NVIDIA、サプライチェーンの部品配分にLLM「Nemotron」とPalantirを導入　専門家の判断ノウハウをモデル化し精度86.7%を達成

要点

• NVIDIAは、Palantir Foundry上に構築した司令センターと自社LLM「Nemotron」を活用し、AIインフラ製造における重要部品の配分判断を効率化する仕組みを構築した。

• 数理最適化ツール「NVIDIA cuOpt」による計算に対し、人間の担当者が天候や地政学リスクなどの定性情報を加味して高い成果を出していたノウハウをAIモデルへ学習させた。

• 過去の配分判断とその理由を事後学習した30Bモデル「Nemotron 3.5 Lightning」は、配分判断ベンチマークで86.7%の精度を達成した。

• 採用・修正・上書きされた配分結果をデータ基盤にフィードバックして再学習を行うことで、組織的な知見の蓄積と担当者の育成期間短縮を実現する。

• NVIDIAは2026年9月10日、同社公式のTechnical Blogにおいて、AIインフラのサプライチェーンにおける重要部品の配分判断を自動化・効率化する取り組みを公開した。米Palantir Technologiesのデータ基盤「Palantir Foundry」とNVIDIAの大規模言語モデル（LLM）「Nemotron」を組み合わせ、人間の専門家が持つ高度な判断ノウハウをAIモデルとして体系化したという。

巨大化するAIインフラ製造と「Time-to-rack」短縮の課題

NVIDIAは、半導体製造からシステム稼働までのパフォーマンス指標として、ウエハー出荷（wafer-out）から最初の推論・学習処理（first token）までの期間を定めている。この期間は、シリコンが製造工場を出て組み立て済みシステムがデータセンターに届くまでの「Time-to-rack」と、電源・冷却・ネットワーク・ソフトウェアを整備して稼働させる「Time-to-token」の2つに分かれており、今回の取り組みは主にTime-to-rackの短縮を目的としている。

同社のAIインフラ「NVIDIA Grace Blackwell NVL72」は、世界中の数千におよぶサプライヤーから供給される数百万個の部品で構成され、最終的な組み立ては数十社のOEM/ODM（受託製造企業）が担っている。1ラックに18基搭載されるコンピュートトレイ（計算処理ユニットを収めたトレイ状の筐体）の1つだけでも、Grace CPUが2基、Blackwell GPUが4基、HBM3eメモリスタックが32基必要となる。さらに、次世代アーキテクチャ「Vera Rubin」向けに構築されたサプライチェーンの規模は、Grace Blackwellの2倍に達するという。

受託製造業者は、NVIDIA直接供給、受託在庫、サプライヤー直送の3つの調達ルートからすべての部品が揃わなければ組み立てを開始できない。一部の部品が早期に到着しても、遅延している部品を待つことになるため、製造拠点に部品が到着してから製品として出荷されるまでの滞留時間を示す「Time of Ownership（TOO）」をいかに最小化するかが課題となっていた。部品の入手性は週ごとに変動するため、各製造拠点にどの素材をどれだけ割り当てるかという「重要素材配分問題」は、四半期先を見据えて毎週手動で再計算されていた。

数理最適化の限界と「人間の専門知識」の統合

NVIDIAはこの課題に対し、Palantir Foundry上に「Digital Supply Chain Intelligence」司令センターを構築した。資材、製造能力、定性的なシグナルを統合した上で、GPUアクセラレーションを活用した最適化ライブラリ「NVIDIA cuOpt」を用い、製造拠点全体のTOOを最小化する週次の混合整数線形計画問題（離散変数を含む最適化計算手法）を解き、ボトルネックとなっている制約を可視化する体制を整えた。

しかし、定量的な数理モデルの計算結果に対し、人間の計画担当者はそれを上回る成果を一貫して出していたという。人間の担当者は、数理モデルのソルバーには入力されない電子メール、天気予報、地政学的イベント、サプライヤーからの報告といった多様な定性情報を取り入れて判断を下していたためである。同社は、Time-to-rackの短縮にはリアルタイムの可視性や冗長性、信頼性に加え、こうした人間の専門知識の体系化（Codification）が最も大きな変革をもたらすと結論づけた。

特化型LLM「Nemotron 3.5 Lightning」で精度86.7%を記録

そこでNVIDIAは、人間の担当者が行った過去の配分決定、その根拠、実際の結果を収集・データ化し、LLMの事後学習（ポストトレーニング）を実施した。データの匿名化や設計を行う「NeMo Anonymizer」「Data Designer」「AutoModel」を活用し、Palantir Autopilotのガバナンスライフサイクル内でパラメータ数300億（30B）のモデル「Nemotron 3.5 Lightning」に追加学習を施した。

開発用ベンチマークで検証した結果、特化学習を行ったNemotron 3.5 Lightningは、配分決定の精度で86.7%を達成した。この数値は、パラメータ規模で上回る「Nemotron 3 Ultra」を31.2ポイント上回り、事後学習前のベースモデルと比較して69.2ポイントの大幅な精度向上を記録したとしている。

組織知識のフィードバックループと運用の効率化

システムから提示された推奨配分案に対し、人間の担当者が承認、修正、あるいは上書き（オーバーライド）した結果は、業務データの関係性を定義したオントロジー（Ontology）に逐次フィードバックされる。これにより、ガバナンスを保った状態での継続的な再学習が可能となり、組織全体の知見として蓄積されていくという。

NVIDIAは、一連の仕組みによって複雑な配分判断の属人化を防ぎ、新任担当者が業務に習熟するまでのオンボーディング期間を大幅に短縮できると説明している。