Hark 押注 NVIDIA Vera Rubin，打造吉瓦级个性化 AI

Hark 已与 NVIDIA 签署多年合作协议，承诺提供吉瓦级算力，尽管其首个面向公众的 AI 平台尚未推出。该协议围绕 Vera Rubin 展开，这是 NVIDIA 用于训练和服务推理模型及 AI 智能体的下一代系统。一则简短的 rsshub 36kr 消息让中国读者得以了解此事，但原始公告直接来自 Hark。

这一先后顺序很重要。Hark 在外部用户能够评估其产品之前，便已承诺投入面向最大规模 AI 工作负载设计的基础设施。该公司表示，这些算力将支持结合语音、视觉、持久记忆和计算机控制能力的个性化智能体。

Hark 并非唯一做出这一押注的公司。Thinking Machines Lab、OpenAI 及其他资金雄厚的开发者，也已将未来产品与大规模 Vera Rubin 部署绑定。Hark 现在必须证明，如此规模的基础设施能够打造更好的个人智能体，而不只是带来更高的运营账单。

这项合作让 Hark 承诺的不只是 GPU

Hark 投入的是 NVIDIA 的完整计算系统，而不只是预留一批加速器。

双方于 2026 年 8 月 27 日公布了合作协议。根据合作公告，协议涵盖技术协作，以及基于 Vera Rubin 的吉瓦级算力。

双方均未披露部署时间表、确切容量、数据中心位置或财务承诺。“吉瓦级”描述的是目标基础设施级别，而非已验证的在线计算容量。Hark 也没有说明其将自建系统、租赁算力，还是使用多家基础设施提供商。

这些缺失的细节，使该公告与实际运营里程碑有所区别。一个电力目标并不能说明 Hark 已获得多少系统、这些系统何时可用，或其能否高效利用这些系统。

尽管如此，该协议仍覆盖了 Hark 计划中的整个 AI 技术栈。Hark 表示，NVIDIA 的基础设施已支持 Hark Handoff——一个旨在操作软件界面的计算机使用模型。据称，同一套基础设施还将服务于 Hark 的初始平台，并协助训练其未来的基础模型。

计算机使用模型能够理解屏幕内容，并通过软件界面执行操作。它们可以打开应用程序、输入信息并完成多步骤工作流，但仍受权限和可靠性限制。

Hark 还点名了合作中涉及的四项 NVIDIA 技术。Megatron 支持大模型训练，Dynamo 协调分布式推理，也就是为用户运行已训练模型的过程。Nemotron 提供宽松许可的训练数据，NVSentinel 则监控 GPU 集群故障。

这些组件揭示了更广泛的承诺。Hark 正将其训练、推理、数据、网络和集群运营与 NVIDIA 的软件环境对齐。这种做法可以减少集成工作，但也让 NVIDIA 成为多个技术层面的核心。

该平台本身围绕机架级计算构建。NVIDIA 表示，一套 Vera Rubin NVL72 系统结合了 72 块 Rubin GPU 和 36 颗 Vera CPU。它还包括 ConnectX-9 网络、BlueField-4 数据处理单元以及第六代 NVLink。

NVLink 在处理器之间建立高带宽连接，使一个机架能够作为协调统一的系统处理大型模型。这种架构面向的工作负载，否则将花费大量时间在独立加速器之间搬运信息。

Hark 的公告将这套基础设施与即将推出的公共平台联系起来。该公司表示，该产品将在夏季结束前上线，使其基础设施叙事与首个重大市场测试之间的间隔异常短暂。

因此，首个版本将承担比普通产品预览更重的责任。它必须证明，为何 Hark 需要一项通常与前沿模型实验室和超大规模服务相关的基础设施承诺。

为什么个性化智能体如此消耗算力

当个人智能体必须记住上下文、感知多种媒体类型、推理完成任务，并在没有明显延迟的情况下响应时，其成本会变得很高。

传统聊天机器人处理提示词并生成文本。Hark 描述的是一种更具持久性的系统。其计划中的系统应能理解语音和视觉、记住用户、控制计算机，并通过现有设备或专用硬件运行。

每一层都会增加工作负载。语音必须被转录和理解。图像或视频需要视觉处理。记忆则要求检索、排序并将相关记录插入模型上下文。

随后，智能体需要规划行动、调用工具、检查结果并修正方法。一次请求可能触发多轮模型处理，而非一次响应。即使不进行持续的模型训练，为数百万此类会话提供服务也将需要大量推理能力。

推理对 Hark 尤为重要，因为个性化是在使用过程中发生的。如果每次交互都要在漫长的处理队列中等待，系统就无法让人感到个性化。如果每次会话结束后上下文就消失，它也无法可靠地采取行动。

NVIDIA 将 Vera Rubin 定位于应对这些限制。其平台结合了处理器、网络、内存系统和软件，以降低推理工作负载的成本与延迟。这些均为公司自身说法，Hark 尚未公布其实现方案的独立基准测试。

Vera CPU 负责加速工作负载周围的编排和数据移动。Rubin GPU 执行模型所需的密集计算，而 BlueField 处理器和高速网络则管理更大规模部署中的流量。

这一架构解决了真实的瓶颈。智能体系统不只是生成 token；在多步骤任务中，它们需要在存储、处理器、工具和外部应用程序之间转移上下文。

Hark 提出的硬件方案带来了另一项挑战。个人设备无法搭载数据中心硬件，因此产品必须在本地组件和远程基础设施之间分配工作。该公司尚未解释这一边界。

本地处理可以降低延迟，并限制发送到服务器的信息。云端处理可以运行更大的模型，并提供更频繁的改进。一个实用的系统很可能会同时使用两者，但二者的平衡会影响隐私、性能和成本。

Hark 表示，其 AI 将通过现有设备和定制硬件运行。它尚未披露设备设计、操作系统、传感器或本地计算能力，也未说明首次发布是否包含硬件。

这种不确定性很重要，因为 Hark 的产品愿景依赖于对用户环境的访问。语音、视觉、计算机控制和记忆，只有在能够跨应用程序和设备连接时才最有价值。

以一个日常工作场景为例。用户可以要求智能体审阅会议记录，将其与项目文档进行比较，准备状态更新，并安排后续任务。智能体需要获得经授权的访问权限、进行可靠检索、执行工具操作，并保留此前决策的记录。

人们已经借助个人知识库构建了这种工作流的更窄版本。Hark 的雄心更大，因为它希望让智能体通过单一界面协调感知、记忆和行动。

这项基础设施承诺表明，Hark 预计这类交互将产生密集且持续的工作负载。尚未得到回答的问题是，客户是否会足够重视这种整合，以支撑其成本。

Hark 面临的是个人 AI 竞赛，而非基础设施竞赛

Hark 的主要竞争来自已经拥有用户、分发渠道以及不断增强记忆功能的成熟助手。

OpenAI、Google、Anthropic、Meta、Microsoft 和 Apple 都在开发能够保留上下文、使用工具或操作软件的系统。它们的方法各不相同，但争夺的是同一个有价值的位置：用户与其数字生活之间的入口。

Hark 在没有现有用户基础的情况下入场。它必须说服人们，将对话、文件、偏好，甚至可能的设备访问权限交给另一项服务。基础设施可以改善产品，但无法自行创造分发能力或信任。

该公司的答案似乎是垂直整合。Hark 表示，正在同步开发基础模型、软件界面和原生硬件。这一策略可以实现比由无关组件拼装而成的产品更紧密的协同。

它也可能增加执行风险。Hark 必须训练模型、构建智能体平台、设计消费级硬件、保护个人数据，并实现可靠的计算机控制。每一项任务本身都足以支撑一家规模可观的公司。

Hark 创始人的身份提高了外界预期。Brett Adcock 此前创办了 Archer Aviation 和 Figure AI。Hark 将他的这家新公司定位为专注于个人智能的 AI 实验室，而非工业机器人公司。

该公司披露的员工、融资结构和产品开发信息有限。其公开网站称正在构建“个人智能”，但除这一愿景外，几乎没有提供运营层面的细节。

这种保密状态为 Hark 在发布前留出了开发空间，但也使独立比较变得困难。目前没有公开评测显示，Hark Handoff 的表现优于竞争对手的计算机使用系统。

Vera Rubin 协议带来了另一项比较。今年 3 月，NVIDIA 与 Thinking Machines Lab 宣布了一项用于可定制 AI 和前沿模型开发的一吉瓦合作。

Thinking Machines 披露了最低容量目标和预期部署周期。NVIDIA 还投资了该公司。Hark 的公告描述了吉瓦级算力，但未说明最低承诺，也未提及 NVIDIA 的投资。

相似的表述显示，NVIDIA 正在将其角色从硬件供应扩展出去。在实验室的产品获得广泛采用之前，它正与这些实验室建立长期技术关系。

对 NVIDIA 而言，这类协议可以将未来的训练和推理需求锁定在其架构之中。对初创公司而言，它们则提供了独立组建难度很高的系统、软件和工程支持。

这种交换并不必然对每家初创公司都有利。深度整合可以加快开发，但也可能限制未来选择。一旦模型和运营依赖于供应商特定工具，将工作负载迁移到另一种处理器平台就会更加困难。

因此，Hark 在两条战线上竞争。它必须匹敌规模大得多的科技公司提供的助手能力，也必须比追求类似个性化或可定制 AI 产品的初创公司更有效地利用其基础设施。

原始模型性能无法决定这场竞争。个人智能体需要一致的记忆、可理解的权限设置、低延迟和可靠的行动。在特定工作流中，拥有更好产品设计的较小模型，可能优于更大的模型。

Hark 的优势若能显现，将来自这些环节之间的协同。其合作关系为这一路径奠定了基础，但产品本身必须提供证据。

rsshub 36kr 的标题未解答关键风险

核心风险并非 Hark 能否获得算力，而是它能否让一款拥有丰富记忆的智能体具备安全性、可靠性和经济可持续性。

原始 rsshub 36kr 摘要准确概括了相关公司、多年期协议以及 Vera Rubin 计划。但它无法回答 Hark 在公告中略而未提的问题。

首先，持久记忆改变了隐私风险的格局。一款实用的个人智能体可能会保留人际关系、日常习惯、工作经历、位置、通信内容和偏好。这些信息的组合所揭示的内容，可能超过任何单一文件或对话。

用户需要知道系统记住了什么、这些信息存储在哪里，以及如何删除它们。他们还需要明确的控制机制，以区分个人、职业和共享场景。

Hark 尚未公开详细说明这些控制机制。其公告强调一款“了解你”的 AI，但并未描述同意机制、保留期限、加密、数据可移植性或模型训练政策。

这些缺失并不能证明其防护措施薄弱。它们是尚未解决的产品问题。在用户授予智能体广泛访问权限前，Hark 的公开发布应当回答这些问题。

其次，智能体带来的安全风险超出了普通聊天机器人的范畴。NIST 的智能体征询指出了间接提示词注入、被投毒的模型、有害操作以及规格博弈等风险。

间接提示词注入发生在智能体接触到隐藏在外部内容中的恶意指令时。遭入侵的文档或网页可能试图在智能体代表用户行动时将其引向错误方向。

当智能体能够读取私人信息或控制应用程序时，这一威胁会更加严重。错误的文本回复只是带来不便；未经授权发送消息、购物、传输文件或更改配置，则可能造成持久伤害。

Hark 尚未公布针对 Handoff 或其更广泛平台的安全评估。它也未说明哪些操作需要确认、权限如何到期，或用户能否审计已完成的步骤。

第三，计算机控制仍然难以评估。界面会变化、视觉元素会移动，网站也会呈现模糊的状态。智能体在演示中可能看起来很有能力，却会在漫长或陌生的任务中失败。

可信的发布需要的不只是经过挑选的示例。Hark 应披露任务完成率、人工干预频率、延迟、失败类别以及测试所采用的条件。

独立评估将十分重要，因为 Hark 将 Handoff 称为先进的计算机使用模型。在可比结果出现之前，这一描述仍只是公司的自我表述。

第四，吉瓦级基础设施会带来财务和运营风险。这个规模的数据中心需要电力、冷却、网络、设施和长期供应协议。公司仅仅预留这些资源，并不会自动让它们产生价值。

Hark 必须让昂贵的系统持续用于有价值的训练或付费推理。闲置产能会削弱其经济性，而无盈利用户的大量使用则会带来另一类问题。

该公司尚未披露其商业模式。消费者订阅、硬件销售、企业服务或混合模式，对利润率和客户支持会提出不同要求。

专用硬件还会引发更多问题。消费级设备涉及制造、库存、维修、分销和更换周期。这些压力不同于运营云软件服务。

最后，环境足迹值得得到直接讨论。吉瓦衡量的是功率，而非智能。实际影响取决于利用率、电网供给、冷却效率、硬件性能以及部署持续时间。

NVIDIA 表示，Vera Rubin 的每瓦 token 产出高于 Blackwell。在获得针对具体工作负载的测量和运营数据之前，这仍属于供应商的说法。

效率提升也可能降低使用成本并增加总需求。因此，若其部署达到公布的规模，Hark 应同时披露性能效率和绝对资源消耗。

这些问题并不会否定这项合作。它们界定了评判合作所需的证据。

Vera Rubin 交易之后，Hark 必须证明什么

三项信号将决定 Hark 的基础设施承诺代表的是对产品的坚定信念，还是在证据出现之前预先锁定的产能。

第一项信号是平台公开发布。Hark 表示其首款产品将在夏季结束前上线，公告与交付之间的时间所剩不多。

此次发布应揭示产品的实际范围。读者应关注 Hark 提供的是开放访问、有限预览，还是严格控制的演示。

最重要的测试将涉及完整工作流。智能体能否记住相关上下文、操作常用软件、从错误中恢复，并在无需持续监督的情况下解释其行为？

具备可衡量可靠性的发布，将强化 Hark 关于整合模型与基础设施可打造差异化助手的论点。延迟发布或范围狭窄、经过精心编排的上线，则会削弱这笔交易与近期用户价值之间的联系。

第二项信号是具体的部署时间表。Hark 需要明确其承诺了多少 Vera Rubin 产能、这些产能将在哪里运行，以及何时可用。

“吉瓦级”可能指确定的部署、分阶段目标，或通过合作伙伴获得的访问权限。这些安排对应不同程度的财务承诺和执行风险。

包含具名基础设施合作伙伴及交付里程碑的时间表，会让这份公告更容易评估。持续的模糊表述则意味着标题跑在了运营计划前面。

第三项信号是涵盖安全性、可靠性和采用情况的证据。Hark 应公布计算机使用基准测试、记忆控制机制、权限规则以及真实用户的使用结果。

采用情况也必须超越注册量。实用指标包括回访用户、完成的任务、干预率以及服务每位活跃用户的成本。

这些指标将把算力与结果联系起来。没有它们，大规模部署说明的更多是资本可得性，而非产品质量。

NVIDIA 同样有需要证明的地方。Vera Rubin 围绕智能体推理而设计，但客户工作负载将决定其架构优势能否转化为更低的运营成本。

Hark 可能成为重要测试，因为其拟议产品结合了多种高要求工作负载。语音、视觉、记忆、推理和计算机控制必须实时协同运行。

成功将强化 NVIDIA 的说法：高度集成的机架级系统能够支持下一代智能体。它也会鼓励更多 AI 初创公司在开发周期更早阶段锁定基础设施。

失败未必意味着芯片有问题。产品设计、模型质量、隐私选择、分发能力和客户需求，都可能压过基础设施优势。

对开发者而言，教训是区分产能与能力。硬件决定了什么可以规模化运行，却不能决定智能体是否会选择正确行动，或能否赢得用户信任。

企业买家也应采用同样的区分方式。供应商对处理器的承诺不能替代安全文档、审计日志、部署控制或针对具体工作负载的性能结果。

知识工作者应关注权限模型。当智能体能够使用相关上下文时，它会变得更有价值；但更广泛的上下文也会扩大失误带来的后果。

因此，Hark 的押注比其产品更清晰。该公司认为，个性化智能体将需要前沿规模的基础设施、持久记忆，以及围绕自然交互设计的界面。

未来几个月将显示这一论点能否经受用户的检验。请按这个顺序关注发布、部署时间表和安全证据。

如果 Hark 能交付这三项内容，Vera Rubin 合作将看起来是在为可衡量的需求做准备。若这些信号仍未出现，rsshub 36kr 的标题将成为一项等待产品依据的基础设施承诺。