NVIDIA 的实验，让 Palantir 的估值更矛盾

PLTR已经是一只很难写出新意的股票。营收高速增长，美国商业板块增长更快，AIP 在大企业里扩散，政府需求稳固，现金流充裕，而估值高得惊人。这些论点在过去两年被反复陈述过，每一个显而易见的角度都被媒体反复摩擦了。

最近值得写的是这么一件事儿：本周 NVIDIA 与 Palantir 公布了 NVIDIA 内部一套供应链部署的细节。这是目前对"Palantir 到底在企业内部做什么"最好的一个演示。

重点不是 NVIDIA 在用 Palantir，重点是：NVIDIA 本来就已经有一套成熟的数学优化系统来分配稀缺组件，但是NVIDIA经验丰富的人类规划员却跑赢了这套系统。 Palantir 任务是过来搞清楚这到底是为什么。

问题不在数学优化上

NVIDIA 的供应链不简单：数百万个零部件、数千家供应商、庞大的 OEM 与 ODM 关系网。一套计算托盘里可能同时装着 Grace CPU、Blackwell GPU 和数十组 HBM 内存堆栈，任何一个缺件都会卡住一套极其昂贵的整机系统。因此 NVIDIA 必须持续决定稀缺组件应该分配给谁。

这本身就是一个数学优化问题，而 NVIDIA 不是用表格在解。它用自家的 cuOpt 软件，通过混合整数线性规划求解分配，输入的是可用库存、客户需求、生产约束和组件供应情况，目标是最小化所谓的拥有时间（Time of Ownership）。

Ai优化器早就有了。但回测这些分配决策时，经验丰富的规划员仍然给出了更好的答案。原因不神秘，他们知道模型不知道的事：供应商在电话里说过什么，一封邮件提到的潜在延迟，某地的天气事件，某处的地缘政治风险，以及哪家供应商的承诺可信、哪家的承诺要打折。

这些信息确实存在于 NVIDIA 内部，只是不存在于优化模型里。

Palantir 做的其实是一件事：把"否决"变成数据

把 Palantir 描述成"数据平台"没有错，但没什么用。NVIDIA 这个例子让问题变得具体。

Foundry 与 Ontology 把决策涉及的运营对象：物料、工厂、产能、供应商承诺、库存、生产排程、分配等整合在一起，同时吸收邮件、供应商沟通这类非结构化信息。但仅仅是把这些更离散的数据堆到一起还不够。