日本
PFN的多角化，能成為垂直整合的優勢嗎？
以PFN的15個主要產品家族及12個組織為比較核心，區分垂直整合與多角化，分析各地內製邊界、與其他企業的差異，以及共同技術能否連結持續的經濟效益。
Preferred Networks
AI chips, compute infrastructure, foundation models and industrial applications.
- 日本
- AI
- 未知
- 網站
公司資訊
- 市場
- 日本
- 產業
- AI
- 募資階段
- 未知
- 篇公開研究
- 1
- 更新
- 2026年11月2日
精實畫布
閱讀文章繪製：Kenji Hatanaka資料截至 2026年11月2日
顧客區隔
- 工業、材料及製藥研發部門
- AI基礎設施開發者與企業資訊部門
- 機器人應用現場及教育合作夥伴等
早期採用者
- 由共同研究及導入推動商業化的工業夥伴
問題
- 算力成本與供應，以及產業特有的導入負擔
- 日本企業需要語言支援、資料控管與技術選項
現有替代方案
- 組合外部GPU、雲端及模型
- 專用SaaS、專用運算及系統整合
獨特價值主張
結合晶片、算力、模型與應用，依困難的工業問題共同設計。
一句話概念
“共享研究基礎、可跨層設計的工業AI企業群”
解決方案
- MN-Core與PFCP提供算力選項
- PLaMo及產業別產品
- 共同開發與集團商業化
通路
- 企業直接導入及共同開發
- 雲端／API及外部市集
- 合資、經銷及教育合作夥伴
收入來源
- 硬體、算力服務、API及授權
- 導入、客製化及產品服務銷售
- 各集團實體營收歸屬與占比尚未核實
成本結構
- 晶片、系統及模型研發
- 算力、外部雲端與營運
- 各應用導入、銷售及維護
關鍵指標
- 建議指標：共同基礎設施的付費工作負載
- 建議指標：產品貢獻利益及續約收入
- 建議指標：新增導入工作與共同銷售
不公平優勢
- 跨多層的工程技術累積
- 工業合作關係與現場知識
- 優勢持續性及獲利仍須另外驗證
我們的看法
以共同基礎設施、通路及經濟效益評估，而非僅看產品數。
- 最大風險
- 各應用成本上升，共享研究卻無法轉成營業利益。
- 勝出的理由
- 現場需求能回饋到模型、算力及晶片設計。
- 值得關注
- Matlantis等產品正式部署及成本
- 各產品續約收入與導入工作
- 子公司及合資的資金與通路自主性
本頁為成員的研究筆記，不構成投資建議。
關於 Preferred Networks 的文章
Preferred NetworksAI
市場脈絡
延伸閱讀與來源
閱讀研究背後的資料，也可參考報告內的延伸來源。