Preferred Networks, Inc. est une entreprise japonaise d’intelligence artificielle fondée en 2014 et basée à Tokyo. Son positionnement repose sur une conviction : les progrès de l’apprentissage profond doivent se traduire par des applications concrètes, notamment dans le monde physique. Présente sur preferred.jp, elle travaille aussi bien sur les modèles que sur les infrastructures nécessaires à leur entraînement et à leur exploitation.
Des racines logicielles, un ancrage industriel
Preferred Networks est issue de Preferred Infrastructure, une société spécialisée dans les technologies de traitement de l’information. Cofondée par Toru Nishikawa et Daisuke Okanohara, elle s’est développée en nouant des liens avec de grands groupes japonais, dont Toyota et FANUC. Ces collaborations l’ont placée au croisement de la recherche en intelligence artificielle, de la robotique et des contraintes de production.
L’entreprise s’est également fait connaître dans la communauté scientifique avec Chainer, un framework open source d’apprentissage profond lancé en 2015. Cet outil permettait de construire les graphes de calcul de façon dynamique, une approche adaptée à l’expérimentation. Preferred Networks a ensuite réorienté ses développements vers PyTorch, tout en conservant une activité de recherche et de publication.
Des puces aux modèles, une approche intégrée
Contrairement aux acteurs concentrés sur une seule couche logicielle, Preferred Networks développe aussi du matériel. Sa famille de processeurs MN-Core, conçue avec l’université de Kobe, vise à accélérer les calculs d’apprentissage profond en travaillant notamment sur leur efficacité énergétique. Cette maîtrise du calcul accompagne ses recherches sur les modèles et les applications, même si elle implique des investissements et des compétences distincts de ceux d’un éditeur de logiciels classique.
Dans les matériaux, l’entreprise a développé avec ENEOS la plateforme Matlantis, commercialisée depuis 2021. Celle-ci utilise l’apprentissage automatique pour réaliser des simulations à l’échelle atomique et explorer les propriétés de matériaux. L’objectif est d’aider les équipes de recherche à sélectionner des pistes avant de multiplier les essais expérimentaux, sans supprimer la nécessité de validations physiques.
Preferred Networks est aussi présente dans les grands modèles de langage avec PLaMo, une famille de modèles dont les premiers travaux publics remontent à 2023. Le japonais constitue un axe important de cette démarche. Plus largement, ses activités couvrent des applications industrielles, robotiques et scientifiques, avec une attention portée au passage du prototype à un système utilisable.
Et maintenant ?
La suite se jouera sur la capacité à transformer cette profondeur technologique en usages récurrents. Dans l’industrie, la fiabilité, l’intégration aux équipements et le coût d’exploitation comptent autant que les performances des modèles. Pour les modèles de langage, Preferred Networks devra également composer avec une concurrence internationale soutenue. Son ancrage japonais, ses partenaires industriels et ses compétences en calcul constituent des atouts, à condition de démontrer leur valeur sur des tâches précises. L’enjeu est moins de couvrir tous les usages de l’IA que de rendre ses technologies pertinentes dans des environnements exigeants.