芯耀
与非AI
460
2026年9月10日，英伟达与Palantir宣布合作，先在英伟达供应链部署物料分配系统，争取缩短材料停留时间、加快机架交付。同期Astra需求增长，OpenAI收紧高用量Pro入口，算力容量面临压力。本文从这次合作出发，结合设计、制造环节的独立AI案例，观察不同任务中的效率改善如何转化为收益。
一家是全球市值最高的上市公司，一家是以高估值著称的软件企业。英伟达与Palantir再次联手，要先解决一件很具体的事：让机架更早交到客户手里。
2026年9月10日，双方宣布把AI系统先用进英伟达自己的供应链。芯片出厂后，内存、网络、电源与冷却部件还得配齐。哪批材料先送到哪里，优先满足哪项需求，都会影响机架何时能交付。合作先从物料分配入手，争取把这段等待缩短。
需求端也在等待更多算力。GPT‑6 Astra发布后，OpenAI自9月10日起暂停200美元/月Pro方案的新注册与升级，现有订阅不受影响。据CIO转述，OpenAI技术人员称需求激增给系统带来压力，公司正尽快增加容量。
新模型的需求增长，需要更多算力来承接。英伟达与Palantir则想从已有物料中争取时间，让它们少些等待、更快进入生产。卖算力的英伟达，也在尝试用AI加快算力的交付。
图1｜从芯片设计到机架交付的AI应用总览。
一、芯片已经出厂，交付为什么还要等？
物料已经在手，也可能因为地点、需求和生产安排对不上而等待。英伟达与Palantir将这些匹配工作交给一套协同系统：Palantir整理业务数据，cuOpt计算分配方案，定制Nemotron模型学习专家判断，规划人员复核后决定是否采用。
这套系统首先要缩短物料在制造地点停留的时间。NVIDIA把材料到达后、随子组件或产品离开前的这段间隔称为Time of Ownership（TOO）。它衡量时间，与总拥有成本TCO不同。
技术文档聚焦晶圆出厂至机架交付的time-to-rack阶段，不涉及晶圆内部制造工艺。“从晶圆出厂到首个token”则延伸至系统开始运行，计时范围与一次推理请求的首token延迟不同。
分配方案要同时满足库存位置、制造地点能力、需求优先级和时间安排。NVIDIA把这些要求写成混合整数线性规划，交由cuOpt在约束内计算，寻找物料停留时间最短的方案。
算出的方案仍需专家判断。供应承诺和运营变化未必及时体现在数据里，规划人员会据此调整分配。把调整理由和实际结果留下来，模型就有了学习企业经验的材料。
这些判断还要能落到具体业务上。Palantir的Ontology把数据记录组织成材料、地点、需求等对象，并关联对象的状态、关系和操作权限。模型因此能理解一条记录对应什么，生成的建议也能交回相应流程处理。
图2｜NVIDIA技术文档的原始架构图。左侧为Ontology、cuOpt、定制模型与人工规划人员组成的决策循环；右侧为数据处理、训练与按历史时点回测组成的受治理训练管线。
图中的左侧循环处理当次分配，右侧管线积累判断、理由与实际后果。数据经过处理和评估，才用于更新模型。分配执行和模型更新各有权限边界，规划人员仍负责复核。
二、模型学会专家的选择，交付就会更快吗？
目前能看到的是部分判断任务的改善，交付是否提速还要看运营数据。案例采用监督式LoRA微调，冻结基础模型权重，只训练低秩适配参数，让模型学习企业的专业判断。随后通过时点回测，在同一批历史决策上比较基模型与微调模型。
在分配决策开发基准中，微调后的Nemotron 3.5 Lightning总体准确率为86.7%，平衡准确率为58.6%，宏平均F1为57.5%。后两项用于观察各类别表现，补充总体准确率难以呈现的差异。
图3｜NVIDIA公布的分配建议开发基准原图，同时列出总体准确率、平衡准确率和宏平均F1。比较中Lightning使用BF16、Ultra使用NVFP4。
微调改善了分配建议，但预测未来生产风险仍然困难，外部扰动和更复杂的未来变化尚未得到解决。按技术文档所述，现场反馈可以继续积累，模型不会在生产环境自行再训练，强化学习仍是未来方向。
三、回到设计端，AI已经能接手哪些工作？
AI已能组织多步工程任务，结果仍需通过仿真、验证和签核。物料分配关注生产等待，设计端的独立案例则着眼于工程师的反复修改：理解规格、调用工具、检查结果，再根据反馈调整设计。
海外电子设计自动化（EDA）厂商Cadence于2026年6月介绍了ChipStack的自主能力。它从理解规格开始，覆盖寄存器传输级电路描述（RTL）生成、验证规划、调试与收敛。
代理会选择工具、检查中间结果，并调用Xcelium逻辑仿真和Jasper形式验证。前者执行测试，后者在给定模型和约束下检查逻辑性质。运行时沙箱控制数据与工具访问，工程师负责目标设定、过程监督和结果验收。
Cadence将这类自主能力称为其产品框架中的“Level-5”，相关能力与AgentStack编排框架计划2026年下半年向早期客户开放。
到了先进封装和印制电路板（PCB）设计，电气、热与机械问题也要一起考虑。Cadence于2026年7月发布的AuraStack将这些分析接入设计迭代，面向设计及制造准备，计划2026年内可用。
另一家海外EDA厂商Synopsys于2026年7月展示了验证代理。它读取规格、设计和测试库，再拆解目标，组织测试、故障定位和覆盖收敛，使既定覆盖指标达到项目要求。
公司演示称，获得已验证RTL的流程最高加速50倍，覆盖率改善20%。相关代理仍处于客户评估，计划2026年下半年可用。
国内团队也在向芯片前端的工程任务深入。2026年8月，丰台区融媒体中心在HICOOL丰台青年创业梦想赛报道中介绍，清芯智研团队来自清华大学，聚焦AI赋能数字芯片前端设计与验证，闫凌霄以CEO身份公开亮相。
这个切口贴近芯片工程师的日常工作。设计需求要转成电路逻辑，测试要覆盖可能出错的情形，发现问题后还要回到代码和设计中定位。AI可以参与其中的代码理解、测试构造和错误分析，再由仿真与验证工具检查结果。
清芯智研目前公开展示的仍是业务方向。对早期团队来说，围绕具体工程任务持续迭代，有机会将设计经验转为可复用的软件能力，也为国内AI设计工具提供了一个值得跟踪的新样本。
国内EDA厂商也在将智能体接入现有工具。合见工软于2026年9月发布Verification GOAT，覆盖仿真、调试和回归管理等验证任务，已提供早期试用版本。
芯华章于2026年7月发布智能验证系统X-IVS与智能设计系统X-IDS。英诺达则发布ETAS工具智能体平台，首批EnnoHow与EnnoFlow分别面向知识问答与文档、工具流自动化执行。
AI参与设计的过程，也能在芯片项目中观察到。OpenAI在2026年8月25日披露，AI参与Jalapeño的实现探索、测量验证循环与算术电路优化，团队用9个月推进至流片。
Jalapeño的设计也考虑了人与AI的编程需求，力求让硬件行为可预测。模型优化算子映射、放置、调度与系统协调。在选定GPT-OSS注意力和混合专家代码块上，相关实现比人工实现快1.5—1.8倍。
代理通过工具改进设计，实际工作负载与AI编程需求又反过来影响硬件选择。
四、设计走通之后，制造反馈怎样接上？
制造反馈要能追溯到具体设计和生产过程，再经工程验证指导调整。Synopsys于2023年推出且当时已可用的Design.da、Fab.da、Silicon.da，分别分析设计执行、设备过程控制及硅监测和生产测试数据，用于根因分析、质量与良率改善。
这些记录各自回答不同的问题。设计记录帮助定位功耗、性能与面积问题，过程控制记录反映设备和工艺状态，硅监测与测试记录则呈现制造后的器件表现。把设计版本、工艺版本、晶圆批次、设备时点和测试记录关联起来，才能沿着问题回查原因。
数据连到工厂运行后，AI的应用也延伸到物流和生产组织。三星于2026年3月提出，到2030年将全球制造转型为AI驱动工厂，覆盖物流、生产、质检、出货，以及数字孪生、预测维护和机器人。
芯片完成制造后，还要集成为能运行、能测试、能交付的整机。三诺提供了一个国内案例。三诺信息科技在2025年睿思芯科春季新品发布会上，发布了智百诺第一代睿思高性能服务器；集团智能算力产品页还列有RISC-V服务器、AI一体机等产品。
三诺的另一项实践在制造流程。集团官网披露，智慧声谷通过产业互联网平台、柔性制造产线和数字孪生系统，将订单预测、生产排程与质量追溯组织起来，实现端到端可视化管理。
这也让“算力怎样更早交付”的问题落到了工厂流程上。三诺的服务器产品与集团制造平台，分别展现了系统开发和生产组织的实践。产品研发、物料准备、产线组织和测试反馈衔接起来，芯片才能进入可交付的设备，AI也有了具体的应用场景。
表1｜各环节独立案例中的企业角色
注：表内各企业为独立案例，不代表彼此存在合作或供应关系。
五、英伟达与Palantir的合作，价值怎样兑现？
回到英伟达与Palantir，这项合作的回报首先取决于能否减少物料等待。同样一批材料，分配到哪个制造地点、优先满足哪项需求，会影响它何时投入生产，并进一步影响机架交付。
制造地点有相应产能、材料却因匹配不及时而等待时，优化分配就有机会改善交付。如果缺的是部件总量，仍要靠补充供给来解决。
要算清这笔回报，还得扣除部署与维护成本。双方提供本地、托管或云部署选择；无论选哪种方式，数据清理、工具接入、对象与版本维护、评估和培训，都需要持续投入。改善交付带来的收益能够覆盖这些投入，企业才有持续采用的理由。
机架交到客户手中后，运行效率又成为下一段问题。SemiAnalysis的AgentX评测纳入多轮对话、长上下文和子智能体并发，观察新的算力使用方式。缓存复用能减少重复计算，缓存管理和请求调度则影响用户等待与系统吞吐。供应链优化争取更早交付，推理软件优化改善交付后的运行效率，两端应分别衡量。
结语
英伟达与Palantir从物料分配入手，争取缩短机架交付前的等待。设计代理与制造数据分析的独立案例，也将AI用在具体工程任务中。能否持续获益，取决于改善是否覆盖接入和维护成本。
参考资料：
[1] https://nvidianews.nvidia.com/news/nvidia-and-palantir-bring-sovereign-intelligence-to-critical-supply-chains[2] https://developer.nvidia.com/blog/from-wafer-out-to-first-token-codifying-supply-chain-expertise-with-nemotron-and-palantir-foundry[3] https://help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers[4] https://cadence.com/en_US/home/company/newsroom/press-releases/pr/2026/cadence-unveils-industrys-first-fully-autonomous-virtual.html[5] https://cadence.com/en_US/home/company/newsroom/press-releases/pr/2026/cadence-introduces-aurastack-ai-super-agent-the-worlds-first.html[6] https://news.synopsys.com/2026-07-26-Synopsys-Showcases-Comprehensive-Autonomous-Engineering-Workflows-from-Silicon-to-Systems,-Developed-with-NVIDIA-Technology[7] https://xinwen.bjd.com.cn/content/s6a7934cbd5de97bd74852089.html[8] https://www.univista-isg.com/site/news_detail/546[9] https://tech.chinadaily.com.cn/a/202607/21/WS6a5f2985a310d709c2fbed59.html[10] https://mp.weixin.qq.com/s/WL_emmtNaHj6G87xV-zrHA[11] https://openai.com/index/jalapeno-first-results[12] https://news.synopsys.com/2023-09-06-Synopsys-Extends-Synopsys-ai-EDA-Suite-with-Industrys-First-Full-Stack-Big-Data-Analytics-Solution[13] https://news.samsung.com/global/samsung-electronics-announces-strategy-to-transition-global-manufacturing-into-ai-driven-factories-by-2030[14] https://www.3nod.com.cn/group-news/932.html[15] https://www.3nod.com.cn/group-news/995.html[16] https://inferencex.semianalysis.com/blog/agentx-inferencexv3-does-cuda-moat[17] https://www.reuters.com/commentary/breakingviews/palantirs-american-exceptionalism-has-downsides-2026-08-14/
#深芯盟 #湾芯展 #半导体产业研究 #英伟达 #Palantir #AI #机架
