直接答案：Preferred Networks（PFN）是一家 2014 年成立于东京的 AI 技术公司，不是 2006 年成立。2006 年成立的是其前身 Preferred Infrastructure。当前 PFN 的核心路线也不再是旧稿强调的 Chainer，而是把 MN-Core AI 芯片、计算基础设施、PLaMo 基础模型，以及 Matlantis、PreferredAI 等行业产品和解决方案做成垂直整合体系。
了解 PFN 时要区分三件事：公司技术路线、可直接使用的产品、以及与企业共同开发的方案。PLaMo API/模型、Matlantis 和部分 PreferredAI 产品可以按产品评估；MN-Core、行业联合研发和定制方案则要核对实际提供方式、地区、合同与支持，不能因为官网展示了一项研究或奖项就写成人人可购买的标准服务。
本文依据 PFN 官方公司资料、官方时间线、当前业务与产品页面复核，资料检查日期为 2026 年 7 月 19 日。性能、奖项和产品效果若来自厂商材料，会明确写成厂商结果，不作为本站独立实测。
Preferred Networks 到底是哪一年成立的？
PFN 官方公司页给出的成立日期是 2014 年 3 月 26 日。共同创始人履历则说明，Toru Nishikawa 与 Daisuke Okanohara 等人在 2006 年创办 Preferred Infrastructure，之后在 2014 年共同创办 PFN，以推动 AI 在产业中的实际应用。两家公司有关联，但不是同一成立日期。
| 时间 | 官方记录中的事件 | 应怎样理解 |
|---|---|---|
| 2006 | Preferred Infrastructure 成立 | PFN 前身的软件与自然语言处理公司，不是 PFN 成立年 |
| 2014-03 | Preferred Networks 成立 | PFN 的正式公司起点 |
| 2015-06 | Chainer 开源 | 重要历史贡献，但不能代表当前全部业务 |
| 2018-12 | MN-Core 首次公开 | 开始体现自研 AI 处理器路线 |
| 2021-07 | Matlantis 作为云服务推出 | 把机器学习势能模型用于材料模拟 |
| 2024-11 | PLaMo Prime 推出 | 生成式基础模型成为当前主线之一 |
| 2025-11 | Nishikawa 任 Chairman，Okanohara 任 CEO | 当前管理层需按最新公司资料表述 |
2025 年管理层变更公告明确了 Chairman、CEO 与 COO 的新职务。公司人物、职位和股东都可能变化，引用时应保留复核日期，不能把旧新闻中的 CEO 信息当作当前事实。
PFN 当前的四层垂直整合是什么？
PFN 当前业务页把 AI 价值链分为四层：AI chips、computing infrastructure、generative AI foundation models、solutions/products。它的差异化主张不是单个模型或单个芯片，而是根据上层应用反推模型、计算与芯片，再把底层约束反馈给产品。
| 层级 | PFN 当前代表能力 | 外部用户要核对 |
|---|---|---|
| AI 芯片 | MN-Core 系列 | 当前代际、可获得方式、支持框架与目标工作负载 |
| 计算基础设施 | 自建超级计算机、PFCP 云计算相关能力 | 是否为公开服务、区域、配额、SLA 与迁移 |
| 基础模型 | PLaMo Prime、Lite、Translate 等 | 版本、API/本地部署、许可、数据与工具调用 |
| 产品与解决方案 | PreferredAI、Matlantis、Kachaka 及行业联合研发 | 标准产品还是定制项目、适用地区与责任边界 |
“四层都有研发”不能直接推出综合成本更低或效果更好。真正选型时仍要按一项任务建立基准集、成本和退出条件，方法可参考站内AI 项目证据与上线验收指南。
PLaMo 现在有哪些模型和使用入口？
PLaMo 是 PFN 集团的基础模型品牌。PLaMo 2.1 Prime 发布说明称 2025 年 10 月版本加入自动工具选择与调用，既有 PLaMo 2.0 Prime 用户会自动更新。自动更新方便使用，却会影响结果复现；生产环境应记录请求日期、模型标识、工具 schema、参数和回归样本。
| PLaMo 分支 | 官方当前定位 | 适合先验证 | 不能只凭名称推断 |
|---|---|---|---|
| PLaMo 2.1 Prime | 旗舰日语 LLM，包含工具调用能力 | 日语生成、RAG、工具选择与企业任务 | 在所有中文或专业任务上更强 |
| PLaMo Lite | 面向车辆、制造设备等边缘场景的小模型 | 目标设备延迟、内存、离线质量 | 无需硬件适配或安全测试 |
| PLaMo Translate | 日英翻译专用模型 | 术语、格式、漏译、数据位置和许可 | 适合任意语言对 |
| PLaMo-100B-Pretrained | 预训练模型及特定许可用途 | 许可证、后训练、算力与安全 | 开箱即用的聊天助手 |
| 行业定制版本 | 按企业或行业知识适配 | 数据来源、评测、更新与退出 | 定制一定优于检索或提示工程 |
PLaMo Prime 最初发布资料给出 API、Chat 和本地/行业适配方向，但其中的试用期、价格和模型版本属于 2024 年快照，不应作为 2026 年固定报价。采购前需要打开当前产品页或取得书面报价。
PLaMo 2.1 的工具调用应作为 Agent 能力单独测试。厂商引用 BFCL V3 等基准只能说明其测试条件下的结果；业务验收仍需检查工具选错、参数错误、越权调用和失败回滚。可结合站内工具调用与 Function Calling 验收指南建立本地测试集。
怎样评估 PLaMo，而不是照抄厂商基准？
| 评测维度 | 样本设计 | 通过标准 | 必须记录 |
|---|---|---|---|
| 日语/中文事实 | 有权威答案、含时间边界的问题 | 主张可追溯，不补写不存在来源 | 来源、模型版本、日期 |
| 企业 RAG | 权限不同、冲突与缺失文档 | 引用正确，越权内容不可见 | 检索结果、用户角色、拒答 |
| 工具调用 | 相似工具、缺参数、危险操作 | 选对工具并校验参数，高风险动作需批准 | 完整调用轨迹与错误 |
| 翻译 | 术语、表格、否定、数字与专名 | 意义完整、格式稳定、数字不漂移 | 术语表、人工复核和错误分类 |
| 本地部署 | 目标硬件、并发与长上下文 | 质量、延迟和内存同时达标 | 权重、量化、引擎和提交 |
多模态或图文任务要分开验证输入解析、跨模态对齐和输出事实，不能把纯文本优势外推到视觉能力。站内多模态 AI 数据与评测指南可用于设计图像、文本和失败样本。
MN-Core 和 MN-3 的真实边界是什么？
MN-Core 官方项目页说明该系列由 PFN 与神户大学共同开发，面向深度学习矩阵运算。第一代 MN-Core 用于 2020 年建成的 MN-3；官方列出的 Green500 记录是 2020 年 6 月、2021 年 6 月和 2021 年 11 月第一，不是“目前仍世界第一”。
| 对象 | 是什么 | 官方资料能证明 | 不能直接证明 |
|---|---|---|---|
| MN-Core 1 | 第一代专用深度学习处理器 | 公开架构、峰值规格和 MN-3 使用情况 | 对所有模型都比当前 GPU 更快 |
| MN-3 | 由 160 个第一代 MN-Core 组成的超级计算机 | 特定年份 Green500 结果 | 任意业务的总拥有成本更低 |
| MN-Core 2 | 提高内存带宽和密度的第二代 | MN-Server 2、MN-Pod 2 与目录规格 | 外部团队可以按标准云实例随时租用 |
| MN-Core L 系列 | 后续面向高带宽与推理等需求的演进 | 以具体发布和合作验证为准 | 所有版本已全面商业可得 |
官网列出的 7 倍、10 倍等应用结果是 PFN 在特定 Kachaka 优化、3D 重建或 Matlantis 工作负载中的结果，不能泛化为通用模型训练速度。芯片选型应复现目标模型、精度、批大小、编译时间、利用率、功耗和总任务时长，并与当期 GPU/其他加速器在同一条件下比较。
如果团队关心训练和部署平台，而不是购买芯片本身，可同时参考站内SageMaker AI 训练部署与监控指南，把算力来源、训练编排、注册、部署、监控和退出分层比较。
Matlantis 是什么，和 PFN 有什么关系？
Matlantis 产品页把它定义为面向材料研究的云端原子级模拟平台，其核心 PFP（Preferred Potential）是机器学习原子间势模型。它由 PFN 与 ENEOS 共同开发，通过集团公司对外提供，不是通用聊天模型，也不是普通化学数据库。
| 要判断的问题 | Matlantis 试点应验证 | 停止线 |
|---|---|---|
| 元素与体系 | 目标材料、表面、缺陷、聚合物或反应是否受支持 | 训练分布或适用边界无法解释 |
| 精度 | 与 DFT、实验和既有计算在同一结构上比较 | 只引用厂商平均指标，没有失败样本 |
| 工作流 | ASE/LAMMPS、输入输出、队列与可复现环境 | 结果无法导出或复算 |
| 数据与 IP | 结构、参数和结果的保存、访问与用途 | 商业机密边界无法书面确认 |
| 成本 | 用户、计算、存储、支持和咨询的完整报价 | 只比较单次计算价格 |
Matlantis 官方 FAQ说明服务运行在云端，价格与许可需要联系销售，且只在部分北美、欧洲和亚太地区提供。由此不能写成“全球可直接免费使用”或给出过时固定价格。
Chainer 现在还应该学或用于新项目吗？
Chainer 是 PFN 的重要历史贡献，但不是当前默认研发主线。PFN 2019 年公告明确宣布把深度学习研发平台逐步迁移到 PyTorch，Chainer v7 进入维护阶段，并提供迁移文档。
| 场景 | 建议 | 原因 |
|---|---|---|
| 学习动态图历史 | 可以阅读 Chainer 设计与历史代码 | Define-by-Run 对后续框架有影响 |
| 维护遗留系统 | 冻结依赖、补测试并制定迁移计划 | 维护模式不等于适合无限期扩展 |
| 新建生产项目 | 优先评估当前活跃生态 | 依赖、安全、人才和硬件支持更可持续 |
| 迁移到 PyTorch | 对数值、模型权重和推理输出做回归 | API 改写不保证结果完全一致 |
旧文章把“仍有影响力”写成当前产品优势会误导读者。更准确的方式是承认 Chainer 的历史价值，同时说明官方迁移决策和新项目的维护风险。
PFN 还有哪些产品与行业方案？
官方产品与解决方案页当前列出 PreferredAI Work Suite、招聘与人才相关服务、机器人 Kachaka，以及材料、制造、零售、娱乐和公共基础设施等方向。这里既有标准化产品，也有集团公司产品和联合研发，不能用一个“PFN 平台价格”概括。
| 方向 | 代表对象 | 采购前应核对 |
|---|---|---|
| 企业生成式 AI | PreferredAI Work Suite、PLaMo 相关能力 | 模型版本、连接器、权限、数据和日志 |
| 材料研发 | Matlantis / PFP | 科学适用域、云区域、IP 与复现 |
| 机器人 | Kachaka 及 Physical AI 研发 | 销售地区、硬件、环境限制与安全 |
| 制造/基础设施 | 与行业伙伴的联合研发和解决方案 | 案例是否可迁移、责任与长期支持 |
| 计算基础设施 | MN-Core、超级计算与 PFCP 相关能力 | 实际交付形态、框架和运维边界 |
怎样判断 PFN 产品或合作是否适合？
| 需求 | 优先调查 | 最小可行试点 | 主要风险 |
|---|---|---|---|
| 日语 LLM/API | PLaMo Prime / Translate | 真实日语、RAG、工具与成本样本 | 自动更新、基准外推、数据边界 |
| 材料发现 | Matlantis | 一组有 DFT/实验参照的结构 | 适用域、云 IP、不可复现 |
| 专用 AI 计算 | MN-Core / 计算基础设施 | 目标模型端到端编译与运行 | 可获得性、生态、迁移与利用率 |
| 行业共同研发 | PFN 解决方案团队 | 边界清晰、可验收的一个业务问题 | 案例不可迁移、范围膨胀、长期依赖 |
| 普通中文聊天 | 先与多家当前模型比较 | 中文业务集和总成本 | 日语优势被错误外推 |
高风险行业合作要明确谁提供数据、谁训练、谁批准上线、谁处理事故。可结合站内AI 决策责任与人工审批指南以及AI 系统威胁建模指南完成责任和安全边界。
PFN 的 AI 治理页面能证明什么？
PFN AI Governance 页面公开了 transparency、risk-readiness 和 integrity 等原则，并提到隐私、安全、公平与管理层承诺。这是评估企业治理意图的证据，但原则声明不等于某个具体产品已经通过你的合规、安全或偏差测试。
| 治理主张 | 采购方还要索取 | 自行验证 |
|---|---|---|
| 透明 | 具体模型卡、数据说明、限制与变更记录 | 错误能否追溯到版本和来源 |
| 风险准备 | 风险评估、事件响应和升级渠道 | 越权、注入、错误工具调用与回滚演练 |
| 完整性 | 已知缺陷、纠错和客户通知机制 | 负面结果是否如实进入验收 |
| 隐私与安全 | 合同、区域、保留、分包与删除条款 | 实际网络、日志、权限和删除测试 |
| 公平与权利 | 适用场景的偏差与影响评估 | 本地人群和语言样本 |
常见问题
Preferred Networks 是上市公司吗？
官方公司页把 PFN 列为株式会社并列出多家股东，但本文没有找到其公开上市交易信息。不要把融资、股东或公司规模写成上市状态；投资判断应查阅当前监管和交易所资料。
PFN 和 Preferred Infrastructure 是同一家公司吗？
不是同一个成立事件。Preferred Infrastructure 于 2006 年由相关创始人创办，是 PFN 的前身；Preferred Networks 于 2014 年成立。讨论历史时可以说明继承关系，但公司年龄应按 2014 年计算。
PLaMo 是开源模型吗？
PLaMo 是模型品牌，包含商业 API、轻量模型、翻译模型和带特定研究/商业许可的预训练版本。不能用一个“开源/闭源”标签覆盖全部版本；必须打开具体模型的许可证、权重和使用条款。
MN-Core 可以直接购买吗？
官方项目页介绍处理器、服务器、Pod、软件和联系入口，并表示计划以多种形式向外部提供计算能力。是否能在你的地区按标准产品购买或租用，需要向 PFN 取得当前书面方案，不能根据技术页面自行假定。
Matlantis 适合个人免费使用吗？
官方 FAQ 显示它是云服务，价格和许可需联系销售，且仅在部分地区提供。研究者应先确认地区、身份、试用、数据权利和计算额度。
新项目还应该用 Chainer 吗？
通常不应把它作为默认选择。PFN 已于 2019 年让 Chainer v7 进入维护阶段并迁向 PyTorch；遗留项目可以维护或迁移，新项目应优先评估活跃生态。
结论：PFN 的价值在技术栈，但选择必须落到具体产品
Preferred Networks 的当前辨识度来自芯片、计算、基础模型与行业应用的垂直整合，而不是旧稿中的“Chainer 公司”。对普通用户，最可见的是 PLaMo 与部分 PreferredAI 产品；对材料研发团队是 Matlantis；对基础设施和大型产业伙伴，则可能涉及 MN-Core、计算平台或共同研发。
真正可靠的判断应回答：使用哪个具体版本、以什么交付方式、数据去了哪里、怎样验证效果、完整成本是多少、失败如何退出。公司奖项、合作伙伴和厂商基准只能建立候选，不能代替这六个问题。
编辑复核与纠错记录：本文由兰塞 AI 编辑部于 2026 年 7 月 19 日复核。旧稿误把 Preferred Infrastructure 的 2006 年成立时间写成 PFN 成立年，把已进入维护并迁向 PyTorch 的 Chainer 当作当前核心，并缺少 PLaMo、PreferredAI、Matlantis、MN-Core 当前体系与 2025 年管理层变化；同时存在“科技巨头、卓越性能、提高效率”等无证据判断。新版依据 PFN、MN-Core 与 Matlantis 一手资料重建时间线、四层技术栈、产品边界与试点验收。三张图为本站原创，不是 PFN 官方图或独立性能实测。编辑原则见关于本站与编辑规范。
