Preferred Networks IPO 计划面临 AI 芯片竞赛的成本压力

尽管多年来一直获得私募融资，Preferred Networks 仍在推进 IPO，因为仅靠设计 AI 芯片已不再足够。实现量产需要多得多的资金。

这家日本初创公司计划在 2027 年上半年提供其最新处理器的样品，并计划在 2027 年 12 月前面向日本及海外企业客户实现商业发布。CEO Daisuke Okanohara 向 Bloomberg 表示，在三年内实现盈利将使公司为上市做好准备。

这一时间表使 Preferred Networks IPO 的讨论不只是一个融资故事。该公司必须证明，其垂直整合的 AI 战略能够经受住半导体生产的经济规律考验。

Preferred Networks 开发处理器、计算基础设施、基础模型和应用程序。这种布局让公司能够控制各层之间的协同方式，但也将技术、制造和商业风险集中在一家未上市公司内部。

因此，它的主要对手并非某一家芯片设计公司，而是成熟 AI 硬件平台所拥有的规模优势，尤其是 Nvidia 被广泛采用的处理器、软件、系统和开发者支持组合。

Preferred Networks 针对这一优势提出了明确的技术论点：即将推出的 MN-Core L 处理器瞄准生成式 AI 推理中的内存瓶颈。然而，有前景的架构并不会自动带来可靠供应、具竞争力的成本结构或持续复购的客户。

IPO 计划承认了这种区别。在其芯片项目完成最艰难的转变——从经内部验证的技术迈向获得广泛支持的商业平台——之前，Preferred Networks 现在需要公共市场带来的规模支持。

Preferred Networks IPO 计划设定了三年考验

Preferred Networks 将其进入公开市场的雄心与三个可衡量的里程碑挂钩：客户样品、商业出货和盈利。

Okanohara 在 2026 年 9 月 7 日于东京接受采访时披露了该计划。根据 Bloomberg 的转述报道，公司希望在三年内实现盈利，随后具备上市条件。

这一措辞很重要。Preferred Networks 尚未宣布提交申请、选定交易所或给出确定的上市日期。Preferred Networks IPO 仍是一个战略目标，而非正在进行的发行。

其运营时间表则更为具体。预计新芯片样品将在 2027 年上半年送达客户，面向国内外市场的商业供应计划于 2027 年 12 月前实现。

这些日期构成了一条异常紧凑的路径。潜在客户必须收到硬件、测试实际工作负载、验证软件，并决定是否部署。Preferred Networks 随后必须将这些评估转化为足以支撑盈利的收入。

这一流程的核心处理器是 MN-Core L1100 和 MN-Core L1400。两者均面向推理，即已训练模型接收输入并生成输出的过程。

这一重点不同于第一代 MN-Core，后者主要为训练工作负载开发。Preferred Networks 最初将其处理器用于自有计算系统，而不是广泛对外销售。

第二代 MN-Core 2 使这一战略更接近外部客户。2024 年，公司发布了基于该处理器的服务器和工作站，并于当年 10 月推出云服务，提供 MN-Core 2 计算能力访问。

这些举措降低了采用门槛之一。客户无需先等待新的推理处理器，也不必构建不熟悉的集群，即可评估 Preferred Networks 的技术。

MN-Core L 项目则显著提高了赌注。公司正在为企业部署设计处理器，配置面向数据中心和较低功耗环境。

这一变化需要的不只是一次成功的流片，即芯片进入制造前的最终设计阶段。商业芯片还需要可靠的封装、内存集成、测试、板卡、系统、文档和长期软件支持。

Preferred Networks 必须在不拥有晶圆厂的情况下协调这些环节。与其他无晶圆厂芯片设计公司一样，它依赖制造和封装合作伙伴，而这些合作伙伴的产能还要服务众多竞争客户。

即使样品按时交付，也只是一个工程检查点。早期硬件可能暴露模拟性能与量产表现之间的差异。功耗、散热、良率、编译器质量和应用兼容性，都会影响客户是否继续测试。

公司还需要让这些客户比企业硬件采购者通常愿意的速度更快地行动。大型组织在采用会改变其软件和基础设施假设的处理器前，通常要求进行广泛验证。

因此，三年盈利目标衡量的不只是财务表现。它将显示 Preferred Networks 能否将十年的研究转化为可重复的产品业务。

届时上市将为进一步扩张提供资金，而不只是填补尚未完成的过渡阶段。若盈利进展不及预期，公开市场投资者将被要求承担更多技术和商业不确定性。

这正是该时间表带来的核心张力：Preferred Networks 需要规模来实现芯片商业化，但也需要商业验证，才能以有利条件获得这种规模。

AI 芯片生产改变资本方程式

芯片初创公司可以用私募资金验证一种架构，但持续生产需要完全不同量级的资本。

Preferred Networks 已经筹集了可观的私募资金。2025 年 4 月，公司宣布通过股权融资和银行借款追加 50 亿日元，使本轮融资总额达到 240 亿日元。

投资者群体包括金融机构，以及来自住房、出版、广播和动画行业的企业。这一组合反映出 Preferred Networks 在半导体销售之外的雄心。

公司希望将其技术用于工业系统、媒体制作、材料研究、语言模型和机器人等领域。这些业务既能带来收入，也能为其计算技术栈建立工作负载。

然而，这种广度也提高了执行要求。投入处理器的资本无法同时用于模型训练、应用开发、销售扩张，以及对每一个目标行业的支持。

半导体商业化还会带来额外义务。供应商必须预留制造产能、采购组件、维持库存，并在首次出货很久之后持续支持客户。

公司还可能需要进行多次芯片修订。一款按设计正常工作的处理器，仍可能需要后续版本来改善良率、功耗表现、封装或软件兼容性。

这些支出会在年轻平台形成可预测需求之前到来。供应商必须订购足够数量的产品以获得合理的制造经济性，同时避免积压不需要的库存。

这使得公司除了研发预算外，还面临营运资本问题。软件初创公司往往可以以有限的增量成本服务另一位客户；芯片供应商则必须制造、测试、运输，有时还要更换实体产品。

公共市场提供了更大的融资池，但 IPO 也改变了围绕这些支出的预期。投资者将按季度关注利润率、营收增长、客户集中度和产品进度。

Preferred Networks 进入市场时还将面临格外显眼的比较。客户可以将其系统与 Nvidia GPU、云端加速器以及其他供应商的专用推理处理器进行比较。

这些比较不止涵盖峰值基准测试结果。买家还关心可用产能、部署时间、模型支持、运营可靠性，以及了解该平台的工程师数量。

Preferred Networks 凭借有价值的产业关系进入这场竞争。Toyota 在当前 AI 热潮前数年便已投资该公司，随后 NTT 建立了资本和业务联盟。

这些关系可以提供应用场景、反馈和商业信誉，但无法保证新处理器能获得大批量订单。

合作伙伴的研究项目并不等同于量产合同。一次成功的技术演示，仍须通过采购审查、安全要求、集成测试和总成本分析。

日本的政策环境提供了另一项优势。政府希望强化本土 AI 能力，并减少对外国基础设施供应商的依赖。

Preferred Networks 通过其 PLaMo 基础模型及相关计算项目参与这一努力。政府项目可以降低开发风险，或创造早期需求。

然而，国家支持并不能消除市场纪律。海外客户将根据经济性和性能，而非该平台对日本科技政策的贡献，与替代方案进行比较。

国内客户同样会要求可靠的结果。采购支持可以打开一扇门，但供应商必须依靠产品质量和服务留住客户。

因此，IPO 可以增强 Preferred Networks 的实力，却无法解决其根本挑战。更多资本可以买到制造产能、工程师和时间，但不会自动买来市场采用。

核心考验在于，该公司能否以半导体规模进行投资，同时保留帮助其开发 MN-Core 的专注决策能力。

MN-Core L 瞄准内存瓶颈

Preferred Networks 押注于：在生成式 AI 推理中，内存数据移动而非单纯的原始算力，将创造突破机会。

现代 AI 处理器执行海量矩阵运算，即驱动神经网络的计算。然而，除非模型数据能迅速传送至这些算术单元，否则它们无法持续高效工作。

内存带宽衡量系统在特定时间内能在内存与处理器之间传输多少数据。带宽不足会让计算单元处于等待状态，从而降低实际性能。

这一问题在使用大语言模型进行推理时尤为重要。系统生成每一个后续 token 时，模型参数必须保持可访问状态。

Preferred Networks 围绕这一限制设计了 MN-Core L。其架构将高容量动态随机存取存储器直接堆叠于专有逻辑之上。

公司表示，这一布置在内存与处理器之间形成了大量短连接。这些连接旨在提供超越传统 GPU 配置的带宽，同时限制功耗。

Preferred Networks 声称，MN-Core L 系列将提供 MN-Core 2 的 50 倍内存带宽。在量产硬件接受独立测试前，这一数字仍是公司的目标。

公司还表示，一张 MN-Core L1400 卡旨在容纳运行一个 700 亿参数模型推理所需的容量和带宽。这种整合可能简化部分部署。

该架构采用相对常见的 DRAM，而非完全依赖高带宽内存。HBM 将内存置于处理器附近，以改善数据传输，但这需要专门的制造与封装技术。

垂直堆叠并未消除封装难度，而是改变了工程路径和潜在成本结构。散热表现、制造良率和长期可靠性仍是重要问题。

Preferred Networks 将多项控制功能从硬件移入其编译器。编译器负责将软件指令转换为处理器可以执行的操作。

该公司表示，通过软件处理网络控制、缓存管理和指令调度，可为算术单元腾出更多硅面积。这种软硬件分工体现了其垂直整合方式。

这种方式也伴随着取舍。软件可针对特定工作负载优化处理器，但客户会高度依赖编译器的成熟度与覆盖范围。

即便硬件效率出色，如果工程师无法轻松将模型迁移到其上，处理器仍难以发挥作用。不受支持的操作可能触发较慢的回退路径，或需要大规模重写。

Nvidia 的优势在这一点上最为明显。多年来，CUDA 已积累了库、工具、文档、受过训练的开发者和各类集成。

Preferred Networks 无需立即复刻这一环境的每一个部分。它需要为特定推理工作负载提供一条令人信服的路径，尤其是在内存、能耗或部署限制最为关键的场景。

机器人便是其中一种场景。机器人可能需要在本地运行模型，因为云端响应延迟可能妨碍其安全、灵敏的运动。

Preferred Networks 于 2026 年 6 月与 Toyota 的 Frontier Research Center 开展了联合研究。该项目将研究用于本地物理 AI 推理的 MN-Core L 处理器。

物理 AI 是指将训练得到的模型应用于与现实世界交互的机器。Toyota 的研究包括其 Human Support Robot，以及旨在支持多项机器人任务的基础模型。

MN-Core L 开始出货后，合作双方计划在真实环境中运行机器人，并预计在 2027 年期间逐步发布研究成果。

Toyota 的 Hiroshi Bito 表示，现实世界中的机器人需要响应能力极强的处理。他还强调，随着物理 AI 系统愈发复杂，AI 处理器与 AI 算法协同设计的重要性正在上升。

这项合作为 Preferred Networks 提供了实际的验证环境。机器人推理对延迟、功耗、内存和可靠性提出了明确要求。

不过，这尚不足以证明其商业竞争力。公开基准测试结果必须显示，该处理器在不同模型、批量大小、精度格式和持续负载下的表现。

客户还需要看到整套系统的测量数据。芯片的内部带宽只揭示了部署全貌的一部分。

主机处理器、存储、网络、冷却和软件编排都可能限制整体性能。采购团队将评估完整系统，而不只是某一项架构主张。

MN-Core 的历史证明 Preferred Networks 具备打造高效硬件的能力。其第一代 MN-3 超级计算机在 2020 年 6 月至 2021 年 11 月期间三次位居 Green500 能效排行榜首位。

这一成绩在获得认可的高性能计算基准下建立了技术信誉。推理客户则需要一套与自身应用更契合、更新的证据。

这一机会确实存在，因为 AI 部署正日益强调推理成本。一旦组织训练或选定模型，便可能在产品和内部工作流程中将其运行数百万次。

在这一规模下，即使是小幅效率提升也可能具有重大意义。经过验证的大幅改进，则可能足以让客户采用不那么熟悉的处理器。

因此，Preferred Networks 必须让迁移成本低于运营收益。决定 MN-Core L 能否成为平台的，将是这一公式，而非架构本身的优雅程度。

Nvidia 的规模才是真正的对手

Preferred Networks 必须与一套成熟的硬件、软件、供应体系和客户使用习惯竞争，而不只是与另一份处理器规格竞争。

Nvidia 是许多 AI 部署的核心，因为其 GPU 同时支持模型训练和推理。客户可在开发、实验和生产环节使用熟悉的工具。

这种连续性减少了组织摩擦。在证明某项工作负载具备商业价值之前，工程师无需学习新的编译器，也不必维护独立的代码路径。

云平台也通过可由企业直接启用的服务提供 Nvidia 硬件。这种可得性使容量规划成为运营决策，而不再是硬件承诺。

Preferred Networks 已通过其 MN-Core 2 云服务 Preferred Computing Platform 着手应对这一模式。该服务让用户可在购买专用设备前测试其计算环境。

然而，仅有云端访问并不能形成生态系统。客户需要受支持的框架、模型格式、可观测性工具、编排软件、安全指引和可靠的更新政策。

海外销售面临的挑战更大。日本以外的客户可能需要本地支持、替换库存、集成合作伙伴，以及能够排查生产事故的工程师。

Preferred Networks 必须决定哪些能力由自身直接建设，也必须决定在哪些环节由分销商、制造商、云服务商或应用合作伙伴承担压力。

聚焦定义清晰的市场切入点，可能比全面出击更有效。内存密集型推理、私有本地部署工作负载和低延迟机器人，均符合该架构所宣称的优势。

这种方法可避免将 MN-Core L 与每种工作负载中的每一款 GPU 进行比较，而是将销售重点放在客户面临特定瓶颈的场景。

该公司的垂直整合支持这一策略。Preferred Networks 可以共同优化模型、编译器、处理器和应用，而非等待不同供应商各自推进。

其 PLaMo 模型为测试整套技术栈提供了内部工作负载。政府和企业部署能够揭示该技术在日语需求下的表现。

Japan’s Digital Agency 最近在一项政府 AI 试点中选定 PLaMo 2.0 Prime，与 NTT Data 和 Fujitsu 的模型一同参与。国产模型试验将评估其实用性、可靠性和成本效益。

更大规模的试点环境覆盖 18 万名政府雇员，但该机构尚未表示每位参与者都会使用 Preferred Networks 的模型。测试将从 2026 年 9 月持续至 11 月。

这项计划为该公司提供了另一个潜在验证场。它测试的是模型层面，而非直接确立对 MN-Core L 硬件的需求。

这一区别十分重要，因为垂直整合只有在各层能够在商业上相互强化时才会形成优势。强大的模型可以运行在其他公司的芯片上，强大的芯片也可以运行来自其他开发者的模型。

Preferred Networks 需要让客户认可其组合技术栈的价值，同时又不觉得自己被锁定在一个孤立环境中。开放接口和迁移工具将影响这种平衡。

Nvidia 也在持续改进自身的推理产品。任何基于当前硬件的比较，都可能在 MN-Core L 商业出货时变得过时。

其他专用加速器公司也面临同样的压力。它们的芯片可能在特定工作负载上表现良好，但既有厂商会以更快的硬件、软件更新和定价回应。

大型云运营商提供了另一条路径。其内部设计的加速器可吸引已经深度使用周边云平台的客户。

Preferred Networks 缺乏这种分销规模。其制衡因素在于，能为重视本地控制权的工业和主权部署提供更深入的优化。

主权 AI 指一个国家试图保留对模型、数据、基础设施及相关专业知识控制权的努力。Japan 日益将本土计算能力视为经济安全问题。

这一趋势可以为 Preferred Networks 创造初始市场，但并不能保证形成持久的护城河，即竞争对手难以复制的长期优势。

政府机构和日本企业可能希望拥有本土选择，同时继续使用 Nvidia 和主要云平台。Preferred Networks 可能成为补充性供应商，而非直接替代者。

这种结果仍可支撑一项有意义的业务，但需要审慎的市场定位，以及足以维持持续处理器研发的规模。

风险在于战略扩张过度。支持芯片、云基础设施、模型、机器人、科学软件和行业应用，可能使资源分散在过多战线上。

当共享技术能够降低成本，或改善整个技术栈中的产品时，垂直整合才有价值。当每一层都需要独立的销售、支持和资本投入时，它便会成为负担。

因此，Preferred Networks 的 IPO 叙事取决于聚焦。公开融资应当扩大已经得到验证的商业切入点，而非为一系列在技术上相关但期限不定的项目提供资金。

最棘手的问题始于首批样品之后

最重要的不确定性涉及制造、软件采用和客户转化，而这些都无法仅凭样品交付解决。

Preferred Networks 已公布详细的架构目标，但尚未披露 MN-Core L 的生产良率或独立基准测试结果，也未宣布确定的批量订单。

在客户样品测试前，这种信息缺口很正常。但它也使外部人士无法计算该处理器可能具备的经济性。

良率衡量制造出的芯片中达到所需规格的比例。低良率会提高每颗可用处理器的实际成本，并可能限制供应。

先进内存堆叠引入了额外依赖。逻辑层和内存层必须以可接受的可靠性完成制造、组合、测试与封装。

Preferred Networks 尚未公开详细说明参与这一流程的每一家供应商。客户最终会希望确信，即使出现产能限制或组件中断，生产仍能持续。

软件带来了不同的风险。编译器必须高效地转换广泛使用的模型操作，同时保持准确性和可预测的行为。

开发者还需要安装工具、示例、调试支持，以及与成熟 AI 框架的集成。缺少这些便利条件，可能使技术效率出色的芯片也变得难以采用。

该公司运营自有超级计算机的经验有所帮助。内部使用能让硬件和软件在对外发布前经受持续工作负载的考验。

商业支持则提出了另一套标准。外部客户期待有文档化的行为说明、升级渠道、安全维护和稳定的发布节奏。

企业采购可能进一步拉长时间线。客户可能完成成功的技术试验，却不会在同一预算周期内批准生产采购。

三年盈利目标为广泛延误留下的空间有限。Preferred Networks 需要让早期评估在其仍扩大产能期间转化为实际部署。

客户集中度同样可能构成影响。大型工业合作伙伴能提供信誉，但依赖少数买家会使收入对个别项目进度高度敏感。

一家合作伙伴的生产延期，可能进而影响芯片供应商的财务展望。更为多元的客户基础能提升韧性，但也会提高支持要求。

国际扩张会加剧这种矛盾。海外销售扩大了潜在市场规模，同时也让 Preferred Networks 面对拥有更大本地团队的供应商竞争。

公司需要明确回答一个实际问题：当系统发生故障时，谁来负责运维？在工厂或机器人中部署 AI 的客户，无法等待远方专家提供支持。

价格比较同样会很复杂，即使处理器的标价看似一目了然。买家会评估吞吐量、利用率、能耗、散热、人员配置、软件迁移以及系统寿命。

MN-Core L 的带宽可能更优，却可能在总体部署成本上落败。它也可能在初期显得昂贵，却能在持续运行的工作负载中降低运营成本。

独立测试必须反映这些差异。由供应商挑选的狭窄基准测试，无法解决采购决策问题。

Preferred Networks 应发布覆盖代表性模型与部署模式的结果。测量指标应包括延迟、吞吐量、能耗、内存容量和准确率表现。

比较还需要明确系统边界。未经调整，板卡层面的数据无法与完整服务器的测量结果直接比较。

公司的盈利目标同样存在模糊之处。Preferred Networks 除半导体外还运营其他业务，因此公司整体盈利并不必然证明芯片业务具备经济效益。

投资者需要了解收入和利润率信息，以区分可重复的产品销售与研究合同或项目制服务。这些细节将表明转型是否真实发生。

IPO 本身也可能带来另一项风险。公开披露可能强化治理和透明度，但季度预期可能与漫长的半导体开发周期相冲突。

在底层架构获得公平的商业检验之前，一次进度失约就可能改变投资者情绪。管理层必须传达进展，同时避免将工程目标变成承诺。

在此之前，公司拥有一项财务优势。其 2025 年融资轮证明了公司能够获得战略投资者和贷款方的支持，从而降低对仓促上市的即时依赖。

这笔融资也设定了预期。投资者押注的是一项纵向整合战略，涵盖解决方案、基础模型、计算基础设施和 AI 芯片。

Preferred Networks 现在必须证明其中哪些部分能够产生可靠回报。技术覆盖面的广度无法替代商业纪律。

因此，质疑是具体的，而非全盘否定。Preferred Networks 已证明自己能够设计处理器，并在严肃的计算系统中运行它们。

尚未得到验证的是，它能否以经济的方式制造 MN-Core L、支持外部开发者，并赢得足够多的持续性需求。这些问题决定 IPO 是为扩张提供资金，还是为持续实验买单。

三项信号将决定下一步走向

在未来一年中，Preferred Networks IPO 的投资逻辑将通过三项可观察的测试得到强化或削弱。

第一个信号是 2027 年上半年能否按时向客户提供样品。Preferred Networks 必须交付可正常工作的 MN-Core L1100 和 L1400 硬件，以及可用的软件。

仅有样品并不足以证明成功。更有力的信号将是公开点名的评估，其内容涵盖工作负载、系统配置和预期部署决策。

Toyota 的机器人项目提供了一项重要测试。双方计划在产品发货后启动真实环境评估，并在 2027 年全年发布结果。

若结果显示运行中的机器人能够实现稳定、快速响应的推理，将支持该架构的实际价值。有限的实验室演示则只能提供较弱证据。

样品交付延期将给整个商业时间表带来压力。客户需要充足的评估时间，才能让 2027 年 12 月的发布带来有意义的订单。

第二个信号是独立的性能与效率数据。Preferred Networks 宣称 MN-Core L 的内存带宽是 MN-Core 2 的 50 倍，但买家需要量产环境下的测量数据。

有价值的结果应在可重复条件下比较完整系统，并覆盖常见模型、不同输入长度、持续运行和现实的批处理规模。

能耗测量将尤为重要。第一代 MN-Core 曾建立出色的能效纪录，但过去的 Green500 排名无法验证一种不同的推理架构。

如果外部测试确认其具备高带宽以及有竞争力的功耗和延迟，Preferred Networks 将获得清晰的市场切入点。软件利用率偏低则可能抹去大部分硬件优势。

第三个信号是合作伙伴和试点项目能否转化为持续性的商业需求。研究合作、政府评估和战略投资创造的是机会，而非有保障的收入。

应关注披露的大规模客户、重复订单、云端使用增长，或日本以外的部署承诺。地域多样性将增强其作为国际化产品业务的论据。

政府 AI 试点也值得关注。PLaMo 若获得良好评估，将验证 Preferred Networks 整合技术栈的一部分，并可能创造国内采购机会。

然而，模型采用最终必须带动计算需求或带来有利润的软件收入。否则，它仍只是相邻证据，而非对芯片战略的验证。

这些信号应当在正式上市成为主要焦点之前出现。如果它们如期出现，公共资本便能帮助公司扩大一款已证明存在需求的产品。

如果没有，IPO 将把更多开发风险转移给公众股东。公司仍可能筹集资金，但其估值和战略灵活性将面临更大压力。

对开发者而言，眼下的问题是：MN-Core L 是否足够易于测试，同时无需放弃熟悉的工具。文档、框架支持和云端访问将揭示答案。

企业买家应关注整体系统经济性和支持覆盖范围。一款有前景的加速器，只有在组织能够可靠部署和运行时才有意义。

AI 产品团队也应关注更广泛的影响。一种聚焦推理的有竞争力替代方案，可能改善硬件选择，尤其适用于私有化或对延迟敏感的应用。

Preferred Networks 的 IPO 计划反映了 AI 竞争格局中更大的变化。专用芯片如今需要的不只是架构洞察和早期原型。

它还需要同时具备制造能力、软件成熟度、分销、支持以及长期耐心资本。能够同时集齐这五项能力的独立公司寥寥无几。

Preferred Networks 已积累足够的技术和合作伙伴关系，使这项尝试具备可信度。未来一年必须证明这些资产能否构成可扩展的业务。

关注样品时间表、独立基准测试和量产承诺。它们将共同表明，Preferred Networks 是以实力迈向公开市场，还是希望市场为最艰难的阶段提供资金。