魏聰哲

中華經濟研究院 第三研究所副研究員

掌握產業用途AI發展趨勢的Preferred Networks

伴隨物聯網、統計分析以及GPU繪圖處理晶片技術成熟發展與運用成本大幅降低，許多專注於數理演算法開發的新創企業或研究團隊，能夠在短時間內導入多元化數據與文字影音資料來提升演算法的精準度，進而建構更為複雜的AI引擎系統，實際應用到民眾生活與產業發展層面。這使得AI科技主流從「邏輯控制程式」、「專家知識庫」轉變為「深度學習」（Deep learning）與「生成式AI」，對經濟發展產生重大影響。在AI應用商機急速擴展下，許多AI新創企業也順勢成為「獨角獸企業」，成為各方關注的焦點。相對於美國企業多運用B2C資料來發展一般消費者用途的AI引擎，日本新創企業則著重發展以B2B資料庫為基礎的產業用途AI引擎。創立於2014年的Preferred Networks，掌握日本製造業最擔憂的「停機痛點」，專注於搭載於產業設備的深度學習系統開發，成為引領日本AI科技發展的典範企業。

Preferred Networks成為獨角獸企業的成長歷程

回顧Preferred Networks公司的成長歷程，可追溯到2005年仍就讀於東京大學且為同學的西川徹與岡野原大輔，接受獨立行政法人情報處理推進機構（IPA）「未踏軟體創造計畫」（現改名為未踏IT人材發掘與育成計畫）的補助與專家指導而專注開發的機械學習演算法。2006年，與其他四位大學生為了參加「國際大學生程式設計競賽」（ICPC）而創立了Preferred Infrastructure，該公司主要業務在於開發具備機械學習特質的搜尋引擎技術。不過，經過數年開發與摸索，發現以一般民眾為使用對象的AI搜尋引擎技術很難與擁有大量使用者的美國檢索平台企業抗衡，開始思考發展產業用途AI的可能性。

兩人在2014年3月以Preferred Infrastructure子公司方式，創立了Preferred Networks，積極與豐田汽車、發那科、Panasonic等日本大廠以及NVIDIA合作開發深度學習演算架構系統「Chainer」，並將其搭載在產業用機器人或精密加工設備上，使設備本身具備故障問題預測與作業學習能力，解決製造業現場的停機問題。基於「Chainer」的成功，Preferred Networks除了接受合作夥伴的日本製造業大廠投資之外，更獲得來自銀行、商社與製藥廠商的新增投資，2019年累積獲得外部投資金額已超過160億日圓。該公司也在2016年被US-Japan Innovation Awards遴選為日本原創新創企業，在2017年則分別榮獲日本新創企業大獎的經濟産業大臣獎與US-Japan Innovation Awards的「Emerging Leader Award」。2016年10月，該公司設立癌症研究機構（PCRI），開始跨足發展生技領域的AI科技。2019年12月，Preferred Networks結束「Chainer」的版本更新，改採具備平行運算功能的「PyTorch」架構來精進深度學習演算法。2020年，該公司更與神戶大學開發出搭載超低耗電處理器「MN-Core™」的深度學習用途超級電腦「MN-3」，也被Green500計畫評比為「演算能力／消費電力」比率第一名的超級電腦，有助於加速AI演算法的持續發展。2023年9 月，該公司則宣布設立子公司「Preferred Elements」，開發能精通日語與英語的大型語言模型（LLM）「PLaMo-13B」，正式跨入生成式AI領域。

依據日本經濟新聞社「NEXT Unicorn調査結果」，該公司在2018年的企業價值（估值）超過10億美元（當時約1,100億日圓），而2019年至2023年之間的企業價值則維持在3,000億日圓以上。由此可知，在發展出製造業用途深度學習AI系統之後，Preferred Networks已成為名副其實引領日本AI科技發展的獨角獸企業。

Preferred Networks扮演驅動日本製造業應用AI科技的領頭羊

Preferred Networks與產業用機器人大廠Fanuc的合作案例，蔚為製造業應用深度學習AI的典範。Fanuc於2016年發表「Fanuc智慧邊緣鏈接和驅動系統」（FIELD System），採用Preferred Networks的「Chainer」作為核心演算系統，兩家公司合作建置「AI產業用機器人工業聯網系統」協助機械加工廠達成「不停機工廠」目標。在FIELD system架構下，以產業用機器人為主的自動化設備搭載Preferred Networks的分散式深度學習AI（Distributed deep learning），使現場設備收集的大數據能夠即時分析，藉此機器人能不斷學習以縮短作業時間， 更可提早預測可能故障時間，以及規劃故障時的因應對策。具體而言，透過分散式深層學習的應用，能讓一個製造單元內的複數機器人，在進行分工作業時，不會相互碰撞，同時在接受現場人員作業指導之後能夠自我摸索來縮短作業時間，並主動彌補其他自動化設備或現場人員不足之處。再者，機器人透過深層學習運算結合相關應用程式，能感測機械運作時的加速或怠速時震動與電流、音響、溫度，提早計算出主要零組件故障時間，並主動提醒現場技術人員。

結語

基於以上內容，Preferred Networks從初創到成長為獨角獸企業的關鍵點包括：政府主導前瞻人才培育政策（創業前階段）、與國內大型企業合作促進國內製造業普及應用AI的共創機制（萌芽成長階段），以及與學研機構持續共同發展新世代AI軟硬體科技（穩定成長階段）等三大因素。因此，依據成長階段的不同，創業者應規劃「如何結合外部資源」的成長策略路徑，尋求產官學研的協助，有效率的達成「邁向獨角獸企業」之目標。