企業概要

項目内容
正式社名株式会社Preferred Networks（英: Preferred Networks, Inc.）
設立2014年3月26日
代表者代表取締役会長（共同創業者）西川徹 / 代表取締役社長（共同創業者）岡野原大輔
本社東京都千代田区大手町1-6-1 大手町ビル（受付3階）
資本金非公開（5,000万円との報告あり）
従業員数約400名（2026年3月時点）
上場区分非上場（未上場）
累計調達額非公開（2024年12月に190億円を追加調達）
売上高非公開
平均年収1,000万〜1,600万円程度（外部調査推計・職種により大きく異なる）
平均年齢非公開
事業内容AI半導体・AIクラウド・大規模言語モデル・産業向けAIソリューション・ロボット

株式会社Preferred Networksは2014年、西川徹・岡野原大輔の両氏が「深層学習技術で現実世界の問題を解決する」という信念のもとに創業した。その前身である株式会社Preferred Infrastructure（2006年創業）での検索技術の蓄積を活かしつつ、AI研究の最前線へと転換した。

「受注仕事はやらない、外部資本は入れない」という独立志向を初期から貫き、2019年にはトヨタ自動車から約105億円という当時国内スタートアップ最大規模の出資を受けた。SBIグループ・NTT・ファナック・中外製薬等も株主に名を連ね、事業会社との深い連携が特徴だ。

主な事業内容

PFNの事業は「半導体・計算インフラからソリューション・アプリケーションまで計算機科学の要素技術を広く垂直統合」という基本戦略に基づいている。

国産AIチップ「MN-Core™」シリーズ

MN-CoreはPFNが独自設計する高電力効率AIプロセッサだ。クラウドサービスや大規模モデルの学習・推論に特化した設計で、スーパーコンピュータ「MN-3」に採用したMN-Core 2はGreen500において電力効率世界1位を3度獲得している。2024年に発表した推論向けチップ「MN-Core L1000」は生成AIインフェレンスに最適化されており、エネルギー効率・コストパフォーマンスで国際競争力を持つ。GPUへの過度な依存を脱却し、日本の計算基盤を自前で持つというビジョンが体現された製品群だ。

大規模言語モデル「PLaMo™」

PLaMoは日英両言語に高い性能を持つ国産大規模言語モデルだ。2024年以降は旗艦モデル「PLaMo Prime」を中心に生成AI市場へ本格参入し、デジタル庁の政府AI試行モデルにも採択された。オープンソース版とエンタープライズ版の二軸展開により、官公庁・大企業への商用普及を図る。日本語のニュアンス・法律・業界慣行に精通したLLMとして、英語圧倒的な海外モデルとの差別化を図る。

AIクラウドサービス「PFCP™」

Preferred Computing Platform（PFCP）は、MN-Coreを搭載した自社スーパーコンピュータを基盤にしたAIクラウドサービスだ。外部の大手クラウドに依存せずに計算資源を自前で提供できる体制を持つことで、データセキュリティ・コスト・レイテンシの面で差別化している。大手企業や政府機関への提供を軸に拡大中だ。

産業AI・ロボティクス

トヨタ・ファナックとの共同研究を中心に、製造業・ロボット分野のAI実装を推進してきた。具体的には工場ロボットのマルチタスク学習、製造プロセス最適化、医薬品開発（中外製薬との共同研究）などだ。単なるAIAPIの提供ではなく、ドメイン知識と深層学習を融合した高付加価値ソリューションの開発・実装を行う。

子会社・スピンオフ事業

Matlantis（マテリアルズインフォマティクス）、Preferred Robotics（家庭向けロボット）、Preferred Computing Infrastructure（計算基盤）など複数の子会社・スピンオフを持ち、事業の多様化を進めている。

株式会社Preferred Networksの強み

強み1. 半導体からアプリまでの垂直統合

PFNの最大の競争優位は「AIチップ→計算基盤→LLM→アプリケーション」の全レイヤーを自社開発できる点だ。この垂直統合により、各層の最適化が可能になり、エネルギー効率・コスト・性能を同時に高められる。特に日本の大企業が「オンプレミスでデータを外に出せない」「セキュリティが最優先」という要件を持つ中で、クラウドから半導体まで一括で提供できる競争力は際立っている。転職者にとっては「AIスタックの全レイヤーを学べる」という点で稀有なキャリア環境だ。

強み2. 世界最先端の研究実績

MN-3によるGreen500三度世界1位、NeurIPS・ICMLへの継続的な論文採録、PLaMoの高い日本語性能評価など、研究水準の高さは数値で証明されている。岡野原大輔社長は著書「大規模言語モデルは新たな知性か」でも知られ、日本最高峰のAI研究者として国際的に認知されている。こうした研究文化は採用においても「世界最高峰の頭脳と仕事できる」という魅力を生んでいる。

強み3. 産業界との強力なエコシステム

トヨタ・ファナック・中外製薬・NTT・SBIグループという日本を代表する大企業が株主かつパートナーであることは、商用展開の出口として絶大な優位性を持つ。研究成果を社会実装するための「川下（顧客）」がすでに確保されており、スタートアップながら商業的安定性が高い。転職者にとっては「研究→社会実装」のフルサイクルを経験できる点が魅力だ。

強み4. 政府・公的機関との連携

PLaMoのデジタル庁採択に象徴されるように、官公庁・公的機関との関係構築においても先行している。日本政府がAI活用・AI半導体の国産化を政策目標とする中で、PFNはその中核企業として位置づけられる可能性が高い。公共分野のAI導入拡大は同社のビジネス基盤をさらに強固にしていくだろう。

強み5. エネルギー効率という差別化軸

「大規模モデル=電力大量消費」という業界常識の中で、Green500での世界一達成はPFNのブランドを際立たせる。環境規制・エネルギーコスト上昇が加速する中で、MN-Core L1000の「高効率推論」という価値命題は長期的に競争力を持ち続ける。AIインフラのサステナビリティが重視される時代において、投資家・顧客・パートナーへの訴求力は高い。

強み6. スピンオフ文化とキャリアパスの多様性

Matlantis・Preferred Roboticsのようにコア技術をスピンオフしてビジネス化する文化があり、社内起業・スタートアップCTO・新規事業開発といったキャリアパスが多様に存在する。PFN本体で深層学習を学んだ後に子会社でリーダーシップポジションを担うというキャリアパスは、他社では得難い価値を持つ。

スピンオフ文化はエンジニア・研究者の「自分のプロジェクトをビジネスにしたい」というアントレプレナーシップを歓迎するものだ。将来的に自分で会社を立ち上げたいと考える人材にとって、PFNはその準備・訓練ができる理想的な環境といえる。

株式会社Preferred Networksの年収事情

職種別の想定年収レンジ

職種想定年収レンジ（推計）
リサーチサイエンティスト1,200万〜2,500万円
リサーチエンジニア1,000万〜2,000万円
ソフトウェアエンジニア（深層学習基盤）800万〜1,600万円
ハードウェアエンジニア（チップ設計）900万〜1,800万円
プロダクトマネージャー700万〜1,300万円
事業開発・セールス600万〜1,100万円

※上記は非公開企業のため外部調査・業界水準をもとにした推計値。実際の条件は選考を通じて確認すること。

給与制度の特徴

外部調査によると、PFNの平均年収は1,000万〜1,600万円程度とされており、国内IT・テック企業の中でもトップクラスの水準だ。OpenWorkへの投稿では「スキルに応じた適切な評価」「市場価値を反映した給与」という声がある一方で、「研究職は非常に高いが事業職との差がある」という指摘もある。年次昇給に加え、個人の成果・スキルを評価する実力主義的な側面が強いとみられる。

年収を見る際の注意点

  • 財務数値・給与データは非公開であり、外部サイトの情報は推計または過去の口コミに基づく
  • 研究職（博士号保持・学会採録実績あり）と一般エンジニア職では年収帯が大きく異なる
  • スタートアップとして株式インセンティブの有無・内容は公表されていない（ユニコーン評価のため将来的なIPO期待値が含まれる可能性）
  • 事業系・管理系職種は研究職・エンジニア職より低い場合がある
  • 正確な年収条件は選考プロセスの中で確認すること

株式会社Preferred Networksの働き方・福利厚生

PFNは「深層学習技術の研究と社会実装」に集中できる環境づくりを重視しており、研究者・エンジニアの自律性と柔軟性を高く評価するカルチャーを持つ。

勤務時間については、研究職・エンジニア職を中心にフレックス制が採用されており、研究のリズムに合わせた自律的な時間管理が可能とみられる。プロジェクトの締め切りや学会投稿前後に集中的な稼働が発生することはある。

リモートワークについては、大手町オフィスを拠点としながらも、業種・業務内容により一定のリモートワークが認められているとみられる。コロナ後のニューノーマルを踏まえた柔軟な勤務スタイルが整備されている。

主な福利厚生・制度：

  • 各種社会保険完備（健康保険・厚生年金・雇用保険・労災保険）
  • 国際学会参加費・論文投稿費の会社負担（研究職）
  • 書籍・学習費用補助
  • 自社計算インフラ（GPU/MN-Core）の研究利用
  • 英語業務対応（社内ドキュメント・論文は英語）
  • 通勤交通費支給
  • 有給休暇（法定通り）
  • 育児・介護休業制度
  • スーパーコンピュータ等の最先端研究環境
  • 子会社・スピンオフへの異動・参画機会
  • ストックオプション等の資本参加（詳細は非公開）
  • 大手町ビル内施設利用（千代田区の好立地）

注意点として、少数精鋭のため評価が個人に集中しやすく、常にアウトプットを示し続けることが求められる環境だ。大企業のような手厚い研修制度よりも、実務・研究を通じたOJT文化が強い。

株式会社Preferred Networksの社風・カルチャー

一言で表すなら「少数精鋭・研究×実装の融合」

PFNのカルチャーを一言で表すなら「少数精鋭・研究×実装の融合」だ。約400名というコンパクトな組織でありながら、国際水準の研究から実際の製品・チップ・クラウドサービスまでを一貫して動かしている。「受注仕事はやらない」という創業哲学が象徴するように、「自分たちがやるべきことをやる」という強い意志と自律性がカルチャーの根底にある。

評価される人物像

  • 深層学習・機械学習の理論と実装の両方を理解している人材
  • 国際学会で発信・議論できる研究者・エンジニア
  • 「技術で社会課題を解く」という使命に共感できる人材
  • 自律的に研究・開発テーマを設定・推進できる人材
  • 英語での論文執筆・国際コラボレーションを厭わない人材
  • 大企業のブランドより技術的挑戦を重視する人材

表面的なイメージと実態の差

「国内企業だから日本語文化が中心」というイメージを持つと現実とのギャップがある。社内の技術ドキュメント・論文・コードコメントは英語が多く、国際学会コミュニティとの日常的な交流がある。また「ユニコーン企業だから安定している」と思いがちだが、非上場スタートアップとして研究テーマ・事業方針が変化する可能性はある。一方で、トヨタ等の大手株主がいることで経営の安定性は一定程度担保されており、フルリスクのスタートアップとは異なる安心感がある。

「大企業ではなくスタートアップの自由度でやりたいが、給与・環境も妥協したくない」という層に対して、PFNは最も現実解に近い選択肢だ。大手企業株主の存在が資金・顧客基盤の安定を担保しつつ、組織の意思決定スピードはスタートアップそのものという絶妙なバランスが保たれている。

株式会社Preferred Networksの転職難易度

難易度：S級（国内AI分野最高水準）

PFNへの転職難易度は国内のAI・テック企業の中でも最高水準だ。特に研究職・深層学習エンジニア職は、国際トップ学会への採録実績や博士号が実質的な前提となり、競争倍率は非常に高い。一方で、MLシステム基盤・チップ設計・プロダクトマネジメント・事業開発等のポジションでは異なる評価軸が適用される。

理由1. 研究レベルの絶対基準が高い

岡野原大輔社長自身が国際最高水準の深層学習研究者であり、採用基準もその水準に準じる。NeurIPS/ICML/ICLRへの筆頭著者採録が求められるケースが多く、日本国内の就職市場とは完全に別次元の競争環境だ。

理由2. ポジション数が限られている

約400名という規模のため、一度の採用サイクルで募集するポジション数自体が少ない。特に研究職は数名〜十数名の採用にとどまることが多く、倍率は数十〜百倍規模になりうる。

理由3. 技術的バーが非研究職にも高い

MLシステム基盤・HWエンジニア・PdMポジションであっても、深層学習の実装理解や数学的バックグラウンドが求められる。純粋な営業・管理職ポジションは非常に限られている。

株式会社Preferred Networksに向いている人

タイプ1. トップ研究者・博士号取得者

NeurIPS/ICML/ICLR等への採録実績を持つか、博士課程でAI・機械学習を専攻する研究者。学術的な厳密さと実装の橋渡し能力を持つ人材が最も歓迎される。

タイプ2. 深層学習×システム実装の両刀使い

大規模LLMの分散学習・MLOps・CUDA/カスタムカーネル開発など、研究と基盤実装の両方に精通したエンジニア。MN-Coreのような独自チップを活かしたシステム最適化に情熱を持てる人材。

タイプ3. 半導体・ハードウェア設計の専門家

AIチップ設計（RTL・アーキテクチャ設計・EDA）の経験を持つエンジニア。MN-Core L1000などの次世代チップ開発に関与できる希少人材として特に歓迎される。

タイプ4. 産業AI×ドメイン知識を持つエンジニア

製造業（トヨタ・ファナック関連）・医薬品開発（中外製薬関連）・金融・物流など、特定業界でのAI実装経験を持つエンジニア。ドメイン知識×深層学習の掛け合わせが差別化になる。

タイプ5. 社内起業・スピンオフに挑戦したい人材

Matlantis・Preferred Roboticsのような形で、コア技術を活かした新事業開発に挑戦したいエンジニア・研究者。PFNをキャリアの拠点として社内外の新規事業を志向する人材。

株式会社Preferred Networksに向いていない人

批判ではなく、ミスマッチ防止のために記載する。

  • タイプ：数学的バックグラウンドの薄いビジネス職志望者 — 深層学習・最適化理論への理解が前提。技術への興味が薄いビジネスパーソンがフィットするポジションは極めて少ない
  • タイプ：大企業の安定した評価制度・研修を求める人 — 少数精鋭・実力主義の文化のため、体系的な育成プログラムや明確な等級制度を期待して入社すると違和感を感じる可能性
  • タイプ：短期間で確実に管理職になりたい人 — 規模が小さいため管理職ポジション数が限られており、マネジメントキャリアより専門性の深化を求めるカルチャーが強い
  • タイプ：アウトプットより安定ルーティンを好む人 — 研究・開発の性質上、答えのない問いに向き合い続ける必要がある。「決まった仕事を着実にこなす」タイプとは相性が悪い可能性
  • タイプ：即座に高い報酬を求める人（管理・事業職） — 研究職のような高年収を事業系職種でも即座に得られるとは限らない。入社後の評価と昇給スピードを事前に確認すること

株式会社Preferred Networksの選考対策

戦略1. 学術・開発アウトプットの整理

arXivへの論文投稿、GitHub公開コード、学会発表・ポスター実績を一覧化する。特に「深層学習×システム最適化」「新しい学習アルゴリズム」「産業応用」の文脈に絡んだアウトプットは積極的にアピールしたい。

戦略2. PFNの主要研究・製品の事前学習

MN-Core・PLaMo・MN-3のアーキテクチャ・設計思想について公式ブログ・論文を読み込む。「なぜ垂直統合なのか」「Green500でなぜ世界一を取れたのか」「PLaMoの言語モデルアーキテクチャの特徴は何か」を自分の言葉で説明できるようにしておく。

戦略3. 英語での技術議論の準備

採用面接では英語での技術ディスカッションが行われる場合がある。自分の研究・開発経験を英語で説明し、技術的な質問に即興で答える練習を積む。arXivの論文発表を読む習慣も評価につながる。

戦略4. 数学・理論基礎の確認

線形代数・確率統計・最適化理論・情報理論など、深層学習の理論的基盤となる数学を改めて整理しておく。コーディングテストに加えて、理論的な問題を口頭で解説する能力が問われることがある。

戦略5. 「なぜPFNでなければならないのか」の言語化

「国産チップで世界に挑む」「日本語LLMを最高水準にする」というPFNの使命への深い共感を、自身のキャリアビジョンと結びつけて説明できるようにする。単なる年収アップや安定性への期待ではなく、技術的使命への共鳴が評価される。

戦略6. 事業系職種は産業AI経験の整理

事業開発・セールス・コンサルポジションを目指す場合は、製造業・製薬・金融など特定産業でのAI活用案件（設計から実装まで）を数値で整理しておく。「技術を売る・実装まで伴走できる」実績が差別化になる。

株式会社Preferred Networksへの転職で評価されやすい経験

  • NeurIPS・ICML・ICLR・CVPR・ACLへの論文採録実績（筆頭著者が特に評価）
  • 大規模深層学習（数十〜数百億パラメータ）の学習・推論実装経験
  • 分散学習（PyTorch Distributed、DeepSpeed、Megatron等）の実装・最適化経験
  • CUDA・カスタムカーネル開発・GPU最適化の経験
  • RTL設計・ASIC/FPGA開発・EDAツール活用経験（チップ設計職向け）
  • 製造業・ロボティクス・医薬品開発・金融分野でのAI実装経験
  • 大規模言語モデルのファインチューニング・RLHF・アライメント研究経験
  • オープンソースAIプロジェクトへの貢献（PyTorch・JAX・HuggingFace等）
  • 博士号（情報工学・機械学習・統計学・物理学等の関連分野）
  • 英語での論文執筆・国際学会発表経験
  • 計算科学・スーパーコンピュータシステムの設計・運用経験
  • 前職でのAIプロダクトのPdM・技術営業経験（事業系ポジション向け）

特に評価されやすいのは、「国際学会採録実績×深層学習の理論と実装の両立×日本語AIへの情熱」を持つ研究者・エンジニアだ。 事業職においては「特定産業のドメイン知識×AI技術理解×英語ビジネスコミュニケーション」が三点セットで評価される。いずれの職種においても、技術への深い敬意と自律的な学習姿勢が選考を通じて評価される核となる。

まとめ

株式会社Preferred Networksは、「AIチップから基盤モデル・産業応用まで」の垂直統合という日本唯一の戦略で、国内AI産業の中核を担う企業だ。Green500三度世界一・PLaMoのデジタル庁採択・トヨタ等大手からの出資という実績は、研究の質と社会実装力を同時に証明している。

転職先としては、日本最高峰の研究・開発環境と1,000万円超の年収水準が魅力だ。競争倍率は高いが、「深層学習×ハードウェア×産業AI」という掛け合わせで希少な人材価値を持つ方には、世界に誇れるキャリアを構築できる舞台となる。

将来的なIPOや技術的マイルストーン（MN-Core L1000の量産展開・PLaMo Primeの普及・政府案件拡大）が実現すれば、企業価値のさらなる上昇も期待できる。「技術で日本から世界へ挑む」という志を持つ方にとって、最も魅力的な選択肢の一つだ。

2026年時点では、創業12年を経て「研究フェーズ」から「製品・プラットフォームフェーズ」への転換が明確になっている。MN-Core L1000の推論特化設計・PFCP™のクラウドサービス化・PLaMo Primeの商用展開という三本柱が動き出しており、製品マネジメント・事業開発・パートナーセールスなど、これまで以上に多様な職種での採用拡大が見込まれる。研究職一辺倒ではなく、「技術を社会に届ける」フェーズにいる今こそ、PFNへの転職チャンスが広がっている時期かもしれない。

応募にあたっては、長期的な準備計画（論文投稿・スキルアップ・英語力強化）と転職エージェントを活用した最新情報の収集を組み合わせることで、タイミングを逃さずにチャンスをつかんでほしい。PFNで培った専門性は転職市場における強力なブランドとなり、その後のキャリアを通じて大きな資産となるはずだ。