Hark mise sur NVIDIA Vera Rubin pour une IA personnalisée à l’échelle du gigawatt

Hark a conclu un partenariat pluriannuel avec NVIDIA qui promet une puissance de calcul à l’échelle du gigawatt, alors même que sa première plateforme d’IA publique n’a pas encore été lancée. L’accord est centré sur Vera Rubin, le système de nouvelle génération de NVIDIA destiné à l’entraînement et au déploiement de modèles de raisonnement et d’agents IA. Un bref article de rsshub 36kr a fait remonter l’information auprès des lecteurs chinois, mais l’annonce initiale provenait directement de Hark.

Cet ordre est important. Hark s’engage dans une infrastructure conçue pour les plus lourdes charges de travail d’IA avant que des utilisateurs externes puissent évaluer son produit. L’entreprise affirme que cette capacité soutiendra des agents personnalisés combinant parole, vision, mémoire persistante et contrôle informatique.

Hark n’est pas la seule à faire ce pari. Thinking Machines Lab, OpenAI et d’autres développeurs très financés ont également lié leurs futurs produits à d’importants déploiements de Vera Rubin. Hark doit désormais démontrer qu’une infrastructure de cette ampleur crée un meilleur agent personnel, plutôt qu’une facture d’exploitation plus élevée.

Le partenariat engage Hark bien au-delà des GPU

Hark adopte le système informatique complet de NVIDIA, et ne se contente pas de réserver un ensemble d’accélérateurs.

Les entreprises ont annoncé leur accord le 27 août 2026. Selon l’annonce du partenariat, il couvre une collaboration technique et une capacité à l’échelle du gigawatt fondée sur Vera Rubin.

Aucune des deux entreprises n’a communiqué de calendrier de déploiement, de capacité précise, d’emplacement de centre de données ou d’engagement financier. L’expression « à l’échelle du gigawatt » décrit la catégorie d’infrastructure visée, et non un volume vérifié de capacité de calcul déjà opérationnelle. Hark n’a pas non plus précisé si elle possédera les systèmes, louera de la capacité ou s’appuiera sur plusieurs fournisseurs d’infrastructure.

Ce manque de précisions distingue l’annonce d’une étape opérationnelle. Un objectif de puissance ne révèle ni le nombre de systèmes que Hark a sécurisés, ni la date à laquelle ils seront disponibles, ni l’efficacité avec laquelle elle pourra les utiliser.

L’accord s’étend néanmoins à l’ensemble de la pile IA envisagée par Hark. Hark affirme que l’infrastructure NVIDIA a déjà pris en charge Hark Handoff, un modèle d’utilisation informatique conçu pour opérer des interfaces logicielles. Cette même infrastructure servirait sa plateforme initiale et contribuerait à l’entraînement de ses futurs modèles fondamentaux.

Les modèles d’utilisation informatique interprètent un écran et exécutent des actions via des interfaces logicielles. Ils peuvent ouvrir des applications, saisir des informations et accomplir des flux de travail en plusieurs étapes, sous réserve des autorisations accordées et des limites de fiabilité.

Hark a également cité quatre technologies NVIDIA impliquées dans la collaboration. Megatron prend en charge l’entraînement de grands modèles, tandis que Dynamo coordonne l’inférence distribuée, c’est-à-dire le processus qui exécute des modèles entraînés pour les utilisateurs. Nemotron fournit des données d’entraînement sous licence permissive, et NVSentinel surveille les clusters de GPU afin de détecter les défaillances.

Ces composants révèlent un engagement plus large. Hark aligne son entraînement, son inférence, ses données, son réseau et l’exploitation de ses clusters sur l’environnement logiciel de NVIDIA. Cette approche peut réduire le travail d’intégration, mais elle place aussi NVIDIA au centre de plusieurs couches techniques.

La plateforme elle-même repose sur une informatique à l’échelle du rack. NVIDIA indique qu’un système Vera Rubin NVL72 associe 72 GPU Rubin et 36 CPU Vera. Il comprend également un réseau ConnectX-9, des unités de traitement de données BlueField-4 et la sixième génération de NVLink.

NVLink crée une connexion à haut débit entre les processeurs, permettant à un rack de traiter de grands modèles comme un système coordonné. Cette architecture cible des charges de travail qui, autrement, consacreraient un temps considérable au déplacement d’informations entre des accélérateurs distincts.

L’annonce de Hark relie cette infrastructure à une prochaine plateforme publique. L’entreprise a déclaré que ce produit arriverait avant la fin de l’été, créant un intervalle inhabituellement court entre son discours sur l’infrastructure et son premier grand test de marché.

La première version portera donc davantage d’enjeux qu’un aperçu produit ordinaire. Elle devra démontrer pourquoi Hark a besoin d’un engagement d’infrastructure généralement associé aux laboratoires de modèles de pointe et aux services à très grande échelle.

Pourquoi les agents personnalisés consomment autant de puissance de calcul

Un agent personnel devient coûteux lorsqu’il doit mémoriser le contexte, percevoir plusieurs types de médias, raisonner à travers des tâches et répondre sans délais perceptibles.

Un chatbot classique traite une requête et génère du texte. Hark décrit quelque chose de plus persistant. Son système prévu est censé comprendre la parole et la vision, se souvenir de l’utilisateur, contrôler des ordinateurs et fonctionner via des appareils existants ou du matériel dédié.

Chaque couche augmente la charge de travail. La parole doit être transcrite et interprétée. Les images ou les vidéos nécessitent un traitement visuel. La mémoire exige que les enregistrements pertinents soient récupérés, classés et insérés dans le contexte du modèle.

Un agent doit ensuite planifier des actions, appeler des outils, examiner les résultats et réviser son approche. Une seule demande peut déclencher plusieurs passages du modèle plutôt qu’une réponse unique. Servir des millions de sessions de ce type exigerait une capacité d’inférence considérable, même sans entraînement continu des modèles.

L’inférence est particulièrement importante pour Hark, car la personnalisation intervient pendant l’utilisation. Un système ne peut pas sembler personnel si chaque interaction attend dans une longue file de traitement. Il ne peut pas non plus agir de manière fiable si le contexte disparaît à la fin de chaque session.

NVIDIA positionne Vera Rubin autour de ces contraintes. Sa plateforme combine processeurs, réseau, systèmes de mémoire et logiciels afin de réduire le coût et la latence des charges de travail de raisonnement. Il s’agit d’affirmations de l’entreprise, et Hark n’a pas publié de benchmarks indépendants pour son implémentation.

Le CPU Vera gère l’orchestration et le déplacement des données autour des charges de travail accélérées. Les GPU Rubin réalisent les calculs intensifs requis par les modèles, tandis que les processeurs BlueField et le réseau à haut débit gèrent le trafic entre les installations de plus grande ampleur.

Cette architecture répond à un véritable goulot d’étranglement. Les systèmes agentiques font plus que générer des tokens. Ils déplacent du contexte entre le stockage, les processeurs, les outils et les applications externes tout au long d’une tâche en plusieurs étapes.

Le matériel proposé par Hark ajoute une difficulté supplémentaire. Un appareil personnel ne peut pas embarquer du matériel de centre de données ; le produit doit donc répartir le travail entre des composants locaux et une infrastructure distante. L’entreprise n’a pas expliqué cette frontière.

Le traitement local peut réduire la latence et limiter les informations envoyées aux serveurs. Le traitement dans le cloud peut exécuter des modèles plus grands et apporter des améliorations plus fréquentes. Un système pratique utilisera probablement les deux, mais cet équilibre affecte la confidentialité, les performances et le coût.

Hark affirme que son IA fonctionnera via des appareils existants et du matériel sur mesure. Elle n’a pas révélé la conception des appareils, le système d’exploitation, les capteurs ou les capacités de calcul locales. Elle n’a pas non plus expliqué si son premier lancement inclura du matériel.

Cette incertitude est importante, car la vision produit de Hark dépend de l’accès à l’environnement de l’utilisateur. La parole, la vision, le contrôle informatique et la mémoire sont particulièrement utiles lorsqu’ils se connectent entre applications et appareils.

Prenons un scénario de travail courant. Un utilisateur pourrait demander à un agent de relire des notes de réunion, de les comparer à des documents de projet, de préparer un point d’avancement et de planifier des tâches de suivi. L’agent aurait besoin d’un accès autorisé, d’une récupération fiable, de l’exécution d’outils et d’un historique des décisions antérieures.

Les utilisateurs construisent déjà des versions plus restreintes de ce flux de travail avec une base de connaissances personnelle. L’ambition de Hark est plus large, car elle souhaite que l’agent coordonne la perception, la mémoire et les actions au moyen d’une seule interface.

L’engagement d’infrastructure suggère que Hark s’attend à ce que ces interactions génèrent des charges de travail intensives et récurrentes. La question sans réponse est de savoir si les clients accorderont suffisamment de valeur à cette intégration pour en soutenir le coût.

Hark affronte une course à l’IA personnelle, pas une course à l’infrastructure

La principale concurrence de Hark provient d’assistants établis qui disposent déjà d’utilisateurs, de canaux de distribution et de fonctionnalités de mémoire de plus en plus développées.

OpenAI, Google, Anthropic, Meta, Microsoft et Apple développent tous des systèmes capables de conserver du contexte, d’utiliser des outils ou d’opérer des logiciels. Leurs approches diffèrent, mais ils se disputent la même position stratégique entre les utilisateurs et leur vie numérique.

Hark arrive sans cette base installée. Elle doit convaincre les utilisateurs de confier à un autre service leurs conversations, fichiers, préférences et, potentiellement, l’accès à leurs appareils. L’infrastructure peut améliorer un produit, mais elle ne peut pas créer à elle seule une distribution ou une relation de confiance.

La réponse de l’entreprise semble être l’intégration verticale. Hark affirme développer simultanément des modèles fondamentaux, des interfaces logicielles et du matériel natif. Cette stratégie peut produire une coordination plus étroite qu’un produit assemblé à partir de composants sans lien entre eux.

Elle peut aussi accroître le risque d’exécution. Hark doit entraîner des modèles, construire une plateforme d’agents, concevoir du matériel grand public, sécuriser les données personnelles et fournir un contrôle informatique fiable. Chacune de ces tâches pourrait à elle seule soutenir une entreprise importante.

L’identité du fondateur de Hark alimente les attentes. Brett Adcock a précédemment fondé Archer Aviation et Figure AI. Hark présente sa nouvelle entreprise comme un laboratoire d’IA axé sur l’intelligence personnelle plutôt que sur la robotique industrielle.

L’entreprise a communiqué peu d’informations sur ses effectifs, sa structure de financement ou le développement de son produit. Son site public indique qu’elle construit une « intelligence personnelle », mais fournit peu de détails opérationnels au-delà de cette vision.

Ce secret donne à Hark une marge de développement avant le lancement. Il rend aussi les comparaisons indépendantes difficiles. Aucune évaluation publique ne montre que Hark Handoff fonctionne mieux que les systèmes concurrents d’utilisation informatique.

L’accord Vera Rubin crée une autre comparaison. En mars, NVIDIA et Thinking Machines Lab ont annoncé un partenariat d’un gigawatt pour une IA personnalisable et le développement de modèles de pointe.

Thinking Machines a communiqué un objectif de capacité minimale et une période de déploiement prévue. NVIDIA a également investi dans cette entreprise. L’annonce de Hark décrit une capacité à l’échelle du gigawatt, mais n’identifie ni engagement minimal ni investissement de NVIDIA.

Le vocabulaire similaire montre comment NVIDIA étend son rôle au-delà de la fourniture de matériel. L’entreprise noue des relations techniques de long terme avec des laboratoires avant que leurs produits n’atteignent une adoption généralisée.

Pour NVIDIA, ces accords peuvent ancrer la future demande d’entraînement et d’inférence dans son architecture. Pour les startups, ils offrent un accès à des systèmes, des logiciels et un soutien en ingénierie qui seraient difficiles à réunir de manière indépendante.

Cet échange n’est pas automatiquement favorable à chaque startup. Une intégration poussée peut accélérer le développement, mais elle peut aussi limiter les choix futurs. Déplacer des charges de travail vers une autre plateforme de processeurs devient plus difficile lorsque les modèles et les opérations dépendent d’outils propres à un fournisseur.

Hark est donc en concurrence sur deux fronts. Elle doit égaler les capacités d’assistants proposées par des entreprises technologiques bien plus grandes. Elle doit aussi exploiter son infrastructure plus efficacement que les startups poursuivant des produits d’IA personnalisée ou personnalisable similaires.

La seule performance brute des modèles ne tranchera pas cette compétition. Les agents personnels ont besoin d’une mémoire cohérente, d’autorisations compréhensibles, d’une faible latence et d’actions fiables. Un modèle plus petit, avec une meilleure conception produit, peut surpasser un modèle plus grand dans un flux de travail donné.

L’avantage de Hark, s’il se concrétise, viendra de la coordination de ces éléments. Son partenariat fournit une base à cette approche, mais le produit doit en apporter la preuve.

Le titre de rsshub 36kr laisse des risques majeurs sans réponse

Le risque central n’est pas de savoir si Hark peut obtenir de la puissance de calcul, mais s’il peut rendre un agent doté d’une mémoire riche sûr, fiable et économiquement viable.

Le résumé original de rsshub 36kr décrit avec justesse les entreprises, l’accord pluriannuel et le plan Vera Rubin. Il ne peut pas répondre aux questions que Hark a omises dans son annonce.

Premièrement, la mémoire persistante transforme les enjeux de confidentialité. Un agent personnel utile peut conserver des relations, des habitudes, un historique professionnel, des lieux, des communications et des préférences. Cet ensemble peut révéler davantage que n’importe quel fichier ou conversation pris isolément.

Les utilisateurs doivent savoir ce dont le système se souvient, où ces informations sont stockées et comment ils peuvent les supprimer. Ils ont également besoin de contrôles clairs pour séparer les contextes personnels, professionnels et partagés.

Hark n’a pas détaillé publiquement ces contrôles. Son annonce met en avant une IA qui « vous connaît », mais ne décrit ni le consentement, ni les durées de conservation, ni le chiffrement, ni la portabilité des données, ni les politiques d’entraînement des modèles.

Ces omissions ne prouvent pas que les protections sont insuffisantes. Elles constituent des questions produit non résolues. Le lancement public de Hark devrait y répondre avant que les utilisateurs n’accordent à l’agent un accès étendu.

Deuxièmement, les agents introduisent des risques de sécurité allant au-delà des chatbots ordinaires. L’enquête de NIST sur les agents souligne les injections indirectes de prompts, les modèles empoisonnés, les actions nuisibles et le détournement des spécifications.

Une injection indirecte de prompt survient lorsqu’un agent rencontre des instructions hostiles dissimulées dans un contenu externe. Un document ou une page web compromis peut tenter de rediriger l’agent alors qu’il agit pour l’utilisateur.

Cette menace devient plus grave lorsqu’un agent peut lire des informations privées ou contrôler des applications. Une réponse textuelle erronée est gênante. Un message, un achat, un transfert de fichier ou une modification de configuration non autorisés peuvent causer un préjudice durable.

Hark n’a pas publié d’évaluations de sécurité pour Handoff ou pour sa plateforme plus large. L’entreprise n’a pas indiqué quelles actions nécessitent une confirmation, comment les autorisations expirent ni si les utilisateurs peuvent auditer les étapes effectuées.

Troisièmement, le contrôle informatique reste difficile à évaluer. Les interfaces évoluent, les éléments visuels se déplacent et les sites web présentent des états ambigus. Les agents peuvent sembler compétents lors de démonstrations tout en échouant sur des tâches longues ou inhabituelles.

Une sortie crédible nécessite davantage que des exemples sélectionnés. Hark devrait divulguer les taux de réussite des tâches, la fréquence des interventions, la latence, les catégories d’échec et les conditions de test.

Les évaluations indépendantes compteront, car Hark présente Handoff comme un modèle avancé d’utilisation d’ordinateur. Tant que des résultats comparables n’apparaissent pas, cette description reste la caractérisation de l’entreprise.

Quatrièmement, une infrastructure à l’échelle du gigawatt entraîne une exposition financière et opérationnelle. Des centres de données de cette taille nécessitent de l’électricité, du refroidissement, du réseau, des installations et des accords d’approvisionnement à long terme. Aucune de ces ressources ne devient précieuse simplement parce qu’une entreprise les réserve.

Hark doit maintenir ses systèmes coûteux occupés par un entraînement utile ou une inférence payante. Une capacité sous-utilisée fragiliserait l’économie du projet, tandis qu’une utilisation intensive par des utilisateurs non rentables créerait un problème différent.

L’entreprise n’a pas divulgué son modèle économique. Un abonnement grand public, la vente de matériel, un service d’entreprise ou un modèle hybride imposeraient des exigences différentes en matière de marges et de support client.

Le matériel dédié soulève d’autres questions. Les appareils grand public impliquent la fabrication, les stocks, les réparations, la distribution et les cycles de remplacement. Ces contraintes diffèrent de l’exploitation d’un service logiciel dans le cloud.

Enfin, l’empreinte environnementale mérite un traitement direct. Un gigawatt est une mesure de puissance, pas d’intelligence. L’impact réel dépend de l’utilisation, de l’approvisionnement du réseau électrique, de l’efficacité du refroidissement, des performances matérielles et de la durée du déploiement.

NVIDIA affirme que Vera Rubin fournit davantage de tokens par watt que Blackwell. Il s’agit d’une affirmation du fournisseur jusqu’à ce que des mesures propres aux charges de travail et des données d’exploitation soient disponibles.

Les améliorations d’efficacité peuvent également réduire les coûts d’utilisation et accroître la demande totale. Hark devrait donc communiquer à la fois l’efficacité des performances et la consommation absolue de ressources si son déploiement atteint l’échelle annoncée.

Ces enjeux n’invalident pas le partenariat. Ils définissent les éléments de preuve nécessaires pour l’évaluer.

Ce que Hark doit prouver après l’accord Vera Rubin

Trois signaux détermineront si l’engagement de Hark en matière d’infrastructure représente une conviction sur le produit ou une capacité sécurisée avant toute preuve.

Le premier signal est le lancement public de la plateforme. Hark a déclaré que son produit initial serait disponible avant la fin de l’été, laissant peu de temps entre l’annonce et la livraison.

Ce lancement devrait révéler la portée réelle du produit. Les lecteurs devraient observer si Hark propose un accès ouvert, un aperçu limité ou une démonstration étroitement contrôlée.

Les tests les plus importants porteront sur des flux de travail complets. L’agent peut-il mémoriser le contexte pertinent, utiliser des logiciels courants, se remettre d’erreurs et expliquer ses actions sans supervision constante ?

Un lancement offrant une fiabilité mesurable renforcerait l’argument de Hark selon lequel des modèles et une infrastructure intégrés créent un assistant différencié. Une sortie retardée ou étroitement mise en scène affaiblirait le lien entre l’accord et la valeur à court terme pour les utilisateurs.

Le deuxième signal est un calendrier de déploiement concret. Hark doit préciser la quantité de capacité Vera Rubin à laquelle elle s’est engagée, où cette capacité fonctionnera et quand elle sera disponible.

« À l’échelle du gigawatt » peut décrire un déploiement ferme, un objectif progressif ou un accès via des partenaires. Ces modalités impliquent des niveaux différents d’engagement financier et de risque d’exécution.

Un calendrier comportant des partenaires d’infrastructure nommés et des jalons de livraison rendrait l’annonce plus facile à évaluer. Une ambiguïté persistante suggérerait que le titre devance le plan opérationnel.

Le troisième signal est la preuve couvrant la sécurité, la fiabilité et l’adoption. Hark devrait publier des benchmarks d’utilisation d’ordinateur, des contrôles de mémoire, des règles d’autorisation et des résultats provenant d’utilisateurs réels.

L’adoption doit également aller au-delà des inscriptions. Parmi les indicateurs utiles figurent les utilisateurs récurrents, les tâches achevées, les taux d’intervention et le coût de service de chaque utilisateur actif.

Ces mesures relieraient la puissance de calcul aux résultats. Sans elles, un déploiement de grande ampleur en dit davantage sur la disponibilité du capital que sur la qualité du produit.

NVIDIA a également quelque chose à prouver. Vera Rubin est conçu autour de l’inférence agentique, mais les charges de travail des clients détermineront si ses gains architecturaux se traduisent par une baisse des coûts d’exploitation.

Hark peut devenir un test important, car son produit proposé combine plusieurs charges de travail exigeantes. La parole, la vision, la mémoire, le raisonnement et le contrôle informatique doivent fonctionner ensemble en temps réel.

Le succès renforcerait l’affirmation de NVIDIA selon laquelle des systèmes à l’échelle du rack étroitement intégrés soutiennent la prochaine génération d’agents. Il encouragerait également davantage de startups d’IA à sécuriser leur infrastructure plus tôt dans leurs cycles de développement.

Un échec ne mettrait pas nécessairement les puces en cause. La conception du produit, la qualité du modèle, les choix de confidentialité, la distribution et la demande des clients peuvent l’emporter sur les avantages de l’infrastructure.

Pour les développeurs, la leçon est de distinguer capacité et aptitude. Le matériel détermine ce qui peut fonctionner à grande échelle. Il ne détermine pas si un agent choisit la bonne action ou gagne la confiance des utilisateurs.

Les acheteurs d’entreprise devraient appliquer la même distinction. L’engagement d’un fournisseur envers un processeur ne remplace pas une documentation de sécurité, des journaux d’audit, des contrôles de déploiement ou des résultats de performance propres aux charges de travail.

Les travailleurs du savoir devraient se concentrer sur le modèle d’autorisation. Un agent devient précieux lorsqu’il peut utiliser un contexte pertinent, mais un contexte étendu amplifie également les conséquences d’une erreur.

Le pari de Hark est donc plus clair que son produit. L’entreprise estime que les agents personnalisés exigeront une infrastructure à l’échelle de la frontière technologique, une mémoire persistante et des interfaces conçues autour d’interactions naturelles.

Les prochains mois montreront si cette thèse résiste au contact des utilisateurs. Surveillez, dans cet ordre, le lancement, le calendrier de déploiement et les preuves de sécurité.

Si Hark réussit sur ces trois fronts, le partenariat Vera Rubin apparaîtra comme une préparation à une demande mesurable. Si ces signaux restent absents, le titre de rsshub 36kr restera une promesse d’infrastructure en attente d’une démonstration produit.