Preferred Networks寻求IPO扩大AI芯片量产：日本AI公司为何把资本市场与专用硬件放在一起

日本AI公司Preferred Networks正考虑通过IPO筹资以扩大自研MN-Core系列AI芯片的量产与供应链能力，目标服务生成式AI推理、机器人和边缘场景。但IPO尚未提交或获批，芯片能否达成预期性能、量产能力和商业化仍取决于制造、封装、软件生态与市场验证。

日本人工智能公司Preferred Networks（PFN）正在寻求通过首次公开募股（IPO）筹集资金，以扩大自研AI芯片的生产能力。彭博社9月7日报道称，这家东京公司正加大定制化半导体的开发力度，希望芯片能够更贴合人工智能模型的运行需求。

这并不意味着PFN已经提交上市申请，或已经获得监管机构批准。公司目前尚未公开交易所、发行规模、上市时间表、估值以及正式申报文件。现阶段能够确认的，是PFN正在把资本市场视为扩大芯片研发和量产能力的潜在融资渠道。

彭博社报道：Japan’s Preferred Networks Seeks IPO to Keep Up in AI Chip Race

从AI模型到芯片和计算基础设施

PFN成立于2014年，业务并不局限于模型开发。公司公开资料显示，其技术布局覆盖AI处理器、计算基础设施、生成式AI基础模型以及面向企业和行业的应用。

在芯片业务上，PFN开发了MN-Core系列处理器。公司称，该系列并非按照通用GPU的思路设计，而是针对人工智能计算中的矩阵运算进行优化，通过在硬件和编译器之间重新分配部分功能，提升特定AI工作负载的有效性能和能源效率。

PFN还开发了面向生成式AI的PLaMo基础模型，并提供基于MN-Core 2的Preferred Computing Platform云服务。这样的垂直整合，使PFN能够同时控制模型、计算平台和部分底层硬件，但也意味着公司需要承担芯片设计、制造、软件适配和市场推广等多重成本。

PFN在2024年宣布开发面向生成式AI推理的MN-Core L1000。公司当时表示，该处理器采用3D堆叠动态随机存取存储器（DRAM），目标是缓解大模型推理过程中内存带宽不足的问题，并预计在特定场景下实现最高十倍于传统处理器的推理速度。

这一“十倍”是PFN基于自身设计目标给出的预期，并不是对所有模型、软件和部署环境的普遍性能保证。芯片最终能否达到相关指标，还取决于流片、封装、软件栈、模型结构和实际工作负载等因素。

L系列芯片将面向边缘推理和机器人

PFN在2026年6月宣布与丰田汽车旗下Frontier Research Center开展联合研究，测试MN-Core L系列处理器在机器人本地推理中的应用。双方计划围绕实体人工智能开展研究，探索如何让机器人在不完全依赖远程云端的情况下实时运行生成式AI模型。

PFN当时表示，MN-Core L系列的初始型号包括低功耗的MN-Core L1100和高性能的MN-Core L1400，计划在2027年推出。公司称，该系列的内存带宽将达到MN-Core 2的约50倍，并计划通过芯片设计和内存堆叠来应对大模型推理中的数据搬运瓶颈。

根据PFN与丰田的联合研究公告，单张MN-Core L1400卡的设计目标，是为常见的700亿参数大语言模型推理提供所需的内存带宽和容量。双方计划在产品开始出货后，于2027年在实际环境中测试机器人，研究结果也将逐步公布。

这条路线说明，PFN关注的并不只是数据中心训练，也包括机器人、工业设备和其他需要低延迟本地推理的场景。对这类应用而言，能耗、响应时间、数据是否必须离开现场，以及硬件能否被嵌入设备，往往与峰值算力同样重要。

IPO传闻背后的资金压力

芯片从设计走向量产，需要持续投入。除了芯片架构和验证，还涉及晶圆制造、先进封装、内存、服务器系统、软件工具链以及客户部署。对于一家尚未上市的AI公司来说，仅依靠风险投资和战略投资，可能难以长期支撑这类资本密集型业务。

PFN此前已经通过私募融资扩大资金储备。公司在2024年12月宣布，最新一轮融资首轮募集总额为190亿日元，投资方包括SBI集团等。2025年4月，公司又宣布在扩展轮中追加募集50亿日元。PFN表示，相关资金将用于人才招聘，以及MN-Core系列，尤其是面向生成式AI推理的L1000处理器的开发、制造和销售。

公司在2024年的公告中还表示，其估值超过3000亿日元，成为日本估值最高的独角兽企业之一。估值和融资数据属于公司在相应时间点的公开信息，并不等同于此次IPO的发行估值。

如果PFN最终上市，公开市场资金可能帮助公司扩大生产规模，并把原本面向研发和少量部署的芯片推进到更广泛的商业交付。但上市也会带来新的披露要求和业绩压力，投资者可能要求公司证明芯片产品能够形成持续收入，而不仅仅是技术展示或战略储备。

专用芯片正在成为AI公司的新竞争方向

PFN寻求IPO的消息，发生在人工智能产业重新评估专用芯片价值的背景下。随着生成式AI从模型训练转向大规模推理，服务商越来越关注每个请求的成本、延迟和能源消耗。围绕固定模型或特定工作负载设计的芯片，有机会减少通用架构中的冗余计算和内存访问。

但专用化也有明显限制。模型架构更新速度很快，今天针对某一模型优化的芯片，可能在模型改版后需要重新适配。芯片设计和制造周期又明显长于软件迭代周期，这使专用硬件必须在性能、灵活性和生命周期之间取得平衡。

这一趋势也已延伸到其他AI公司和芯片厂商。AIFlux此前报道，DeepSeek被曝同时推进自研推理芯片与IPO筹资，显示部分模型公司正尝试把算力和供应链控制纳入自身发展路线。不过，DeepSeek相关计划同样存在公开确认不足的问题，不能把媒体报道中的筹备动作写成已经完成的芯片项目或上市流程。

芯片厂商也在通过收购或合作进入专用推理市场。比如，AMD宣布拟收购加拿大AI芯片初创公司Taalas，以获得面向特定模型的专用硅片技术；这笔交易的金额、交付形式和最终产品时间表当时仍未披露。类似交易表明，推理芯片竞争正在从单颗GPU性能，扩展到模型、硬件、内存、软件和系统交付的协同优化。

目前仍缺少哪些关键信息

PFN是否会正式提交IPO申请，仍取决于公司后续公告以及日本相关监管和交易所程序。现阶段尚不清楚的事项包括：

• IPO计划对应的交易所和上市板块；
• 发行规模、募集资金用途和发行时间；
• 公司上市前后的估值以及现有股东安排；
• MN-Core L系列的具体制造合作方、量产产能和售价；
• L1100、L1400与主流GPU或其他推理芯片之间，在统一测试条件下的性能和能效差异；
• PFN是否会把芯片主要用于自有计算基础设施，还是向外部客户大规模销售。

因此，PFN寻求IPO更适合被理解为一家日本AI公司为扩大硬件业务寻找资本路径，而不是一项已经完成的上市交易。它所反映的更大变化是：当AI模型的竞争进入大规模部署阶段，企业需要解决的问题已经从“能否训练出模型”，延伸到“能否以足够低的成本和能耗持续运行模型”。

对PFN而言，真正的考验将是能否把MN-Core系列从技术路线和合作研究，推进为稳定量产、持续交付并获得客户认可的商业产品。IPO能提供资金，但不能替代芯片制造、软件生态和市场需求本身的验证。

来源

• Bloomberg：Japan’s Preferred Networks Seeks IPO to Keep Up in AI Chip Race
• Preferred Networks：PFN Begins Development of Generative AI Processor MN-Core L1000
• Preferred Networks：PFN Raises Total of 19 Billion Yen in Latest Round
• Preferred Networks：PFN Raises Additional 5 Billion Yen in Extension Round
• Preferred Networks：PFN Starts Joint Research with Toyota’s Frontier Research Center
• Preferred Networks官方新闻室