Hark stawia na NVIDIA Vera Rubin dla spersonalizowanej AI w skali gigawatów

Hark podpisał wieloletnią umowę partnerską z NVIDIA, która obiecuje moc obliczeniową w skali gigawatów, choć jego pierwsza publiczna platforma AI jeszcze nie wystartowała. Umowa koncentruje się na Vera Rubin, systemie nowej generacji NVIDIA do trenowania i obsługi modeli rozumujących oraz agentów AI. Krótka informacja rsshub 36kr przybliżyła tę wiadomość chińskim czytelnikom, ale pierwotne ogłoszenie pochodziło bezpośrednio od Hark.

Kolejność ma znaczenie. Hark zobowiązuje się do wykorzystania infrastruktury zaprojektowanej dla największych obciążeń AI, zanim użytkownicy zewnętrzni będą mogli ocenić jego produkt. Firma twierdzi, że ta pojemność będzie wspierać spersonalizowanych agentów łączących mowę, obraz, trwałą pamięć i kontrolę nad komputerem.

Hark nie jest jedyną firmą, która stawia na ten scenariusz. Thinking Machines Lab, OpenAI i inni dobrze finansowani deweloperzy również powiązali przyszłe produkty z dużymi wdrożeniami Vera Rubin. Hark musi teraz udowodnić, że infrastruktura tej skali tworzy lepszego osobistego agenta, a nie po prostu wyższy rachunek operacyjny.

Partnerstwo wiąże Hark z czymś więcej niż GPU

Hark inwestuje w kompletny system obliczeniowy NVIDIA, a nie tylko rezerwuje zbiór akceleratorów.

Firmy ogłosiły porozumienie 27 sierpnia 2026 r. Zgodnie z ogłoszeniem o partnerstwie obejmuje ono współpracę techniczną i pojemność w skali gigawatów opartą na Vera Rubin.

Żadna z firm nie ujawniła harmonogramu wdrożenia, dokładnej pojemności, lokalizacji centrum danych ani zobowiązania finansowego. „Skala gigawatów” opisuje docelową klasę infrastruktury, a nie zweryfikowaną ilość działającej mocy obliczeniowej. Hark nie sprecyzował też, czy będzie właścicielem systemów, wynajmie pojemność, czy skorzysta z kilku dostawców infrastruktury.

Brak tych szczegółów odróżnia ogłoszenie od operacyjnego kamienia milowego. Cel dotyczący mocy nie mówi, ile systemów Hark zabezpieczył, kiedy staną się dostępne ani jak efektywnie firma będzie potrafiła je wykorzystać.

Porozumienie obejmuje jednak cały planowany stos AI Hark. Hark twierdzi, że infrastruktura NVIDIA już wspierała Hark Handoff, model korzystający z komputera, zaprojektowany do obsługi interfejsów oprogramowania. Ta sama infrastruktura ma podobno obsługiwać pierwszą platformę Hark i pomagać trenować przyszłe modele bazowe firmy.

Modele korzystające z komputera interpretują ekran i wykonują działania poprzez interfejsy oprogramowania. Mogą otwierać aplikacje, wprowadzać informacje i realizować wieloetapowe procesy robocze, z zastrzeżeniem ograniczeń dotyczących uprawnień i niezawodności.

Hark wymienił również cztery technologie NVIDIA zaangażowane we współpracę. Megatron wspiera trenowanie dużych modeli, natomiast Dynamo koordynuje rozproszone wnioskowanie, czyli proces uruchamiania wytrenowanych modeli dla użytkowników. Nemotron dostarcza danych treningowych na liberalnej licencji, a NVSentinel monitoruje klastry GPU pod kątem awarii.

Te komponenty ujawniają szerszy zakres zobowiązania. Hark dostosowuje trenowanie, wnioskowanie, dane, sieci i operacje klastrowe do środowiska oprogramowania NVIDIA. Takie podejście może ograniczyć pracę integracyjną, ale czyni też NVIDIA centralnym elementem kilku warstw technicznych.

Sama platforma opiera się na obliczeniach w skali szafy serwerowej. NVIDIA podaje, że system Vera Rubin NVL72 łączy 72 GPU Rubin i 36 CPU Vera. Obejmuje również sieć ConnectX-9, jednostki przetwarzania danych BlueField-4 oraz NVLink szóstej generacji.

NVLink tworzy połączenie o wysokiej przepustowości między procesorami, pozwalając jednej szafie obsługiwać duże modele jako skoordynowany system. Architektura ta jest przeznaczona dla obciążeń, które w przeciwnym razie zużywałyby znaczną ilość czasu na przenoszenie informacji między osobnymi akceleratorami.

Ogłoszenie Hark łączy tę infrastrukturę z nadchodzącą publiczną platformą. Firma poinformowała, że produkt pojawi się przed końcem lata, co tworzy nietypowo krótką przerwę między jej narracją infrastrukturalną a pierwszym poważnym testem rynkowym.

Pierwsze wydanie będzie więc miało większe znaczenie niż zwykła zapowiedź produktu. Musi pokazać, dlaczego Hark potrzebuje zobowiązania infrastrukturalnego zwykle kojarzonego z laboratoriami modeli frontierowych i usługami hiperskalowymi.

Dlaczego spersonalizowani agenci zużywają tak dużo mocy obliczeniowej

Osobisty agent staje się kosztowny, gdy musi pamiętać kontekst, postrzegać kilka rodzajów mediów, rozumować w ramach zadań i reagować bez zauważalnych opóźnień.

Konwencjonalny chatbot przetwarza polecenie i generuje tekst. Hark opisuje coś bardziej trwałego. Planowany system ma rozumieć mowę i obraz, pamiętać użytkownika, kontrolować komputery oraz działać za pośrednictwem istniejących urządzeń lub dedykowanego sprzętu.

Każda warstwa zwiększa obciążenie. Mowa musi zostać transkrybowana i zinterpretowana. Obrazy lub wideo wymagają przetwarzania wizualnego. Pamięć wymaga wyszukania, uszeregowania i wstawienia odpowiednich zapisów do kontekstu modelu.

Agent musi następnie zaplanować działania, wywołać narzędzia, sprawdzić wyniki i zrewidować swoje podejście. Jedno polecenie może uruchamiać kilka przebiegów modelu zamiast jednej odpowiedzi. Obsługa milionów takich sesji wymagałaby znaczącej pojemności inferencyjnej, nawet bez ciągłego trenowania modeli.

Wnioskowanie jest szczególnie ważne dla Hark, ponieważ personalizacja zachodzi podczas użytkowania. System nie może sprawiać wrażenia osobistego, jeśli każda interakcja czeka w długiej kolejce przetwarzania. Nie może też działać niezawodnie, jeśli kontekst znika po zakończeniu sesji.

NVIDIA pozycjonuje Vera Rubin wokół tych ograniczeń. Jej platforma łączy procesory, sieci, systemy pamięci i oprogramowanie, aby obniżyć koszt oraz opóźnienia obciążeń związanych z rozumowaniem. Są to twierdzenia firmy, a Hark nie opublikował niezależnych benchmarków swojej implementacji.

CPU Vera obsługuje orkiestrację i przepływ danych wokół przyspieszanych obciążeń. GPU Rubin wykonują intensywne obliczenia wymagane przez modele, natomiast procesory BlueField i szybka sieć zarządzają ruchem w większych instalacjach.

Ta architektura odpowiada na rzeczywiste wąskie gardło. Systemy agentowe robią więcej niż generowanie tokenów. W trakcie wieloetapowego zadania przenoszą kontekst między pamięcią masową, procesorami, narzędziami i aplikacjami zewnętrznymi.

Proponowany przez Hark sprzęt dodaje kolejne wyzwanie. Osobiste urządzenie nie może zawierać sprzętu centrum danych, więc produkt musi podzielić pracę między komponenty lokalne a infrastrukturę zdalną. Firma nie wyjaśniła tej granicy.

Przetwarzanie lokalne może zmniejszyć opóźnienia i ograniczyć informacje wysyłane na serwery. Przetwarzanie w chmurze może uruchamiać większe modele i zapewniać częstsze ulepszenia. Praktyczny system prawdopodobnie wykorzysta oba podejścia, ale równowaga wpływa na prywatność, wydajność i koszt.

Hark twierdzi, że jego AI będzie działać za pośrednictwem istniejących urządzeń i tworzonego na zamówienie sprzętu. Nie ujawnił projektu urządzenia, systemu operacyjnego, czujników ani lokalnych możliwości obliczeniowych. Nie wyjaśnił też, czy pierwsze uruchomienie obejmuje sprzęt.

Ta niepewność ma znaczenie, ponieważ wizja produktu Hark zależy od dostępu do środowiska użytkownika. Mowa, obraz, kontrola komputera i pamięć są najbardziej użyteczne, gdy łączą się między aplikacjami i urządzeniami.

Rozważmy rutynowy scenariusz pracy. Użytkownik mógłby poprosić agenta o przejrzenie notatek ze spotkania, porównanie ich z dokumentami projektowymi, przygotowanie aktualizacji statusu i zaplanowanie zadań uzupełniających. Agent potrzebowałby dostępu opartego na uprawnieniach, niezawodnego wyszukiwania, wykonywania narzędzi oraz zapisu wcześniejszych decyzji.

Ludzie już tworzą węższe wersje takiego procesu za pomocą osobistej bazy wiedzy. Ambicja Hark jest szersza, ponieważ firma chce, aby agent koordynował postrzeganie, pamięć i działania przez jeden interfejs.

Zobowiązanie infrastrukturalne sugeruje, że Hark spodziewa się, iż te interakcje będą generować intensywne, powtarzalne obciążenia. Nierozstrzygnięte pytanie brzmi, czy klienci docenią tę integrację na tyle, by uzasadnić jej koszt.

Hark staje przed wyścigiem o osobistą AI, a nie wyścigiem infrastrukturalnym

Główna konkurencja Hark pochodzi od uznanych asystentów, którzy już dysponują użytkownikami, dystrybucją i rozwijającymi się funkcjami pamięci.

OpenAI, Google, Anthropic, Meta, Microsoft i Apple rozwijają systemy, które potrafią zachowywać kontekst, korzystać z narzędzi lub obsługiwać oprogramowanie. Ich podejścia się różnią, ale konkurują o tę samą cenną pozycję między użytkownikami a ich cyfrowym życiem.

Hark wchodzi na rynek bez tej zainstalowanej bazy. Musi przekonać ludzi, by zaufali kolejnej usłudze w kwestii rozmów, plików, preferencji i potencjalnie dostępu do urządzeń. Infrastruktura może poprawić produkt, ale sama nie stworzy dystrybucji ani zaufania.

Odpowiedzią firmy wydaje się integracja pionowa. Hark twierdzi, że rozwija jednocześnie modele bazowe, interfejsy oprogramowania i natywny sprzęt. Ta strategia może zapewnić ściślejszą koordynację niż produkt złożony z niepowiązanych komponentów.

Może również zwiększać ryzyko realizacyjne. Hark musi trenować modele, budować platformę agentową, projektować sprzęt konsumencki, zabezpieczać dane osobowe i zapewniać niezawodną kontrolę komputera. Każde z tych zadań mogłoby samo w sobie stanowić podstawę dla dużej firmy.

Tożsamość założyciela Hark podnosi oczekiwania. Brett Adcock wcześniej założył Archer Aviation i Figure AI. Hark przedstawia jego nową firmę jako laboratorium AI skoncentrowane na osobistej inteligencji, a nie robotyce przemysłowej.

Firma ujawniła niewiele informacji o swoim zespole, strukturze finansowania lub rozwoju produktu. Jej publiczna strona internetowa mówi, że buduje „personal intelligence”, ale poza tą wizją podaje niewiele szczegółów operacyjnych.

Ta tajemniczość daje Hark przestrzeń na rozwój przed premierą. Utrudnia też niezależne porównanie. Nie ma publicznych ocen pokazujących, że Hark Handoff działa lepiej niż konkurencyjne systemy korzystające z komputera.

Porozumienie Vera Rubin tworzy kolejne porównanie. W marcu NVIDIA i Thinking Machines Lab ogłosiły partnerstwo o mocy jednego gigawata dotyczące konfigurowalnej AI i rozwoju modeli frontierowych.

Thinking Machines ujawniło minimalny cel pojemności oraz planowany okres wdrożenia. NVIDIA zainwestowała również w tę firmę. Ogłoszenie Hark opisuje pojemność w skali gigawatów, ale nie wskazuje minimalnego zobowiązania ani inwestycji NVIDIA.

Podobne sformułowania pokazują, jak NVIDIA rozszerza swoją rolę poza dostawy sprzętu. Firma tworzy długoterminowe relacje techniczne z laboratoriami, zanim ich produkty osiągną szeroką adopcję.

Dla NVIDIA takie umowy mogą związać przyszły popyt na trenowanie i wnioskowanie z jej architekturą. Dla startupów oferują dostęp do systemów, oprogramowania i wsparcia inżynieryjnego, które trudno byłoby zbudować samodzielnie.

Taka wymiana nie jest automatycznie korzystna dla każdego startupu. Głęboka integracja może przyspieszyć rozwój, ale może też ograniczać przyszłe wybory. Przenoszenie obciążeń na inną platformę procesorową staje się trudniejsze, gdy modele i operacje zależą od narzędzi specyficznych dla dostawcy.

Hark konkuruje więc na dwóch frontach. Musi dorównać możliwościom asystentów oferowanym przez znacznie większe firmy technologiczne. Musi też wykorzystywać swoją infrastrukturę skuteczniej niż startupy rozwijające podobne produkty spersonalizowanej lub konfigurowalnej AI.

Surowa wydajność modeli nie rozstrzygnie tego pojedynku. Osobiści agenci potrzebują spójnej pamięci, zrozumiałych uprawnień, niskich opóźnień i niezawodnych działań. Mniejszy model z lepszym projektem produktu może przewyższać większy model w konkretnym procesie roboczym.

Przewaga Hark, jeśli się ujawni, będzie wynikać z koordynacji tych elementów. Partnerstwo zapewnia fundament dla takiego podejścia, ale produkt musi dostarczyć dowodów.

Nagłówek rsshub 36kr pozostawia kluczowe ryzyka bez odpowiedzi

Główne ryzyko nie polega na tym, czy Hark może pozyskać moc obliczeniową, lecz czy potrafi uczynić agenta z bogatą pamięcią bezpiecznym, niezawodnym i ekonomicznie zrównoważonym.

Oryginalne podsumowanie rsshub 36kr trafnie przedstawia firmy, wieloletnią umowę i plan Vera Rubin. Nie może jednak odpowiedzieć na pytania, które Hark pominął w ogłoszeniu.

Po pierwsze, trwała pamięć zmienia stawkę w kwestii prywatności. Użyteczny osobisty agent może przechowywać informacje o relacjach, rutynach, historii pracy, lokalizacjach, komunikacji i preferencjach. Taki zbiór danych może ujawnić więcej niż pojedynczy plik lub rozmowa.

Użytkownicy muszą wiedzieć, co system zapamiętuje, gdzie te informacje są przechowywane i jak można je usunąć. Potrzebują również jasnych mechanizmów rozdzielania kontekstów osobistych, zawodowych i współdzielonych.

Hark nie przedstawił publicznie szczegółów tych mechanizmów. W ogłoszeniu podkreśla AI, które „zna cię”, ale nie opisuje zasad zgody, okresów przechowywania danych, szyfrowania, przenoszalności danych ani polityki trenowania modeli.

Te braki nie są dowodem na słabe zabezpieczenia. To nierozstrzygnięte pytania produktowe. Publiczna premiera Hark powinna na nie odpowiedzieć, zanim użytkownicy przyznają agentowi szeroki dostęp.

Po drugie, agenci wprowadzają zagrożenia bezpieczeństwa wykraczające poza zwykłe chatboty. Zapytanie NIST dotyczące agentów wskazuje na pośrednie wstrzykiwanie promptów, zatrute modele, szkodliwe działania i manipulowanie specyfikacją.

Pośrednie wstrzykiwanie promptów występuje, gdy agent napotyka w zewnętrznej treści wrogie instrukcje. Przejęty dokument lub strona internetowa może próbować przekierować agenta podczas działania w imieniu użytkownika.

Zagrożenie staje się poważniejsze, gdy agent może odczytywać prywatne informacje lub kontrolować aplikacje. Błędna odpowiedź tekstowa jest niewygodna. Nieautoryzowana wiadomość, zakup, transfer pliku lub zmiana konfiguracji mogą spowodować trwałe szkody.

Hark nie opublikował ocen bezpieczeństwa dla Handoff ani swojej szerszej platformy. Nie określił, które działania wymagają potwierdzenia, jak wygasają uprawnienia ani czy użytkownicy mogą audytować wykonane kroki.

Po trzecie, kontrola komputera nadal jest trudna do oceny. Interfejsy się zmieniają, elementy wizualne przemieszczają się, a strony internetowe prezentują niejednoznaczne stany. Agenci mogą sprawiać wrażenie kompetentnych podczas demonstracji, a jednocześnie zawodzić przy długich lub nieznanych zadaniach.

Wiarygodne wydanie wymaga czegoś więcej niż wybranych przykładów. Hark powinien ujawnić wskaźniki ukończenia zadań, częstotliwość interwencji, opóźnienia, kategorie błędów i warunki testów.

Niezależne oceny będą ważne, ponieważ Hark określa Handoff jako zaawansowany model do obsługi komputera. Dopóki nie pojawią się porównywalne wyniki, opis ten pozostaje charakterystyką firmy.

Po czwarte, infrastruktura w skali gigawatów wiąże się z ryzykiem finansowym i operacyjnym. Centra danych na tym poziomie wymagają energii, chłodzenia, sieci, obiektów i długoterminowych umów dostaw. Żaden z tych zasobów nie staje się wartościowy wyłącznie dlatego, że firma go zarezerwowała.

Hark musi utrzymywać kosztowne systemy zajęte użytecznym treningiem lub płatną inferencją. Niewykorzystana pojemność osłabiłaby ekonomikę, natomiast intensywne użycie przez nierentownych użytkowników stworzyłoby inny problem.

Firma nie ujawniła modelu biznesowego. Subskrypcja konsumencka, sprzedaż sprzętu, usługa dla przedsiębiorstw lub model mieszany oznaczałyby inne wymagania dotyczące marż i obsługi klienta.

Dedykowany sprzęt rodzi kolejne pytania. Urządzenia konsumenckie wiążą się z produkcją, zapasami, naprawami, dystrybucją i cyklami wymiany. Presje te różnią się od prowadzenia usługi oprogramowania w chmurze.

Wreszcie, ślad środowiskowy zasługuje na bezpośrednie omówienie. Gigawat jest miarą mocy, a nie inteligencji. Rzeczywisty wpływ zależy od wykorzystania, zasilania sieciowego, efektywności chłodzenia, wydajności sprzętu i czasu trwania wdrożenia.

NVIDIA twierdzi, że Vera Rubin dostarcza więcej tokenów na wat niż Blackwell. To deklaracja dostawcy, dopóki nie będą dostępne pomiary dla konkretnych obciążeń i dane operacyjne.

Poprawa efektywności może także obniżyć koszty użytkowania i zwiększyć całkowity popyt. Hark powinien zatem raportować zarówno efektywność wydajnościową, jak i bezwzględne zużycie zasobów, jeśli jego wdrożenie osiągnie zapowiedzianą skalę.

Te kwestie nie unieważniają partnerstwa. Określają dowody potrzebne do jego oceny.

Co Hark musi udowodnić po umowie dotyczącej Vera Rubin

Trzy sygnały zdecydują, czy zobowiązanie infrastrukturalne Hark oznacza przekonanie co do produktu, czy pojemność zabezpieczoną przed pojawieniem się dowodów.

Pierwszym sygnałem jest publiczna premiera platformy. Hark poinformował, że jego pierwszy produkt stanie się dostępny przed końcem lata, pozostawiając niewiele czasu między ogłoszeniem a dostarczeniem produktu.

Premiera powinna ujawnić faktyczny zakres produktu. Czytelnicy powinni obserwować, czy Hark zaoferuje otwarty dostęp, ograniczony podgląd czy ściśle kontrolowaną demonstrację.

Najważniejsze testy będą dotyczyć pełnych przepływów pracy. Czy agent potrafi zapamiętać istotny kontekst, obsługiwać popularne oprogramowanie, wychodzić z błędów i wyjaśniać działania bez ciągłego nadzoru?

Premiera z mierzalną niezawodnością wzmocniłaby argument Hark, że zintegrowane modele i infrastruktura tworzą wyróżniającego się asystenta. Opóźnione lub wąsko etapowane wydanie osłabiłoby związek między umową a krótkoterminową wartością dla użytkowników.

Drugim sygnałem jest konkretny harmonogram wdrożenia. Hark musi wyjaśnić, do jakiej pojemności Vera Rubin się zobowiązał, gdzie będzie ona działać i kiedy stanie się dostępna.

„Skala gigawatowa” może opisywać pewne wdrożenie, etapowy cel lub dostęp za pośrednictwem partnerów. Takie ustalenia wiążą się z różnymi poziomami zobowiązań finansowych i ryzyka realizacji.

Harmonogram z nazwanymi partnerami infrastrukturalnymi i kamieniami milowymi dostaw ułatwiłby ocenę ogłoszenia. Utrzymująca się niejednoznaczność sugerowałaby, że nagłówek wyprzedza plan operacyjny.

Trzecim sygnałem są dowody dotyczące bezpieczeństwa, niezawodności i adopcji. Hark powinien opublikować benchmarki obsługi komputera, mechanizmy kontroli pamięci, zasady uprawnień oraz wyniki od rzeczywistych użytkowników.

Adopcja musi również wykraczać poza rejestracje. Użyteczne wskaźniki obejmują powracających użytkowników, ukończone zadania, wskaźniki interwencji i koszt obsługi każdego aktywnego użytkownika.

Te miary połączyłyby moc obliczeniową z wynikami. Bez nich duże wdrożenie mówi więcej o dostępności kapitału niż o jakości produktu.

NVIDIA również ma coś do udowodnienia. Vera Rubin zaprojektowano z myślą o inferencji agentowej, ale to obciążenia klientów zdecydują, czy jej korzyści architektoniczne przełożą się na niższe koszty operacyjne.

Hark może stać się ważnym testem, ponieważ jego proponowany produkt łączy kilka wymagających obciążeń. Mowa, wizja, pamięć, rozumowanie i kontrola komputera muszą działać razem w czasie rzeczywistym.

Sukces wzmocniłby twierdzenie NVIDIA, że ściśle zintegrowane systemy w skali szafy serwerowej wspierają kolejną generację agentów. Zachęciłby również więcej startupów AI do zabezpieczania infrastruktury wcześniej w cyklu rozwoju.

Porażka nie musiałaby koniecznie obciążać układów. Projekt produktu, jakość modelu, wybory dotyczące prywatności, dystrybucja i popyt klientów mogą zniwelować przewagi infrastrukturalne.

Dla deweloperów lekcja polega na oddzielaniu pojemności od możliwości. Sprzęt określa, co może działać na dużą skalę. Nie określa jednak, czy agent wybierze właściwe działanie ani czy zdobędzie zaufanie użytkownika.

Nabywcy korporacyjni powinni stosować to samo rozróżnienie. Zobowiązanie dostawcy dotyczące procesorów nie zastępuje dokumentacji bezpieczeństwa, dzienników audytu, mechanizmów kontroli wdrożeń ani wyników wydajności dla konkretnych obciążeń.

Pracownicy wiedzy powinni koncentrować się na modelu uprawnień. Agent staje się wartościowy, gdy może korzystać z istotnego kontekstu, ale szeroki kontekst zwiększa również konsekwencje błędu.

Zakład Hark jest zatem wyraźniejszy niż jego produkt. Firma uważa, że spersonalizowani agenci będą wymagać infrastruktury w skali frontier, trwałej pamięci oraz interfejsów zaprojektowanych wokół naturalnej interakcji.

Najbliższe kilka miesięcy pokaże, czy ta teza wytrzyma kontakt z użytkownikami. W tej kolejności obserwuj premierę, harmonogram wdrożenia i dowody bezpieczeństwa.

Jeśli Hark dostarczy wszystkie trzy elementy, partnerstwo Vera Rubin będzie wyglądać jak przygotowanie na mierzalny popyt. Jeśli te sygnały pozostaną nieobecne, nagłówek rsshub 36kr pozostanie obietnicą infrastruktury oczekującą na uzasadnienie produktowe.