Hark、ギガワット規模のパーソナライズAIにNVIDIA Vera Rubinを賭ける

Harkは、最初の公開AIプラットフォームをまだローンチしていないにもかかわらず、ギガワット規模のコンピューティングを約束する複数年のNVIDIA提携を締結した。この契約の中核となるのは、推論モデルやAIエージェントのトレーニングと提供向けに設計されたNVIDIAの次世代システム、Vera Rubinだ。中国の読者にはrsshub 36krの短い記事を通じてこのニュースが伝わったが、元となる発表はHarkが直接行ったものだった。

この順序には意味がある。Harkは、外部ユーザーが製品を評価できるようになる前に、最大規模のAIワークロード向けに設計されたインフラへ投資を約束している。同社によれば、この能力は音声、視覚、持続的なメモリ、コンピューター操作を組み合わせるパーソナライズされたエージェントを支えるという。

この賭けをしているのはHarkだけではない。Thinking Machines Lab、OpenAI、その他の潤沢な資金を持つ開発企業も、将来の製品を大規模なVera Rubin導入と結びつけている。Harkは今、この規模のインフラが単に運用コストを増やすのではなく、より優れたパーソナルエージェントを生み出すことを示さなければならない。

この提携でHarkがコミットするのはGPU以上のものだ

Harkが導入するのは、単なるアクセラレータ群の確保ではなく、NVIDIAのコンピューティングシステム全体である。

両社は2026年8月27日に契約を発表した。提携発表によると、技術協力とVera Rubinベースのギガワット規模の能力が対象となる。

両社は、導入スケジュール、正確な能力、データセンターの所在地、財務上のコミットメントを明らかにしていない。「ギガワット規模」は、稼働中の計算能力の検証済みの量ではなく、想定するインフラのクラスを示す表現だ。Harkはまた、システムを所有するのか、能力をリースするのか、複数のインフラ事業者を利用するのかも明示していない。

こうした詳細の欠如が、この発表を実運用上の到達点とは区別する。電力目標だけでは、Harkがいくつのシステムを確保しているのか、それらがいつ利用可能になるのか、あるいはどれほど効率的に使えるのかは分からない。

それでも、この契約はHarkが計画するAIスタック全体に及ぶ。Harkによれば、NVIDIAのインフラはすでに、ソフトウェアインターフェースを操作するために設計されたコンピューター利用モデル、Hark Handoffを支えている。同じインフラがHarkの初期プラットフォームを提供し、将来の基盤モデルのトレーニングにも役立つとされる。

コンピューター利用モデルは画面を解釈し、ソフトウェアインターフェースを通じてアクションを実行する。権限と信頼性の制約のもとで、アプリケーションを開き、情報を入力し、複数ステップのワークフローを完了できる。

Harkはまた、この協業に関与するNVIDIAの技術を4つ挙げた。Megatronは大規模モデルのトレーニングを支援し、Dynamoは分散推論、つまりトレーニング済みモデルをユーザー向けに動かす処理を調整する。Nemotronは寛容なライセンスのトレーニングデータを提供し、NVSentinelはGPUクラスターの障害を監視する。

これらのコンポーネントは、より広範なコミットメントを示している。Harkは、トレーニング、推論、データ、ネットワーキング、クラスター運用をNVIDIAのソフトウェア環境に合わせようとしている。このアプローチは統合作業を減らせる一方、NVIDIAを複数の技術レイヤーの中心的存在にする。

プラットフォーム自体はラック規模のコンピューティングを軸に構築される。NVIDIAによれば、Vera Rubin NVL72システムは72基のRubin GPUと36基のVera CPUを組み合わせる。また、ConnectX-9ネットワーキング、BlueField-4データ処理ユニット、第6世代NVLinkも含む。

NVLinkはプロセッサー間に高帯域幅の接続を構築し、1つのラックが連携したシステムとして大規模モデルを扱えるようにする。このアーキテクチャは、そうでなければ個別のアクセラレータ間で情報を移動するのにかなりの時間を要するワークロードを対象としている。

Harkの発表は、このインフラを近日公開予定のパブリックプラットフォームに結び付けている。同社は、その製品が夏の終わりまでに登場すると述べており、インフラ構想と最初の大規模な市場テストの間隔は異例なほど短い。

したがって最初のリリースは、通常の製品プレビュー以上の重みを持つ。Harkが、最先端モデルの研究所やハイパースケールサービスと一般に結び付けられるインフラコミットメントをなぜ必要とするのかを示さなければならない。

パーソナライズされたエージェントがこれほど多くの計算資源を消費する理由

パーソナルエージェントは、文脈を記憶し、複数のメディア形式を認識し、タスクを推論し、目立った遅延なく応答する必要があるため、高コストになりやすい。

従来のチャットボットは、プロンプトを処理してテキストを生成する。Harkが説明するのは、より持続的な仕組みだ。計画中のシステムは、音声と視覚を理解し、ユーザーを記憶し、コンピューターを操作し、既存のデバイスまたは専用ハードウェアを通じて動作することが想定されている。

各レイヤーがワークロードを増やす。音声は文字起こしと解釈が必要だ。画像や動画には視覚処理が求められる。メモリでは、関連する記録を取得、順位付けし、モデルのコンテキストに挿入しなければならない。

さらにエージェントは、行動を計画し、ツールを呼び出し、結果を確認し、アプローチを修正する必要がある。1つの依頼で、1回の応答ではなく複数回のモデル処理が発生しうる。このようなセッションを数百万件提供するには、継続的なモデル学習を行わなくても相当な推論能力が必要になる。

Harkにとって推論は特に重要だ。なぜなら、パーソナライゼーションは利用中に生じるからである。あらゆる対話が長い処理待ち行列の後に実行されるなら、システムはパーソナルとは感じられない。セッションが終わるたびに文脈が消えるなら、信頼性のある行動も難しい。

NVIDIAは、Vera Rubinをこうした制約を念頭に位置付けている。そのプラットフォームはプロセッサー、ネットワーキング、メモリシステム、ソフトウェアを組み合わせ、推論ワークロードのコストと遅延を低減するとしている。これは企業側の主張であり、Harkは自社実装に関する独立したベンチマークを公開していない。

Vera CPUは、アクセラレーションされたワークロード周辺のオーケストレーションとデータ移動を担う。Rubin GPUはモデルに必要な高密度の計算を実行し、BlueFieldプロセッサーと高速ネットワーキングは大規模な設備全体のトラフィックを管理する。

このアーキテクチャは、実際のボトルネックに対応している。エージェント型システムは、トークンを生成するだけではない。複数ステップのタスクを進めるあいだ、ストレージ、プロセッサー、ツール、外部アプリケーションの間でコンテキストを移動させる。

Harkが提案するハードウェアは、さらなる課題を加える。パーソナルデバイスにデータセンター用ハードウェアを搭載することはできないため、製品はローカルコンポーネントとリモートインフラの間で処理を分担しなければならない。同社はその境界を説明していない。

ローカル処理は遅延を減らし、サーバーへ送る情報を限定できる。クラウド処理では、より大規模なモデルを実行し、より頻繁な改善を提供できる。実用的なシステムはおそらく両方を使うが、そのバランスはプライバシー、性能、コストに影響する。

Harkは、自社AIが既存デバイスと専用ハードウェアを通じて動作すると述べている。デバイス設計、オペレーティングシステム、センサー、ローカルのコンピューティング能力は明らかにしていない。最初のローンチにハードウェアが含まれるかどうかも説明していない。

この不確実性は重要だ。Harkの製品ビジョンは、ユーザーの環境へのアクセスに依存しているからである。音声、視覚、コンピューター操作、メモリは、アプリケーションやデバイスをまたいで接続されるときに最も有用になる。

日常的な業務シナリオを考えてみよう。ユーザーはエージェントに、会議メモを確認し、プロジェクト文書と比較し、進捗報告を作成し、フォローアップタスクをスケジュールするよう依頼できる。エージェントには、権限に基づくアクセス、信頼できる検索、ツール実行、過去の決定の記録が必要になる。

人々はすでに、こうしたワークフローをより限定的な形でパーソナルナレッジベースによって構築している。Harkの野心は、1つのインターフェースを通じて認識、メモリ、アクションを連携させようとしている点でより広い。

インフラへのコミットメントは、Harkがこうした対話から高負荷かつ継続的なワークロードが生じると見込んでいることを示唆する。未解決の問題は、顧客がその統合にコストを支えられるほどの価値を見いだすかどうかだ。

Harkが直面するのは、インフラ競争ではなくパーソナルAI競争だ

Harkの主要な競合相手は、すでにユーザー、流通網、拡大しつつあるメモリ機能を持つ既存のアシスタントである。

OpenAI、Google、Anthropic、Meta、Microsoft、Appleはいずれも、コンテキストを保持し、ツールを使用し、ソフトウェアを操作できるシステムを開発している。アプローチは異なるが、ユーザーとそのデジタル生活の間に位置するという同じ価値ある領域をめぐって競争している。

Harkはその既存ユーザー基盤なしに参入する。人々に対し、会話、ファイル、嗜好、そして場合によってはデバイスへのアクセスを別のサービスに委ねるよう説得しなければならない。インフラは製品を改善しうるが、それだけで流通網や信頼を生み出すことはできない。

同社の答えは、垂直統合にあるようだ。Harkは、基盤モデル、ソフトウェアインターフェース、ネイティブハードウェアを一体で開発しているとしている。この戦略は、無関係なコンポーネントを組み合わせた製品よりも緊密な連携を生み出せる。

一方で、実行リスクも高まる。Harkは、モデルのトレーニング、エージェントプラットフォームの構築、消費者向けハードウェアの設計、個人データの保護、信頼性の高いコンピューター操作の提供を同時に進めなければならない。それぞれの課題だけでも大規模な企業を支えるに足るものだ。

Hark創業者の経歴は期待を高める。Brett Adcockは以前、Archer AviationとFigure AIを創業した。Harkはこの新会社を、産業用ロボティクスではなくパーソナルインテリジェンスに焦点を当てるAI研究所として位置付けている。

同社は、スタッフ、資金調達の構造、製品開発について限られた情報しか開示していない。公開ウェブサイトは「personal intelligence」を構築していると記しているが、そのビジョンを超える運用上の詳細はほとんど示していない。

この秘密主義により、Harkはローンチ前に開発を進める余地を得られる。一方で、独立した比較は難しくなる。Hark Handoffが競合するコンピューター利用システムより優れた性能を示すという公開評価は存在しない。

Vera Rubinの契約は、別の比較も生む。3月、NVIDIAとThinking Machines Labは、カスタマイズ可能なAIと最先端モデル開発のための1ギガワットの提携を発表した。

Thinking Machinesは、最低能力目標と想定する導入期間を開示した。NVIDIAも同社に出資している。Harkの発表はギガワット規模の能力を説明しているが、最低コミットメントやNVIDIAによる出資は特定していない。

似た表現は、NVIDIAがハードウェア供給を超えて役割を拡大していることを示す。同社は、製品が広く採用される前の研究所と長期的な技術関係を構築している。

NVIDIAにとって、こうした契約は将来のトレーニングおよび推論需要を自社アーキテクチャに固定できる。スタートアップにとっては、独力で組み立てるのが難しいシステム、ソフトウェア、エンジニアリング支援へのアクセスを提供する。

この取引がすべてのスタートアップにとって自動的に有利とは限らない。深い統合は開発を加速できるが、将来の選択肢を制約する可能性もある。モデルと運用がベンダー固有のツールに依存した後では、ワークロードを別のプロセッサープラットフォームへ移すことは難しくなる。

したがってHarkは、二つの戦線で競争することになる。はるかに大きなテクノロジー企業が提供するアシスタント機能に匹敵しなければならない。同時に、類似したパーソナライズAIまたはカスタマイズ可能なAI製品を追求するスタートアップよりも、インフラを効果的に活用する必要がある。

生のモデル性能だけでは、この競争の決着はつかない。パーソナルエージェントには、一貫したメモリ、分かりやすい権限管理、低遅延、信頼できるアクションが必要だ。より優れた製品設計を持つ小規模モデルは、特定のワークフローではより大規模なモデルを上回りうる。

Harkの優位性が生まれるとすれば、それはこれらの要素をいかに連携させるかにかかっている。提携はそのアプローチの土台となるが、証拠を示すのは製品そのものでなければならない。

rsshub 36krの見出しが答えていない主要なリスク

中心的なリスクは、Harkがコンピューティング能力を確保できるかどうかではなく、豊富なメモリを持つエージェントを安全で信頼でき、かつ経済的に持続可能なものにできるかどうかだ。

元のrsshub 36krの要約は、各社、複数年契約、Vera Rubinの計画を正確に捉えている。一方で、Harkが発表で省いた疑問には答えられない。

第一に、永続的なメモリはプライバシー上のリスクを変える。有用なパーソナルエージェントは、人間関係、日常の習慣、職歴、位置情報、コミュニケーション、嗜好を保持する可能性がある。こうした情報の集合は、単一のファイルや会話よりも多くを明らかにしうる。

ユーザーは、システムが何を記憶し、その情報がどこに保存され、どのように削除できるのかを知る必要がある。また、個人、仕事、共有のコンテキストを分けるための明確な管理機能も必要だ。

Harkはこれらの管理機能について、公開情報で詳しく説明していない。同社の発表は「あなたを知っている」AIを強調しているが、同意、保存期間、暗号化、データポータビリティ、モデル学習方針については説明していない。

こうした欠落は、保護策が弱いことの証明ではない。未解決の製品上の疑問である。ユーザーがエージェントに広範なアクセスを与える前に、Harkの正式ローンチでこれらに答えるべきだ。

第二に、エージェントは通常のチャットボットを超えるセキュリティリスクをもたらす。NISTのエージェントに関する照会は、間接的なプロンプトインジェクション、汚染されたモデル、有害な行動、仕様の抜け道を突く行為を挙げている。

間接的なプロンプトインジェクションは、エージェントが外部コンテンツに隠された悪意ある指示に遭遇した際に発生する。侵害された文書やWebページは、ユーザーのために行動しているエージェントを誘導し直そうとする可能性がある。

エージェントが私的な情報を読み取れたり、アプリケーションを操作できたりする場合、この脅威はより深刻になる。誤ったテキスト回答なら不便で済む。しかし、無許可のメッセージ送信、購入、ファイル転送、設定変更は、長期的な被害をもたらしかねない。

Harkは、Handoffやより広範なプラットフォームについてのセキュリティ評価を公開していない。どの操作に確認が必要か、権限がどのように失効するか、ユーザーが完了済みの手順を監査できるかも明らかにしていない。

第三に、コンピュータ操作は依然として評価が難しい。インターフェースは変化し、視覚要素は移動し、Webサイトは曖昧な状態を提示する。エージェントはデモでは有能に見えても、長時間の作業や未知のタスクでは失敗する可能性がある。

信頼できるリリースには、選ばれた事例以上のものが必要だ。Harkは、タスク完了率、介入頻度、レイテンシ、失敗の分類、テスト条件を開示すべきである。

HarkはHandoffを高度なコンピュータ利用モデルと呼んでいるため、独立した評価が重要になる。同等の結果が示されるまでは、その説明は同社による位置づけにとどまる。

第四に、ギガワット規模のインフラには財務面と運用面のリスクがある。このレベルのデータセンターには、電力、冷却、ネットワーク、施設、長期的な供給契約が必要になる。企業がそれらを確保しただけで、いずれも価値を生むわけではない。

Harkは、高価なシステムを有用な学習または有償推論で稼働させ続けなければならない。容量が十分に使われなければ経済性が弱まり、収益性のないユーザーによる大量利用は別の問題を生む。

同社は事業モデルを開示していない。消費者向けサブスクリプション、ハードウェア販売、法人向けサービス、あるいはそれらを組み合わせたモデルでは、利益率と顧客サポートに求められる条件が異なる。

専用ハードウェアはさらに疑問を生む。消費者向けデバイスには、製造、在庫、修理、流通、買い替えサイクルが関わる。これらの負担は、クラウド型ソフトウェアサービスの運営とは異なる。

最後に、環境負荷についても直接的な検討が必要だ。ギガワットは知能ではなく、電力の単位である。実際の影響は、稼働率、送電網からの供給、冷却効率、ハードウェア性能、導入期間に左右される。

NVIDIAは、Vera RubinがBlackwellよりもワット当たりで多くのトークンを提供するとしている。ワークロード別の測定値と運用データが得られるまでは、これはベンダー側の主張にすぎない。

効率の改善は利用コストを下げ、総需要を増やす可能性もある。したがって、Harkの導入が発表された規模に達するなら、性能効率と絶対的な資源消費量の双方を報告すべきだ。

これらの問題は提携を否定するものではない。提携を判断するために必要な証拠を定義するものだ。

Vera Rubin契約後にHarkが証明すべきこと

Harkのインフラ投資が製品への確信を示すのか、それとも証拠に先立って確保された容量にすぎないのかは、3つのシグナルによって決まる。

第一のシグナルは、公開プラットフォームのローンチだ。Harkは最初の製品を夏の終わりまでに利用可能にするとしており、発表から提供開始までの時間はほとんど残されていない。

そのローンチでは、製品の実際の範囲が明らかになるはずだ。読者は、Harkがオープンアクセス、限定プレビュー、厳格に管理されたデモのどれを提供するのか注視すべきである。

最も重要な試験は、完全なワークフローに関わるものだ。エージェントは関連するコンテキストを記憶し、一般的なソフトウェアを操作し、エラーから回復し、常時の監督なしに行動を説明できるだろうか。

測定可能な信頼性を伴うローンチは、統合されたモデルとインフラが差別化されたアシスタントを生み出すというHarkの主張を強める。延期されたリリースや、範囲を狭く限定した提供であれば、この契約と短期的なユーザー価値の結びつきは弱まる。

第二のシグナルは、具体的な導入スケジュールだ。Harkは、どれだけのVera Rubin容量を確保したのか、その容量がどこで稼働するのか、いつ利用可能になるのかを明確にする必要がある。

「ギガワット規模」は、確定した導入、段階的な目標、あるいはパートナーを通じたアクセスを意味しうる。こうした形態は、財務上のコミットメントと実行リスクの水準がそれぞれ異なる。

名前の挙がったインフラパートナーと提供マイルストーンを伴うスケジュールがあれば、発表は評価しやすくなる。曖昧さが続くなら、見出しが運用計画を先行していることを示唆する。

第三のシグナルは、安全性、信頼性、採用状況を示す証拠である。Harkは、コンピュータ利用のベンチマーク、メモリ管理機能、権限ルール、実際のユーザーから得られた結果を公表すべきだ。

採用状況は登録数だけで測るべきではない。有用な指標には、継続利用者、完了したタスク、介入率、アクティブユーザー1人当たりの提供コストが含まれる。

こうした指標は、コンピューティング能力を成果に結びつける。それがなければ、大規模な導入は製品品質よりも資本調達力を物語ることになる。

NVIDIAにも証明すべきことがある。Vera Rubinはエージェント型推論を念頭に設計されているが、そのアーキテクチャ上の利点が運用コストの低下につながるかどうかは、顧客のワークロードによって決まる。

Harkの提案する製品は複数の負荷の高いワークロードを組み合わせており、重要な試験事例になりうる。音声、視覚、メモリ、推論、コンピュータ操作が、リアルタイムで連携しなければならない。

成功すれば、密結合されたラックスケールシステムが次世代のエージェントを支えるというNVIDIAの主張を強化する。また、より多くのAIスタートアップが開発サイクルの早い段階でインフラを確保することを後押しするだろう。

失敗が必ずしもチップの問題を示すわけではない。製品設計、モデル品質、プライバシーに関する選択、流通、顧客需要が、インフラの優位性を上回る可能性がある。

開発者にとっての教訓は、容量と能力を分けて考えることだ。ハードウェアは、何を大規模に実行できるかを決める。しかし、エージェントが正しい行動を選べるか、ユーザーの信頼を得られるかは決めない。

企業の購買担当者も同じ区別を適用すべきである。ベンダーのプロセッサに関するコミットメントは、セキュリティ文書、監査ログ、導入管理、ワークロード固有の性能結果の代わりにはならない。

ナレッジワーカーは権限モデルに注目すべきだ。エージェントは関連するコンテキストを利用できるときに価値を発揮するが、広範なコンテキストは同時にミスの影響も拡大する。

したがって、Harkの賭けは製品より明確だ。同社は、パーソナライズされたエージェントには最先端規模のインフラ、永続的なメモリ、自然なインタラクションを中心に設計されたインターフェースが必要になると考えている。

今後数か月で、この仮説がユーザーとの接点に耐えられるかが明らかになる。ローンチ、導入スケジュール、安全性の証拠を、この順番で見守るべきだ。

Harkがこの3つをすべて実現すれば、Vera Rubinとの提携は測定可能な需要に備えるための準備として映るだろう。これらのシグナルがなお見られなければ、rsshub 36krの見出しは、製品の根拠を待つインフラの約束として残る。