Preferred Networks, Inc. es una empresa japonesa de inteligencia artificial fundada en 2014 y con sede en Tokio. Su enfoque se basa en una convicción: los avances del aprendizaje profundo deben traducirse en aplicaciones concretas, especialmente en el mundo físico. Con presencia en preferred.jp, trabaja tanto en los modelos como en las infraestructuras necesarias para su entrenamiento y funcionamiento.
Raíces en el software, arraigo industrial
Preferred Networks surgió de Preferred Infrastructure, una empresa especializada en tecnologías de procesamiento de la información. Cofundada por Toru Nishikawa y Daisuke Okanohara, creció estableciendo vínculos con grandes grupos japoneses, entre ellos Toyota y FANUC. Estas colaboraciones la situaron en la intersección de la investigación en inteligencia artificial, la robótica y las limitaciones de la producción.
La empresa también se dio a conocer en la comunidad científica con Chainer, un framework de aprendizaje profundo de código abierto lanzado en 2015. Esta herramienta permitía construir grafos computacionales de forma dinámica, un enfoque adecuado para la experimentación. Posteriormente, Preferred Networks reorientó sus desarrollos hacia PyTorch, manteniendo al mismo tiempo su actividad de investigación y publicación.
De los chips a los modelos, un enfoque integrado
A diferencia de las empresas centradas en una sola capa de software, Preferred Networks también desarrolla hardware. Su familia de procesadores MN-Core, diseñada con la Universidad de Kobe, busca acelerar los cálculos de aprendizaje profundo, en particular mediante la mejora de su eficiencia energética. Este dominio del cómputo respalda sus investigaciones sobre modelos y aplicaciones, aunque implica inversiones y competencias distintas de las de un proveedor de software convencional.
En el ámbito de los materiales, la empresa desarrolló junto con ENEOS la plataforma Matlantis, comercializada desde 2021. Esta utiliza el aprendizaje automático para realizar simulaciones a escala atómica y explorar las propiedades de los materiales. El objetivo es ayudar a los equipos de investigación a seleccionar vías prometedoras antes de multiplicar los ensayos experimentales, sin eliminar la necesidad de validaciones físicas.
Preferred Networks también está presente en los grandes modelos de lenguaje con PLaMo, una familia de modelos cuyos primeros trabajos públicos se remontan a 2023. El japonés constituye un eje importante de esta iniciativa. En términos más amplios, sus actividades abarcan aplicaciones industriales, robóticas y científicas, con especial atención al paso del prototipo a un sistema utilizable.
¿Y ahora qué?
La siguiente etapa dependerá de la capacidad de transformar esta profundidad tecnológica en usos recurrentes. En la industria, la fiabilidad, la integración con los equipos y el coste de funcionamiento importan tanto como el rendimiento de los modelos. En el ámbito de los modelos de lenguaje, Preferred Networks también tendrá que hacer frente a una intensa competencia internacional. Su arraigo japonés, sus socios industriales y sus competencias en cómputo constituyen ventajas, siempre que logre demostrar su valor en tareas específicas. El reto no consiste tanto en abarcar todos los usos de la IA como en lograr que sus tecnologías sean pertinentes en entornos exigentes.