回看 2 天 · 新增 2 篇（编辑内容 2，软文 0）· 来源 artificialintelligence-news.com

今日速览

今天只有 2 篇文章，且同一作者、同一主题：供应链 AI 从"看见"走向"行动"。最值得知道的是 NVIDIA 公开了自家用 Palantir Foundry + cuOpt + 微调后的 Nemotron 3.5 Lightning 做全球工厂分配决策的实战案例，并给出了可核对的准确率数字（86.7% vs 55.5%）。另一篇是观点稿，论证行业花了十年钱买"检测"却没买"授权行动"。无监管生效或合规截止事项，无需立即行动。

逐篇要点

• Palantir Foundry 与 cuOpt 驱动 NVIDIA 供应链分配（2026-09-11 · AI Business Strategy / AI Hardware & Chips / AI in Action / Data Engineering & MLOps）
  NVIDIA 运营团队用 Palantir Foundry 搭建"Digital Supply Chain Intelligence"指挥中心，把工厂、供应商承诺、零件库存、生产目标建成 Ontology 对象；开源 GPU 优化库 cuOpt 直接读取这一层，以混合整数线性规划（MILP）最小化 NVIDIA 自定义指标 Time of Ownership（TOO，从物料到厂到子组件出厂的时长），每周在滚动两个季度的窗口上重排工厂分配。纯数学优化抓不住供应商通话记录、天气、合作方邮件、地缘政治等非结构化变量，于是又用 NeMo 工具链（Anonymizer 脱敏、Data Designer 合成中断场景、AutoModel 做 LoRA）后训练开源权重 MoE 模型 Nemotron 3.5 Lightning，Palantir Autopilot 管数据血缘和推荐下发。规划员的修改、覆盖和实际工厂产出持续写回 Ontology，下一步用作强化学习的偏好对。这是少见的、由芯片厂自己披露的 AI 决策落地案例，且 Vera Rubin 供应链规模翻倍意味着该系统将承担更重的负载。
  关键数字：NVL72 机柜含 18 个计算托盘，每托盘 2 颗 Grace CPU、4 颗 Blackwell GPU、32 颗 HBM3e 封装；Vera Rubin 供应链规模是 Grace Blackwell 的 2 倍；分配每周重排、滚动 2 个季度；Nemotron 3.5 Lightning 总参数 300 亿、每次前向约 30 亿激活；后训练模型决策准确率 86.7%，对比更大的 Nemotron 3 Ultra 55.5%、未调优 Lightning 基座 17.5%；balanced accuracy 58.6%（Ultra 42%）、macro-F1 57.5%（Ultra 39.5%）；微调在 2 块 B200 上数分钟完成。
  需要留意：文中自己承认"对更远期的生产风险预测仍然困难"；86.7% 的"决策准确率"与 58.6% 的 balanced accuracy 差距很大，说明类别不均衡明显，头条数字偏乐观；评估在历史分配记录上完成，未给出上线后对 TOO 或交付时间的实际改善数据；文章全部素材来自 NVIDIA 与 Palantir 两家利益相关方，且 cuOpt、Nemotron、NeMo 均为 NVIDIA 自家产品，带明显自我推广性质。
  原文
• 供应链检测快、行动慢：AI 智能体如何补上这一环（2026-09-11 · AI Business Strategy / AI in Action / AI Market Trends / Deep Dives）
  观点长文，核心论点是过去十年供应链 AI（可视化平台、控制塔、风险评分、数字孪生、异常看板）大幅压缩了"事件到知晓"的时间，却几乎没有压缩"知晓到商业动作"的时间，因为厂商卖的是不需要签字的"洞察"而不是要动钱和合同的"行动"。作者提出"有边界的行动"模式：把改招标承运商、合并出库波次、指定 SKU 换空运、跨 DC 调安全库存这类可重复决策写成"条件 + 动作 + 花费上限 + 审计轨迹"的政策对象，让智能体在围栏内自动执行、越界才升级到人，类比制造业的机器互锁。落地三个前提：决策从个人经验写成政策、TMS/WMS/采购系统接受机器发起的交易、追责对象从人转向政策和数据。
  关键数字：J.S. Held 报告称 2025 年供应链中断成本约 1840 亿美元；Knosc 2026 调查：供应链团队 28% 工时在应对中断；Capgemini 2025：70% 大企业高管把 AI 驱动的新一代供应链列入前三技术趋势；Gartner 2025：仅 23% 供应链组织有正式 AI 战略；FourKites 与 ABI Research 2025：仅 27% 组织允许 AI 自主行动，52% 限于决策支持；作者举例的政策规则"A 类品海运延误 48 小时后改空运"。
  需要留意：全文是作者论断，没有任何一家企业实施"有边界行动"后的效果数据；1840 亿美元被作者重新解释为"行动滞后的账单"，但原报告并未这样归因，这是修辞而非证据；引用的多项调研来自 Knosc、FourKites 等本身销售供应链软件的厂商；作者自己也承认"未来两年的工作更多是决策设计而非模型训练"，即瓶颈在组织与文化，AI 技术本身不是解法。
  原文

主线观察

两篇文章互为正反例：观点稿说行业只买"检测"、不敢给软件授权，而 NVIDIA 案例恰恰展示了授权后的形态，即 cuOpt 直接产出每周分配计划、Nemotron 给出推荐，但仍保留规划员修改与覆盖，且明确"生产模型与实时无监督再训练严格隔离"。这说明即便是最激进的落地者，也仍停在"有边界行动 + 人可覆盖"的阶段，印证了观点稿所述围栏模式是现实路径，而非全自动。另一个值得注意的对照是技术路线：NVIDIA 把确定性部分交给 MILP 求解器，只让 LLM 处理非结构化信号，而观点稿把瓶颈归到政策设计和系统接口，两者共同指向一个结论：供应链 AI 的下一步竞争点不在模型能力，而在把决策规则显性化并让执行系统接受机器发起的交易。此外 NVIDIA 稿件里 86.7% 与 58.6% 的落差提醒管理者，看供应链 AI 的效果指标时要追问类别分布，头条准确率往往不能代表在少数关键中断场景上的表现。

本期编辑内容清单