算所有组合。
NVIDIA 和 Palantir 的历史回测也显示，数学模型看不到全部现实。规划员会参考当周与供应商的邮件、重要地区的天气预报、地缘政治事件、supplier debrief 和多年经验；这些信号可能改变一个看似合理的 allocation。于是工作流把每次决策、理由、预期结果和实际结果都写回 Ontology，让「专家当时怎样判断」成为可检查、可重放的数据。
下一步是后训练一个专门模型。NVIDIA 表示选择 Nemotron 3.5 Lightning 作为 agentic workflow 的 execution layer，模型约有 300 亿参数，每次 forward 约 30 亿 active parameters。数据流程包括 NeMo Anonymizer、NeMo Data Designer、LoRA supervised fine-tuning 和 point-in-time backtest；Palantir Autopilot 负责训练、部署、监控和 lineage。模型收到当前上下文后提供建议、理由和风险，最后仍由 planner 作决定。
NVIDIA 报告的 development benchmark 中，后训练 Nemotron 3.5 Lightning 达到 86.7% allocation-decision accuracy，Nemotron 3 Ultra 为 55.5%，base Lightning 为 17.5%。平衡准确率和 Macro-F1 分别是 58.6% 和 57.5%。这些数字来自 NVIDIA 与 Palantir 的特定工作流、数据和评估设计，不是跨供应链或跨企业的通用 benchmark；真正值得借鉴的是它把部署前的 point-in-time replay 变成门槛。
反馈回路也有清楚限制。每次接受、编辑、override 和 production outcome 都会写回 Ontology，积累到有足够代表性的数据才考虑下一次受治理的训练。NVIDIA 明确表示模型不会在 production 自己重新训练，未来才可能把接受和 override 变成涵盖正确性、政策合规和 evidence grounding 的 preference pairs。这保留了模型更新前的审查点，也避免一次错误建议直接改变之后的规则。
这个案例说明企业 AI 的一个实际方向：把专家判断、数据关系、优化器、专门模型和人工审批组成同一个 decision loop。模型不是孤立的预测器，也不是无人监督的采购员；它是在可重放的上下文中提出建议，并把结果带回下一轮评估。对任何有大量例外和隐性知识的流程，先保存「当时知道什么、做了什么、为什么、结果如何」，往往比先追求一个更大的模型更有长期价值。
