Hark apuesta por NVIDIA Vera Rubin para IA personalizada a escala de gigavatios

Hark ha firmado una alianza plurianual con NVIDIA que promete capacidad de cómputo a escala de gigavatios, aunque su primera plataforma pública de IA aún no se ha lanzado. El acuerdo se centra en Vera Rubin, el sistema de próxima generación de NVIDIA para entrenar y servir modelos de razonamiento y agentes de IA. Una breve nota de rsshub 36kr dio a conocer la noticia a los lectores chinos, pero el anuncio original provino directamente de Hark.

Ese orden importa. Hark se está comprometiendo con una infraestructura diseñada para las mayores cargas de trabajo de IA antes de que usuarios externos puedan evaluar su producto. La empresa afirma que la capacidad respaldará agentes personalizados que combinan voz, visión, memoria persistente y control de ordenadores.

Hark no está sola en esta apuesta. Thinking Machines Lab, OpenAI y otros desarrolladores con abundante financiación también han vinculado productos futuros a grandes despliegues de Vera Rubin. Ahora Hark debe demostrar que una infraestructura de esta escala crea un mejor agente personal, y no simplemente una factura operativa mayor.

La alianza compromete a Hark con algo más que GPU

Hark está apostando por el sistema de computación completo de NVIDIA, no simplemente reservando un conjunto de aceleradores.

Las empresas anunciaron su acuerdo el 27 de agosto de 2026. Según el anuncio de la alianza, abarca colaboración técnica y capacidad a escala de gigavatios basada en Vera Rubin.

Ninguna de las empresas reveló un calendario de despliegue, capacidad exacta, ubicación de los centros de datos ni compromiso financiero. «A escala de gigavatios» describe la clase de infraestructura prevista, no una cantidad verificada de capacidad informática activa. Hark tampoco especificó si poseerá los sistemas, alquilará capacidad o utilizará varios proveedores de infraestructura.

Ese detalle ausente separa el anuncio de un hito operativo. Un objetivo de potencia no revela cuántos sistemas ha asegurado Hark, cuándo estarán disponibles ni con qué eficiencia podrá utilizarlos.

No obstante, el acuerdo abarca toda la pila de IA prevista por Hark. Hark afirma que la infraestructura de NVIDIA ya ha respaldado Hark Handoff, un modelo de uso de ordenadores diseñado para operar interfaces de software. Según se informa, la misma infraestructura servirá a la plataforma inicial de Hark y ayudará a entrenar sus futuros modelos fundacionales.

Los modelos de uso de ordenadores interpretan una pantalla y realizan acciones mediante interfaces de software. Pueden abrir aplicaciones, introducir información y completar flujos de trabajo de varios pasos, sujetos a permisos y límites de fiabilidad.

Hark también nombró cuatro tecnologías de NVIDIA implicadas en la colaboración. Megatron respalda el entrenamiento de modelos grandes, mientras que Dynamo coordina la inferencia distribuida, es decir, el proceso que ejecuta modelos entrenados para los usuarios. Nemotron proporciona datos de entrenamiento con licencias permisivas y NVSentinel supervisa clústeres de GPU para detectar fallos.

Estos componentes revelan el compromiso más amplio. Hark está alineando su entrenamiento, inferencia, datos, redes y operaciones de clúster con el entorno de software de NVIDIA. Este enfoque puede reducir el trabajo de integración, pero también sitúa a NVIDIA en el centro de varias capas técnicas.

La plataforma en sí está construida en torno a computación a escala de rack. NVIDIA afirma que un sistema Vera Rubin NVL72 combina 72 GPU Rubin y 36 CPU Vera. También incluye redes ConnectX-9, unidades de procesamiento de datos BlueField-4 y NVLink de sexta generación.

NVLink crea una conexión de gran ancho de banda entre procesadores, lo que permite que un rack gestione modelos grandes como un sistema coordinado. Esta arquitectura apunta a cargas de trabajo que, de otro modo, dedicarían mucho tiempo a mover información entre aceleradores independientes.

El anuncio de Hark vincula esta infraestructura con una próxima plataforma pública. La empresa afirmó que ese producto llegaría antes de que terminara el verano, creando un lapso inusualmente corto entre su narrativa de infraestructura y su primera gran prueba de mercado.

Por ello, el primer lanzamiento tendrá más peso que una vista previa de producto habitual. Debe demostrar por qué Hark necesita un compromiso de infraestructura asociado normalmente con laboratorios de modelos de frontera y servicios de hiperescala.

Por qué los agentes personalizados consumen tanto cómputo

Un agente personal se vuelve costoso cuando debe recordar contexto, percibir varios tipos de medios, razonar sobre tareas y responder sin demoras perceptibles.

Un chatbot convencional procesa una indicación y genera texto. Hark describe algo más persistente. Se supone que su sistema previsto debe comprender voz y visión, recordar al usuario, controlar ordenadores y operar mediante dispositivos existentes o hardware dedicado.

Cada capa incrementa la carga de trabajo. La voz debe transcribirse e interpretarse. Las imágenes o el vídeo requieren procesamiento visual. La memoria exige recuperar, clasificar e insertar registros relevantes en el contexto del modelo.

Después, un agente necesita planificar acciones, llamar herramientas, inspeccionar resultados y revisar su enfoque. Una sola solicitud puede activar varias pasadas del modelo en lugar de una respuesta. Atender millones de sesiones de este tipo exigiría una capacidad de inferencia considerable, incluso sin entrenamiento continuo de modelos.

La inferencia es especialmente importante para Hark porque la personalización ocurre durante el uso. Un sistema no puede sentirse personal si cada interacción espera tras una larga cola de procesamiento. Tampoco puede actuar con fiabilidad si el contexto desaparece cada vez que termina una sesión.

NVIDIA posiciona Vera Rubin en torno a estas limitaciones. Su plataforma combina procesadores, redes, sistemas de memoria y software para reducir el coste y la latencia de las cargas de trabajo de razonamiento. Se trata de afirmaciones de la empresa, y Hark no ha publicado benchmarks independientes de su implementación.

La CPU Vera gestiona la orquestación y el movimiento de datos en torno a las cargas de trabajo aceleradas. Las GPU Rubin realizan la computación intensiva que requieren los modelos, mientras que los procesadores BlueField y las redes de alta velocidad administran el tráfico en instalaciones más grandes.

Esta arquitectura aborda un cuello de botella real. Los sistemas agénticos hacen más que generar tokens. Mueven contexto entre almacenamiento, procesadores, herramientas y aplicaciones externas durante una tarea de varios pasos.

El hardware propuesto por Hark añade otro desafío. Un dispositivo personal no puede transportar hardware de centro de datos, por lo que el producto debe dividir el trabajo entre componentes locales e infraestructura remota. La empresa no ha explicado ese límite.

El procesamiento local puede reducir la latencia y limitar la información enviada a los servidores. El procesamiento en la nube puede ejecutar modelos más grandes y ofrecer mejoras más frecuentes. Un sistema práctico probablemente utilizará ambos, pero el equilibrio afecta a la privacidad, el rendimiento y el coste.

Hark afirma que su IA funcionará mediante dispositivos existentes y hardware a medida. No ha revelado el diseño del dispositivo, el sistema operativo, los sensores ni las capacidades de computación local. Tampoco ha explicado si su primer lanzamiento incluirá hardware.

Esta incertidumbre importa porque la visión de producto de Hark depende del acceso al entorno del usuario. La voz, la visión, el control de ordenadores y la memoria son más útiles cuando se conectan entre aplicaciones y dispositivos.

Pensemos en un escenario de trabajo rutinario. Un usuario podría pedir a un agente que revise notas de reuniones, las compare con documentos de proyecto, prepare una actualización de estado y programe tareas de seguimiento. El agente necesitaría acceso autorizado, recuperación fiable, ejecución de herramientas y un registro de decisiones anteriores.

Las personas ya crean versiones más acotadas de ese flujo de trabajo con una base de conocimiento personal. La ambición de Hark es más amplia porque quiere que el agente coordine percepción, memoria y acciones mediante una única interfaz.

El compromiso de infraestructura sugiere que Hark espera que esas interacciones generen cargas de trabajo intensivas y recurrentes. La pregunta sin respuesta es si los clientes valorarán esa integración lo suficiente como para sostener su coste.

Hark se enfrenta a una carrera por la IA personal, no a una carrera de infraestructura

La principal competencia de Hark procede de asistentes establecidos que ya cuentan con usuarios, distribución y funciones de memoria cada vez más avanzadas.

OpenAI, Google, Anthropic, Meta, Microsoft y Apple están desarrollando sistemas que pueden retener contexto, usar herramientas u operar software. Sus enfoques difieren, pero compiten por la misma posición valiosa entre los usuarios y sus vidas digitales.

Hark entra sin esa base instalada. Debe convencer a las personas de confiar a otro servicio sus conversaciones, archivos, preferencias y, posiblemente, acceso a sus dispositivos. La infraestructura puede mejorar un producto, pero no puede crear distribución ni confianza por sí sola.

La respuesta de la empresa parece ser la integración vertical. Hark afirma que está desarrollando conjuntamente modelos fundacionales, interfaces de software y hardware nativo. Esta estrategia puede producir una coordinación más estrecha que un producto ensamblado a partir de componentes no relacionados.

También puede aumentar el riesgo de ejecución. Hark debe entrenar modelos, crear una plataforma de agentes, diseñar hardware de consumo, proteger datos personales y ofrecer un control de ordenadores fiable. Cada una de estas tareas podría sostener por sí sola a una empresa importante.

La identidad del fundador de Hark eleva las expectativas. Brett Adcock fundó anteriormente Archer Aviation y Figure AI. Hark presenta su nueva empresa como un laboratorio de IA centrado en la inteligencia personal, en lugar de la robótica industrial.

La empresa ha revelado información limitada sobre su plantilla, estructura de financiación o desarrollo de producto. Su sitio web público indica que está construyendo «inteligencia personal», pero ofrece pocos detalles operativos más allá de esa visión.

Ese secretismo da a Hark margen para desarrollarse antes del lanzamiento. También dificulta la comparación independiente. No hay evaluaciones públicas que demuestren que Hark Handoff funciona mejor que sistemas competidores de uso de ordenadores.

El acuerdo de Vera Rubin crea otra comparación. En marzo, NVIDIA y Thinking Machines Lab anunciaron una alianza de un gigavatio para IA personalizable y desarrollo de modelos de frontera.

Thinking Machines reveló un objetivo mínimo de capacidad y un periodo de despliegue previsto. NVIDIA también invirtió en esa empresa. El anuncio de Hark describe capacidad a escala de gigavatios, pero no identifica un compromiso mínimo ni una inversión de NVIDIA.

El lenguaje similar muestra cómo NVIDIA está ampliando su papel más allá del suministro de hardware. Está formando relaciones técnicas a largo plazo con laboratorios antes de que sus productos alcancen una adopción amplia.

Para NVIDIA, esos acuerdos pueden consolidar en su arquitectura la futura demanda de entrenamiento e inferencia. Para las startups, ofrecen acceso a sistemas, software y apoyo de ingeniería que sería difícil reunir de forma independiente.

El intercambio no es automáticamente favorable para todas las startups. Una integración profunda puede acelerar el desarrollo, pero también puede limitar opciones futuras. Migrar cargas de trabajo a otra plataforma de procesadores se vuelve más difícil una vez que los modelos y las operaciones dependen de herramientas específicas de un proveedor.

Por tanto, Hark compite en dos frentes. Debe igualar las capacidades de los asistentes ofrecidas por empresas tecnológicas mucho más grandes. También debe utilizar su infraestructura con más eficacia que las startups que persiguen productos de IA personalizados o configurables similares.

El rendimiento bruto de los modelos no resolverá esa disputa. Los agentes personales necesitan memoria consistente, permisos comprensibles, baja latencia y acciones fiables. Un modelo más pequeño con un mejor diseño de producto puede superar a uno mayor en un flujo de trabajo específico.

La ventaja de Hark, si llega a materializarse, dependerá de la coordinación de esas piezas. Su asociación ofrece una base para ese enfoque, pero el producto debe aportar las pruebas.

El titular de rsshub 36kr deja sin responder riesgos clave

El riesgo central no es si Hark puede adquirir capacidad de cómputo, sino si puede hacer que un agente con memoria enriquecida sea seguro, fiable y económicamente sostenible.

El resumen original de rsshub 36kr recoge con precisión las empresas, el acuerdo plurianual y el plan de Vera Rubin. No puede responder a las preguntas que Hark omitió en el anuncio.

En primer lugar, la memoria persistente eleva lo que está en juego en materia de privacidad. Un agente personal útil puede conservar relaciones, rutinas, historial laboral, ubicaciones, comunicaciones y preferencias. Ese conjunto puede revelar más que cualquier archivo o conversación por separado.

Los usuarios necesitan saber qué recuerda el sistema, dónde reside esa información y cómo pueden eliminarla. También necesitan controles claros para separar los contextos personales, profesionales y compartidos.

Hark no ha detallado públicamente esos controles. Su anuncio destaca una IA que “te conoce”, pero no describe el consentimiento, los plazos de conservación, el cifrado, la portabilidad de los datos ni las políticas de entrenamiento de modelos.

Estas omisiones no prueban que las salvaguardas sean débiles. Son cuestiones de producto aún sin resolver. El lanzamiento público de Hark debería responderlas antes de que los usuarios concedan al agente un acceso amplio.

En segundo lugar, los agentes introducen riesgos de seguridad que van más allá de los chatbots convencionales. La consulta de NIST sobre agentes destaca la inyección indirecta de prompts, los modelos envenenados, las acciones perjudiciales y la manipulación de especificaciones.

La inyección indirecta de prompts ocurre cuando un agente encuentra instrucciones hostiles ocultas dentro de contenido externo. Un documento o página web comprometidos pueden intentar redirigir al agente mientras actúa en nombre del usuario.

Esta amenaza se vuelve más grave cuando un agente puede leer información privada o controlar aplicaciones. Una respuesta de texto equivocada es un inconveniente. Un mensaje, compra, transferencia de archivos o cambio de configuración no autorizados pueden causar daños duraderos.

Hark no ha publicado evaluaciones de seguridad de Handoff ni de su plataforma más amplia. Tampoco ha indicado qué acciones requieren confirmación, cómo caducan los permisos o si los usuarios pueden auditar los pasos completados.

En tercer lugar, el control del ordenador sigue siendo difícil de evaluar. Las interfaces cambian, los elementos visuales se desplazan y los sitios web presentan estados ambiguos. Los agentes pueden parecer competentes durante las demostraciones y, aun así, fallar en tareas largas o desconocidas.

Un lanzamiento creíble necesita más que ejemplos seleccionados. Hark debería divulgar las tasas de finalización de tareas, la frecuencia de intervención, la latencia, las categorías de fallos y las condiciones utilizadas para las pruebas.

Las evaluaciones independientes serán importantes porque Hark describe Handoff como un modelo avanzado de uso del ordenador. Hasta que aparezcan resultados comparables, esa descripción seguirá siendo la caracterización de la empresa.

En cuarto lugar, la infraestructura a escala de gigavatios introduce exposición financiera y operativa. Los centros de datos de este nivel requieren energía, refrigeración, redes, instalaciones y acuerdos de suministro a largo plazo. Ninguno de esos recursos se vuelve valioso simplemente porque una empresa los reserve.

Hark debe mantener sistemas costosos ocupados con entrenamiento útil o inferencia de pago. La capacidad infrautilizada debilitaría la economía, mientras que un uso intenso por parte de usuarios no rentables crearía un problema diferente.

La empresa no ha revelado su modelo de negocio. Una suscripción de consumo, la venta de hardware, un servicio empresarial o un modelo mixto generarían requisitos distintos para los márgenes y la atención al cliente.

El hardware dedicado plantea más preguntas. Los dispositivos de consumo implican fabricación, inventario, reparaciones, distribución y ciclos de sustitución. Estas presiones difieren de operar un servicio de software en la nube.

Por último, la huella ambiental merece un tratamiento directo. Un gigavatio es una medida de potencia, no de inteligencia. El impacto real depende de la utilización, el suministro eléctrico de la red, la eficiencia de refrigeración, el rendimiento del hardware y la duración del despliegue.

NVIDIA afirma que Vera Rubin ofrece más tokens por vatio que Blackwell. Es una afirmación del proveedor hasta que estén disponibles mediciones específicas de cargas de trabajo y datos operativos.

Las mejoras de eficiencia también pueden reducir los costes de uso y aumentar la demanda total. Por tanto, Hark debería informar tanto de la eficiencia de rendimiento como del consumo absoluto de recursos si su despliegue alcanza la escala anunciada.

Estas cuestiones no invalidan la asociación. Definen las pruebas necesarias para evaluarla.

Lo que Hark debe demostrar tras el acuerdo de Vera Rubin

Tres señales determinarán si el compromiso de infraestructura de Hark representa convicción en el producto o capacidad asegurada antes de contar con pruebas.

La primera señal es el lanzamiento público de la plataforma. Hark afirmó que su producto inicial estaría disponible antes de que terminara el verano, dejando poco tiempo entre el anuncio y la entrega.

Ese lanzamiento debería revelar el alcance real del producto. Los lectores deberían observar si Hark ofrece acceso abierto, una vista previa limitada o una demostración estrictamente controlada.

Las pruebas más importantes implicarán flujos de trabajo completos. ¿Puede el agente recordar el contexto relevante, operar software habitual, recuperarse de errores y explicar sus acciones sin supervisión constante?

Un lanzamiento con fiabilidad medible reforzaría el argumento de Hark de que los modelos y la infraestructura integrados crean un asistente diferenciado. Un lanzamiento retrasado o limitado a una puesta en escena reduciría la conexión entre el acuerdo y el valor para el usuario a corto plazo.

La segunda señal es un calendario concreto de despliegue. Hark debe aclarar cuánta capacidad de Vera Rubin ha comprometido, dónde operará esa capacidad y cuándo estará disponible.

“Escala de gigavatios” podría describir un despliegue firme, un objetivo gradual o acceso a través de socios. Estos acuerdos conllevan distintos niveles de compromiso financiero y riesgo de ejecución.

Un calendario con socios de infraestructura identificados e hitos de entrega haría que el anuncio fuera más fácil de evaluar. Una ambigüedad persistente sugeriría que el titular va por delante del plan operativo.

La tercera señal es la evidencia sobre seguridad, fiabilidad y adopción. Hark debería publicar benchmarks de uso del ordenador, controles de memoria, reglas de permisos y resultados de usuarios reales.

La adopción también debe ir más allá de los registros. Entre los indicadores útiles figuran los usuarios recurrentes, las tareas completadas, las tasas de intervención y el coste de atender a cada usuario activo.

Estas métricas conectarían la capacidad de cómputo con los resultados. Sin ellas, un gran despliegue dice más sobre la disponibilidad de capital que sobre la calidad del producto.

NVIDIA también tiene algo que demostrar. Vera Rubin está diseñado en torno a la inferencia agéntica, pero las cargas de trabajo de los clientes determinarán si sus ventajas arquitectónicas se traducen en menores costes operativos.

Hark puede convertirse en una prueba importante porque su producto propuesto combina varias cargas de trabajo exigentes. Voz, visión, memoria, razonamiento y control del ordenador deben funcionar juntos en tiempo real.

El éxito reforzaría la afirmación de NVIDIA de que los sistemas estrechamente integrados a escala de rack sustentan la próxima generación de agentes. También animaría a más startups de IA a asegurar infraestructura en fases más tempranas de sus ciclos de desarrollo.

El fracaso no necesariamente implicaría a los chips. El diseño del producto, la calidad del modelo, las decisiones de privacidad, la distribución y la demanda de los clientes pueden superar las ventajas de la infraestructura.

Para los desarrolladores, la lección es separar la capacidad de la capacidad funcional. El hardware determina qué puede ejecutarse a escala. No determina si un agente elige la acción correcta o se gana la confianza de los usuarios.

Los compradores empresariales deberían aplicar la misma distinción. El compromiso de un proveedor con procesadores no sustituye la documentación de seguridad, los registros de auditoría, los controles de despliegue ni los resultados de rendimiento específicos de cada carga de trabajo.

Los trabajadores del conocimiento deberían centrarse en el modelo de permisos. Un agente se vuelve valioso cuando puede utilizar el contexto relevante, pero un contexto amplio también amplía las consecuencias de un error.

La apuesta de Hark es, por tanto, más clara que su producto. La empresa cree que los agentes personalizados requerirán infraestructura a escala de frontera, memoria persistente e interfaces diseñadas en torno a la interacción natural.

Los próximos meses mostrarán si esa tesis resiste el contacto con los usuarios. Observe el lanzamiento, el calendario de despliegue y las pruebas de seguridad, en ese orden.

Si Hark cumple con las tres, la asociación con Vera Rubin parecerá una preparación para una demanda medible. Si esas señales siguen ausentes, el titular de rsshub 36kr quedará como una promesa de infraestructura a la espera de un caso de producto.