Preferred Networksとは何か　なぜフィジカルAIへの応用が得意なのか？

この記事で分かること

Preferred Networks

　OpenAIのChatGPT（GPT-4）は、2022年末の登場以来、圧倒的なシェアと性能で「AIの代名詞」となりました。

　しかし、競合の猛追で性能面で、GPT-4に匹敵、あるいは一部上回るモデルが次々と登場しましたことや競合が既存の巨大インフラにAIを組み込むことでユーザー体験の利便性で差別化を図っていることなどから独走状態が揺らいでいます。

　https://www.nikkei.com/nkd/company/us/GS/news/?DisplayType=1&ng=DGXZQOUC052V0005022026000000

　日本製の生成AIも海外勢との差別化によって、市場定着を狙っています。今回はPreferred Networksに関する記事となります。」

Preferred Networks (PFN)の特徴は何か

　Preferred Networks（PFN）は、日本を代表するAI開発企業であり、他のAI企業とは一線を画す「垂直統合型」のビジネスモデルが最大の特徴です。

　単にAIモデル（ソフトウェア）を作るだけでなく、それを動かす半導体（ハードウェア）や計算基盤まで自社で開発しています。

1. 「垂直統合」による圧倒的な効率性

　PFNは、以下の3つのレイヤーをすべて自社で手がけています。

• 半導体（ハードウェア）: 独自AIチップ「MN-Core」シリーズを開発。最新の「MN-Core L1000（2026年提供予定）」は、生成AIの推論において従来のGPUの最大10倍の高速化と省電力を目指しています。
• 計算基盤（インフラ）: 自社開発チップを搭載したスーパーコンピュータを構築・運用。
• AIモデル（ソフトウェア）: 国産LLMである「PLaMo」シリーズを開発。

　この垂直統合により、ハードウェアの性能を極限まで引き出した、低コストかつ高効率なAI開発を可能にしています。

---

2. 国産LLM「PLaMo」シリーズ

　最新のPLaMo 2.2（2026年1月リリース）は、特に以下の点で高い評価を得ています。

• 日本語・日本文化への最適化: 日本語の指示追従能力が高く、自然な文章生成や要約に強みがあります。
• 専門領域への特化: 医師国家試験の回答精度が大幅に向上するなど、医療や金融などの専門知識が必要な分野でフロンティアモデル（世界トップ級モデル）に迫る性能を発揮しています。
• 実用的なツール展開: 「PLaMo翻訳」やAI面接サービス「Talent Scouter」など、具体的なビジネスソリューションとして実装されています。

---

3. 多彩な社会実装（フィジカルAI）

　PFNは「現実世界（フィジカル）」へのAI応用を得意としています。

• 製造・バイオ・材料: 産業用ロボットの自動化、AIによる新薬開発（創薬）、材料探索（マテリアルズ・インフォマティクス）など、実産業の深い課題をAIで解決しています。
• エコシステム: さくらインターネットやNICT（情報通信研究機構）と連携し、安全な「国産生成AIエコシステム」の構築を主導しています。

なぜフィジカルAIへの応用が得意なのか

　PFNがフィジカルAI（実世界で動くAI）に強い理由は、創業時からの「エッジ（現場）で動く知能」へのこだわりと、シミュレーション技術の蓄積にあります。

1. 創業ルーツと「現場」のデータ

　PFNはもともと検索エンジンやWeb解析ではなく、産業ロボットの自動化や自動運転のアルゴリズム開発から成長した企業です。

　ファナック（ロボット）やトヨタ自動車（モビリティ）といった世界屈指の製造業パートナーと長年深く連携し、制御の難しさや現場特有の「汚れたデータ」を扱うノウハウを蓄積してきました。

2. 現実を再現する「シミュレーション」技術

　現実世界での学習は時間がかかり、故障のリスクもあります。PFNは、物理法則を忠実に再現した仮想空間（デジタルツイン）でAIを高速学習させ、その成果を現実の機体に移植する「Sim-to-Real」の技術に長けています。

3. 計算リソースの最適化

　フィジカルAIには、巨大なクラウドサーバーだけでなく、ロボットや車両に搭載できる「省電力かつ高性能な推論能力」が求められます。

　自社開発チップ「MN-Core」は、この「限られた電力で複雑な物理演算を行う」というニーズに最適化されており、ハードウェアの制約を技術で突破できるのが強みです。

---

PFNの具体的な活用例にはどのようなものがあるのか

　PFNの技術は、行政・教育・製造など、幅広い分野で実用化が進んでいます。主な活用例は以下の通りです。

1. 行政・公共：ガバメントAI「源内」

　デジタル庁が主導する政府職員向けAI環境「源内」に、PFNの「PLaMo翻訳」が採用されています。

• 活用内容: 行政文書やニュース記事の高度な翻訳。
• ポイント: 外資系AIにデータを送ることなく、国内インフラで機密性の高い公文書を安全に処理できる点が評価されています。

2. 教育・研究：滋賀大学での全学導入

　2026年2月、滋賀大学が全学生・教職員を対象に「PLaMo」を導入しました。

• 活用内容: 業務効率化や教育・研究の支援。
• ポイント: 日本語のニュアンスに強い国産モデルを教育現場の標準基盤として活用する先駆的な事例です。

3. 製造・リテール：現場の最適化

　「フィジカルAI」の強みを活かし、現実世界の動線や作業を改善しています。

• MiseMise（ミセミセ）: チェーンストア向けの業務改善ソリューション。店舗内のカメラデータ等を解析し、棚割りやスタッフの配置を最適化します。
• 3D空間生成: 映像作品やゲーム向けに、写真からフォトリアルな3D空間を自動生成する技術を提供し、クリエイティブ現場の工数を削減しています。

4. 創薬・材料開発：計算科学との融合

　中外製薬などの大手製薬企業と連携し、AIを用いた新薬候補物質の探索を加速させています。

• 活用内容: 分子シミュレーションとAIを組み合わせ、従来は数年かかっていた材料探索や構造解析を大幅に短縮しています。

---

垂直統合の課題、問題点は何か

　PFN（Preferred Networks）が推進する「垂直統合」は強力な武器ですが、2026年現在のビジネス環境においては、いくつかの構造的な課題やリスクも指摘されています。

1. 開発コストと投資リスクの巨大化

　半導体（ハードウェア）と大規模言語モデル（ソフトウェア）の両方を自社開発するには、莫大な資本と優秀な人材を維持し続ける必要があります。

• 半導体の微細化コスト: 最新のプロセスノード（2nm/3nm世代）への対応には、設計だけで数百億円規模の投資が必要です。NVIDIAのような専業巨人と競い続けるための資金調達が常に課題となります。
• モデル学習の計算資源: 独自チップ「MN-Core」が完成するまでの間、あるいはそれを補完するために、結局はNVIDIA製GPUなどの高価な外部リソースを確保し続けなければならない二重投資のリスクがあります。

2. ソフトウェア・エコシステムの構築

　ハードウェアが独自であることは、汎用性の欠如という諸刃の剣となります。

• 独自の開発環境: NVIDIAには「CUDA」という圧倒的なデファクトスタンダードのライブラリがあります。MN-Coreを広く普及させるには、それに対応する独自のコンパイラや開発ツールをエンジニアに使いこなしてもらう必要があり、学習コストが導入の壁となります。
• 汎用性のトレードオフ: 物理演算や特定のAI推論に特化しすぎると、急速に進化する新しいAIアルゴリズム（Transformerに代わる新技術など）への柔軟な対応が難しくなる可能性があります。

3. 社会実装（ビジネス化）のスピード感

　技術的には優れていても、それを「商用サービス」としてマネタイズするフェーズでの課題です。

• 専業メーカーとの競合: モデル単体ではOpenAIやGoogle、チップ単体ではNVIDIA、クラウドではAWSなど、各レイヤーで世界最強の「専業」メーカーと同時に戦うことになり、リソースが分散しやすい側面があります。
• 顧客側のロックイン懸念: 垂直統合されたシステムは高性能ですが、一度導入すると他社製品への乗り換えが難しい（ベンダーロックイン）ため、保守的な企業が導入を躊躇する要因になることがあります。

---