Hark punta su NVIDIA Vera Rubin per un’IA personalizzata su scala gigawatt

Hark ha siglato una partnership pluriennale con NVIDIA che promette potenza di calcolo su scala gigawatt, pur non avendo ancora lanciato la sua prima piattaforma IA pubblica. L’accordo ruota attorno a Vera Rubin, il sistema di nuova generazione di NVIDIA per l’addestramento e l’esecuzione di modelli di ragionamento e agenti IA. Una breve notizia di rsshub 36kr ha portato la novità al pubblico cinese, ma l’annuncio originale è arrivato direttamente da Hark.

La sequenza è importante. Hark si impegna in un’infrastruttura progettata per i più grandi carichi di lavoro IA prima che utenti esterni possano valutare il suo prodotto. L’azienda afferma che la capacità supporterà agenti personalizzati che combinano voce, visione, memoria persistente e controllo del computer.

Hark non è la sola a fare questa scommessa. Thinking Machines Lab, OpenAI e altri sviluppatori ben finanziati hanno anch’essi legato prodotti futuri a grandi implementazioni Vera Rubin. Hark deve ora dimostrare che un’infrastruttura di questa scala crea un agente personale migliore, anziché una bolletta operativa più elevata.

La partnership impegna Hark in qualcosa che va oltre le GPU

Hark investe nell’intero sistema di calcolo NVIDIA, non si limita a riservare un insieme di acceleratori.

Le aziende hanno annunciato l’accordo il 27 agosto 2026. Secondo l’annuncio della partnership, esso copre collaborazione tecnica e capacità su scala gigawatt basata su Vera Rubin.

Nessuna delle due aziende ha divulgato un calendario di implementazione, la capacità esatta, la posizione dei data center o l’impegno finanziario. “Su scala gigawatt” descrive la classe di infrastruttura prevista, non una quantità verificata di capacità di calcolo attiva. Hark non ha inoltre specificato se possiederà i sistemi, prenderà capacità in leasing o utilizzerà diversi fornitori di infrastruttura.

Questo dettaglio mancante separa l’annuncio da un traguardo operativo. Un obiettivo di potenza non rivela quanti sistemi Hark abbia assicurato, quando tali sistemi saranno disponibili o con quale efficienza potrà utilizzarli.

L’accordo si estende comunque all’intero stack IA pianificato da Hark. Hark afferma che l’infrastruttura NVIDIA ha già supportato Hark Handoff, un modello di utilizzo del computer progettato per operare interfacce software. Secondo quanto riferito, la stessa infrastruttura servirà la piattaforma iniziale di Hark e contribuirà ad addestrare i suoi futuri modelli fondamentali.

I modelli di utilizzo del computer interpretano uno schermo e compiono azioni attraverso interfacce software. Possono aprire applicazioni, inserire informazioni e completare flussi di lavoro in più passaggi, nel rispetto dei limiti di autorizzazione e affidabilità.

Hark ha inoltre indicato quattro tecnologie NVIDIA coinvolte nella collaborazione. Megatron supporta l’addestramento di modelli di grandi dimensioni, mentre Dynamo coordina l’inferenza distribuita, ossia il processo che esegue i modelli addestrati per gli utenti. Nemotron fornisce dati di addestramento con licenze permissive e NVSentinel monitora i cluster GPU per rilevare guasti.

Questi componenti rivelano l’impegno più ampio. Hark sta allineando addestramento, inferenza, dati, networking e operazioni dei cluster all’ambiente software di NVIDIA. Questo approccio può ridurre il lavoro di integrazione, ma rende anche NVIDIA centrale in diversi livelli tecnici.

La piattaforma stessa è costruita attorno al calcolo su scala rack. NVIDIA afferma che un sistema Vera Rubin NVL72 combina 72 GPU Rubin e 36 CPU Vera. Include inoltre networking ConnectX-9, unità di elaborazione dati BlueField-4 e NVLink di sesta generazione.

NVLink crea una connessione ad alta larghezza di banda tra processori, consentendo a un rack di gestire grandi modelli come un sistema coordinato. Questa architettura è rivolta a carichi di lavoro che altrimenti impiegherebbero molto tempo a spostare informazioni tra acceleratori separati.

L’annuncio di Hark collega questa infrastruttura a un’imminente piattaforma pubblica. L’azienda ha dichiarato che il prodotto sarebbe arrivato prima della fine dell’estate, creando un intervallo insolitamente breve tra la sua narrativa infrastrutturale e il primo grande test sul mercato.

La prima release avrà quindi più peso di una normale anteprima di prodotto. Dovrà dimostrare perché Hark necessita di un impegno infrastrutturale comunemente associato ai laboratori di modelli frontier e ai servizi hyperscale.

Perché gli agenti personalizzati consumano così tanta potenza di calcolo

Un agente personale diventa costoso quando deve ricordare il contesto, percepire diversi tipi di media, ragionare sui compiti e rispondere senza ritardi percepibili.

Un chatbot convenzionale elabora un prompt e genera testo. Hark descrive qualcosa di più persistente. Il suo sistema pianificato dovrebbe comprendere voce e visione, ricordare l’utente, controllare computer e operare tramite dispositivi esistenti o hardware dedicato.

Ogni livello aumenta il carico di lavoro. La voce deve essere trascritta e interpretata. Immagini o video richiedono elaborazione visiva. La memoria richiede il recupero, la classificazione e l’inserimento nel contesto del modello dei record pertinenti.

Un agente deve poi pianificare le azioni, chiamare strumenti, esaminare i risultati e rivedere il proprio approccio. Una richiesta può attivare più passaggi del modello anziché una sola risposta. Servire milioni di sessioni di questo tipo richiederebbe una notevole capacità di inferenza, anche senza addestramento continuo dei modelli.

L’inferenza è particolarmente importante per Hark perché la personalizzazione avviene durante l’utilizzo. Un sistema non può sembrare personale se ogni interazione attende in una lunga coda di elaborazione. Non può nemmeno agire in modo affidabile se il contesto scompare alla fine di ogni sessione.

NVIDIA posiziona Vera Rubin attorno a questi vincoli. La sua piattaforma combina processori, networking, sistemi di memoria e software per ridurre costi e latenza dei carichi di lavoro di ragionamento. Si tratta di affermazioni dell’azienda, e Hark non ha pubblicato benchmark indipendenti della propria implementazione.

La CPU Vera gestisce l’orchestrazione e lo spostamento dei dati attorno ai carichi di lavoro accelerati. Le GPU Rubin eseguono il calcolo intensivo richiesto dai modelli, mentre i processori BlueField e il networking ad alta velocità gestiscono il traffico nelle installazioni più grandi.

Questa architettura affronta un vero collo di bottiglia. I sistemi agentici fanno più che generare token. Durante un compito in più passaggi, spostano il contesto tra archiviazione, processori, strumenti e applicazioni esterne.

L’hardware proposto da Hark aggiunge un’altra sfida. Un dispositivo personale non può ospitare hardware da data center, quindi il prodotto deve suddividere il lavoro tra componenti locali e infrastruttura remota. L’azienda non ha spiegato dove si trovi questo confine.

L’elaborazione locale può ridurre la latenza e limitare le informazioni inviate ai server. L’elaborazione cloud può eseguire modelli più grandi e fornire miglioramenti più frequenti. Un sistema pratico probabilmente utilizzerà entrambe, ma l’equilibrio incide su privacy, prestazioni e costi.

Hark afferma che la sua IA funzionerà attraverso dispositivi esistenti e hardware su misura. Non ha rivelato il design del dispositivo, il sistema operativo, i sensori o le capacità di calcolo locali. Non ha nemmeno spiegato se il suo primo lancio includerà hardware.

Questa incertezza è rilevante perché la visione di prodotto di Hark dipende dall’accesso all’ambiente dell’utente. Voce, visione, controllo del computer e memoria sono più utili quando si collegano tra applicazioni e dispositivi.

Si consideri un normale scenario di lavoro. Un utente potrebbe chiedere a un agente di rivedere le note di una riunione, confrontarle con i documenti di progetto, preparare un aggiornamento sullo stato e pianificare attività di follow-up. L’agente avrebbe bisogno di accesso autorizzato, recupero affidabile, esecuzione di strumenti e un registro delle decisioni precedenti.

Le persone costruiscono già versioni più ristrette di questo flusso di lavoro con una base di conoscenza personale. L’ambizione di Hark è più ampia perché vuole che l’agente coordini percezione, memoria e azioni attraverso un’unica interfaccia.

L’impegno infrastrutturale suggerisce che Hark si aspetta che queste interazioni generino carichi di lavoro intensivi e ricorrenti. La domanda senza risposta è se i clienti attribuiranno a questa integrazione un valore sufficiente a sostenerne il costo.

Hark affronta una corsa all’IA personale, non una corsa all’infrastruttura

La principale concorrenza di Hark proviene da assistenti affermati che possiedono già utenti, distribuzione e funzionalità di memoria in crescita.

OpenAI, Google, Anthropic, Meta, Microsoft e Apple stanno tutti sviluppando sistemi in grado di mantenere il contesto, usare strumenti o operare software. I loro approcci differiscono, ma competono per la stessa posizione di valore tra gli utenti e le loro vite digitali.

Hark entra senza quella base installata. Deve convincere le persone ad affidare a un altro servizio conversazioni, file, preferenze e potenzialmente l’accesso ai dispositivi. L’infrastruttura può migliorare un prodotto, ma non può creare da sola distribuzione o fiducia.

La risposta dell’azienda sembra essere l’integrazione verticale. Hark afferma di sviluppare insieme modelli fondamentali, interfacce software e hardware nativo. Questa strategia può produrre un coordinamento più stretto rispetto a un prodotto assemblato da componenti non correlati.

Può anche aumentare il rischio di esecuzione. Hark deve addestrare modelli, costruire una piattaforma agentica, progettare hardware di consumo, proteggere dati personali e offrire un controllo del computer affidabile. Ciascuno di questi compiti potrebbe sostenere da solo un’azienda di dimensioni rilevanti.

L’identità del fondatore di Hark aumenta le aspettative. Brett Adcock ha in precedenza fondato Archer Aviation e Figure AI. Hark presenta la sua nuova azienda come un laboratorio IA incentrato sull’intelligenza personale anziché sulla robotica industriale.

L’azienda ha divulgato informazioni limitate su personale, struttura di finanziamento o sviluppo del prodotto. Il suo sito web pubblico afferma che sta costruendo “personal intelligence”, ma fornisce pochi dettagli operativi oltre a questa visione.

Questa riservatezza lascia a Hark spazio per svilupparsi prima del lancio. Rende però anche difficile un confronto indipendente. Non esistono valutazioni pubbliche che dimostrino che Hark Handoff funzioni meglio dei sistemi concorrenti di utilizzo del computer.

L’accordo Vera Rubin crea un altro termine di confronto. A marzo, NVIDIA e Thinking Machines Lab hanno annunciato una partnership da un gigawatt per IA personalizzabile e sviluppo di modelli frontier.

Thinking Machines ha divulgato un obiettivo minimo di capacità e un periodo di implementazione previsto. NVIDIA ha inoltre investito in quell’azienda. L’annuncio di Hark descrive capacità su scala gigawatt, ma non identifica un impegno minimo né un investimento di NVIDIA.

Il linguaggio simile mostra come NVIDIA stia ampliando il proprio ruolo oltre la fornitura di hardware. Sta formando relazioni tecniche di lungo periodo con laboratori prima che i loro prodotti raggiungano un’adozione diffusa.

Per NVIDIA, questi accordi possono vincolare alla sua architettura la futura domanda di addestramento e inferenza. Per le startup, offrono accesso a sistemi, software e supporto ingegneristico che sarebbe difficile assemblare in autonomia.

Lo scambio non è automaticamente favorevole per ogni startup. Una profonda integrazione può accelerare lo sviluppo, ma può anche limitare le scelte future. Spostare i carichi di lavoro verso un’altra piattaforma di processori diventa più difficile quando modelli e operazioni dipendono da strumenti specifici del fornitore.

Hark compete quindi su due fronti. Deve eguagliare le capacità degli assistenti offerte da aziende tecnologiche molto più grandi. Deve inoltre utilizzare la propria infrastruttura in modo più efficace delle startup che perseguono prodotti IA personalizzati o personalizzabili simili.

Le prestazioni pure del modello non risolveranno questa competizione. Gli agenti personali necessitano di memoria coerente, autorizzazioni comprensibili, bassa latenza e azioni affidabili. Un modello più piccolo con un design di prodotto migliore può superare un modello più grande in uno specifico flusso di lavoro.

Il vantaggio di Hark, se emergerà, deriverà dal coordinamento di questi elementi. La sua partnership fornisce una base per questo approccio, ma il prodotto dovrà fornire le prove.

Il titolo di rsshub 36kr lascia senza risposta rischi cruciali

Il rischio centrale non è se Hark possa acquisire capacità di calcolo, ma se riesca a rendere un agente ricco di memoria sicuro, affidabile ed economicamente sostenibile.

Il riepilogo originale di rsshub 36kr descrive correttamente le aziende, l'accordo pluriennale e il piano Vera Rubin. Non può rispondere alle domande che Hark ha omesso dall'annuncio.

In primo luogo, la memoria persistente cambia la posta in gioco per la privacy. Un agente personale utile può conservare relazioni, abitudini, cronologia lavorativa, posizioni, comunicazioni e preferenze. Questa raccolta può rivelare più di qualsiasi singolo file o conversazione.

Gli utenti devono sapere cosa ricorda il sistema, dove risiedono tali informazioni e come possono eliminarle. Hanno inoltre bisogno di controlli chiari per separare contesti personali, professionali e condivisi.

Hark non ha descritto pubblicamente tali controlli. Il suo annuncio sottolinea un'IA che “ti conosce”, ma non descrive consenso, periodi di conservazione, crittografia, portabilità dei dati o politiche di addestramento dei modelli.

Queste omissioni non dimostrano l'inadeguatezza delle salvaguardie. Sono questioni irrisolte sul prodotto. Il lancio pubblico di Hark dovrebbe rispondervi prima che gli utenti concedano all'agente un accesso esteso.

In secondo luogo, gli agenti introducono rischi di sicurezza che vanno oltre i normali chatbot. L'indagine sugli agenti del NIST evidenzia prompt injection indiretta, modelli avvelenati, azioni dannose e manipolazione delle specifiche.

La prompt injection indiretta si verifica quando un agente incontra istruzioni ostili nascoste all'interno di contenuti esterni. Un documento o una pagina web compromessi possono tentare di reindirizzare l'agente mentre agisce per conto dell'utente.

Questa minaccia diventa più grave quando un agente può leggere informazioni private o controllare applicazioni. Una risposta testuale errata è scomoda. Un messaggio, un acquisto, un trasferimento di file o una modifica di configurazione non autorizzati possono causare danni duraturi.

Hark non ha pubblicato valutazioni di sicurezza per Handoff o per la sua piattaforma più ampia. Non ha indicato quali azioni richiedano conferma, come scadano le autorizzazioni o se gli utenti possano verificare i passaggi completati.

In terzo luogo, il controllo del computer rimane difficile da valutare. Le interfacce cambiano, gli elementi visivi si spostano e i siti web presentano stati ambigui. Gli agenti possono apparire competenti durante le dimostrazioni, ma fallire in attività lunghe o poco familiari.

Un rilascio credibile richiede più di esempi selezionati. Hark dovrebbe comunicare tassi di completamento delle attività, frequenza degli interventi, latenza, categorie di errore e condizioni utilizzate per i test.

Le valutazioni indipendenti saranno importanti perché Hark definisce Handoff un modello avanzato per l'uso del computer. Finché non emergeranno risultati comparabili, questa descrizione rimarrà una caratterizzazione dell'azienda.

In quarto luogo, un'infrastruttura su scala gigawatt introduce esposizione finanziaria e operativa. I data center di questo livello richiedono energia, raffreddamento, networking, strutture e accordi di fornitura a lungo termine. Nessuna di queste risorse diventa preziosa semplicemente perché un'azienda le riserva.

Hark deve mantenere sistemi costosi impegnati in addestramento utile o inferenza a pagamento. Capacità sottoutilizzata indebolirebbe l'economia, mentre un uso intenso da parte di utenti non redditizi creerebbe un problema diverso.

L'azienda non ha comunicato il proprio modello di business. Un abbonamento per consumatori, la vendita di hardware, un servizio enterprise o un modello misto comporterebbero requisiti diversi in termini di margini e assistenza clienti.

L'hardware dedicato solleva ulteriori interrogativi. I dispositivi per consumatori implicano produzione, inventario, riparazioni, distribuzione e cicli di sostituzione. Queste pressioni differiscono dalla gestione di un servizio software cloud.

Infine, l'impronta ambientale merita un trattamento diretto. Un gigawatt è una misura di potenza, non di intelligenza. L'impatto reale dipende dall'utilizzo, dalla fornitura della rete elettrica, dall'efficienza del raffreddamento, dalle prestazioni dell'hardware e dalla durata del deployment.

NVIDIA afferma che Vera Rubin offre più token per watt rispetto a Blackwell. Si tratta di un'affermazione del fornitore finché non saranno disponibili misurazioni specifiche per i carichi di lavoro e dati operativi.

I miglioramenti dell'efficienza possono anche ridurre i costi d'uso e aumentare la domanda complessiva. Hark dovrebbe quindi riportare sia l'efficienza prestazionale sia il consumo assoluto di risorse se il suo deployment raggiungerà la scala annunciata.

Questi aspetti non invalidano la partnership. Definiscono le prove necessarie per valutarla.

Cosa deve dimostrare Hark dopo l'accordo Vera Rubin

Tre segnali determineranno se l'impegno infrastrutturale di Hark rappresenti una convinzione nel prodotto o capacità assicurata prima delle prove.

Il primo segnale è il lancio pubblico della piattaforma. Hark ha dichiarato che il suo prodotto iniziale sarebbe stato disponibile prima della fine dell'estate, lasciando poco tempo tra annuncio e disponibilità.

Quel lancio dovrebbe rivelare l'effettiva portata del prodotto. I lettori dovrebbero osservare se Hark offrirà accesso aperto, un'anteprima limitata o una dimostrazione strettamente controllata.

I test più importanti riguarderanno flussi di lavoro completi. L'agente può ricordare il contesto rilevante, utilizzare software comuni, recuperare dagli errori e spiegare le proprie azioni senza supervisione costante?

Un lancio con affidabilità misurabile rafforzerebbe l'argomento di Hark secondo cui modelli e infrastruttura integrati creano un assistente differenziato. Un rilascio ritardato o limitato a una messa in scena ristretta indebolirebbe il collegamento tra l'accordo e il valore per l'utente nel breve termine.

Il secondo segnale è un calendario di deployment concreto. Hark deve chiarire quanta capacità Vera Rubin abbia impegnato, dove tale capacità opererà e quando sarà disponibile.

“Su scala gigawatt” potrebbe descrivere un deployment definitivo, un obiettivo graduale o l'accesso tramite partner. Questi accordi comportano livelli diversi di impegno finanziario e rischio di esecuzione.

Un calendario con partner infrastrutturali nominati e tappe di consegna renderebbe l'annuncio più facile da valutare. Un'ambiguità persistente suggerirebbe che il titolo precede il piano operativo.

Il terzo segnale sono le prove relative a sicurezza, affidabilità e adozione. Hark dovrebbe pubblicare benchmark sull'uso del computer, controlli della memoria, regole sulle autorizzazioni e risultati di utenti reali.

L'adozione deve inoltre andare oltre le iscrizioni. Indicatori utili includono utenti di ritorno, attività completate, tassi di intervento e il costo di servire ciascun utente attivo.

Queste misure collegherebbero la capacità di calcolo ai risultati. Senza di esse, un deployment di grandi dimensioni dice più sulla disponibilità di capitale che sulla qualità del prodotto.

Anche NVIDIA ha qualcosa da dimostrare. Vera Rubin è progettato attorno all'inferenza agentica, ma saranno i carichi di lavoro dei clienti a determinare se i suoi vantaggi architetturali si traducano in costi operativi inferiori.

Hark può diventare un test importante perché il prodotto proposto combina diversi carichi di lavoro impegnativi. Voce, visione, memoria, ragionamento e controllo del computer devono funzionare insieme in tempo reale.

Il successo rafforzerebbe l'affermazione di NVIDIA secondo cui sistemi strettamente integrati su scala rack supportano la prossima generazione di agenti. Incoraggerebbe inoltre più startup dell'IA a garantirsi infrastruttura nelle fasi iniziali dei loro cicli di sviluppo.

Il fallimento non metterebbe necessariamente sotto accusa i chip. Progettazione del prodotto, qualità dei modelli, scelte sulla privacy, distribuzione e domanda dei clienti possono prevalere sui vantaggi dell'infrastruttura.

Per gli sviluppatori, la lezione è distinguere la capacità dalla competenza. L'hardware determina ciò che può funzionare su scala. Non determina se un agente scelga l'azione corretta o conquisti la fiducia degli utenti.

Gli acquirenti enterprise dovrebbero applicare la stessa distinzione. L'impegno di un fornitore sui processori non sostituisce documentazione di sicurezza, log di audit, controlli di deployment o risultati prestazionali specifici per il carico di lavoro.

I knowledge worker dovrebbero concentrarsi sul modello delle autorizzazioni. Un agente diventa prezioso quando può utilizzare un contesto rilevante, ma un contesto ampio estende anche le conseguenze di un errore.

La scommessa di Hark è quindi più chiara del suo prodotto. L'azienda ritiene che gli agenti personalizzati richiederanno infrastruttura su scala frontier, memoria persistente e interfacce progettate attorno a un'interazione naturale.

I prossimi mesi mostreranno se questa tesi resisterà al contatto con gli utenti. Osservate il lancio, il calendario di deployment e le prove di sicurezza, in quest'ordine.

Se Hark realizzerà tutti e tre, la partnership Vera Rubin sembrerà una preparazione a una domanda misurabile. Se questi segnali resteranno assenti, il titolo di rsshub 36kr rimarrà una promessa infrastrutturale in attesa di una giustificazione di prodotto.