中经记者 谭伦 上海报道
日前，开源基础设施厂商SUSE公布新的企业级私有AI战略路线图及相关基础设施解决方案，包括面向企业AI工作负载的SUSE AI Factory，以及面向云原生运维场景的智能体助手Liz。
《中国经营报》记者注意到，按照SUSE的定位，其聚焦的并非大模型本身，而是模型进入企业生产环境之后，如何实现部署、治理、运维以及跨基础设施运行的问题。
这也显示出当前企业AI市场正在经历的一轮重心迁移。过去两三年，大模型参数、推理能力以及应用创新一直是产业关注的焦点，但随着越来越多企业开始把AI从测试环境搬进核心业务系统，算力利用率、数据安全、模型治理、供应商锁定以及运维复杂度开始成为新的现实问题。
今年5月，Gartner在一份研究中判断，企业AI正在进入“部署和运营化”阶段，对于很多大型企业而言，获得模型能力已不再是主要障碍，更大的难题，在于如何将模型嵌入实际工作流，并进行治理、运营和衡量投资回报。
对于这一变化，SUSE首席营销官戴珍珠体会颇深。在其看来，企业对于AI的关注点正从早期的概念和试点探索，转向生产级规模化部署。而在这一过程中，企业既希望利用AI提高创新效率，又不愿因此失去对数据、架构以及未来技术路线的控制权。
这也构成了SUSE此轮AI战略的主要切入点：当模型选择越来越多，企业AI市场下一阶段的竞争，可能不再只是谁的模型更强，而是谁能够让数量不断增加的模型、GPU资源和智能体应用，以更低成本、更可控的方式真正运行起来。
AI落地进入“生产级”关口
从产业环境看，AI与云原生基础设施的结合正在迅速加深。
CNCF今年发布的2025年度云原生调查显示，82%的容器用户已经在生产环境使用Kubernetes；在部署生成式AI模型的组织中，66%使用Kubernetes管理部分或全部推理工作负载。但与基础设施采用率形成反差的是，只有7%的受访组织能够实现AI模型的日常部署，47%仍只是偶尔部署。换言之，企业拥有AI基础设施，并不等同于已经具备持续、稳定运营AI的能力。
这也解释了，为何SUSE将AI战略更多压在基础设施层。
此次推出的SUSE AI Factory，本质上是一套面向企业私有AI环境的基础设施组合。按照SUSE官方公布的信息，该方案将NVIDIA AI Enterprise与其安全治理、Linux及云原生能力结合，支持企业在本地数据中心、多云以及隔离环境中部署AI工作负载。同时，其强调模型和硬件选择的开放性，目前可以与DeepSeek、千问、Kimi、豆包、智谱AI等国内模型生态进行集成。
实际上，SUSE试图解决的并不是“企业用哪个模型”，而是尽量将模型、算力以及底层运行环境解耦。
在采访中，戴珍珠向记者表示，AI时代开放架构的重要性之一，在于企业需要能够看到、检查和治理技术栈。“你如果看不见的话是无法进行检查、进行监督的。”在她看来，开放架构带来的价值，不仅是避免被单一供应商绑定，也包括提高整个技术栈的可见性和可审计性。
不过，“开放”本身并不会自动解决安全问题。随着AI进入生产系统，开源组件数量增加，软件供应链和运行时安全反而变得更加复杂。
Linux Foundation今年发布的《2026 State of Tech Talent Report》显示，48%的受访组织将安全问题列为AI采用的主要障碍，这一比例在2024年仅为17%；同时，57%的组织表示，在AI安全与风险管理以及AI运营监控方面存在能力缺口。
对此，SUSE给出的思路，是将安全治理前移至基础设施层。据SUSE中国区副总经理吉晖介绍，对于进入企业软件栈的开源组件，SUSE会通过扫描、漏洞修补等方式进行安全加固；应用上线之后，则通过零信任机制处理运行时安全问题。
换言之，企业级开源并非简单地“拿来即用”，而是在开放代码之上增加持续维护、安全认证和治理能力。
随着智能体逐渐进入企业系统，这一问题还会进一步复杂化。戴珍珠认为，Agentic AI同样需要引入类似人员身份管理的零信任策略，通过访问控制限制智能体能够调用的数据、工具和系统权限。
从这一角度看，企业私有AI的核心已经不仅是把模型部署在本地，而是如何建立覆盖模型、数据、算力、应用和权限体系的一整套治理机制。
从“infra for AI”到“AI for infra”
相比当前大量AI厂商向应用层延伸，SUSE则一直明确划定自身的业务边界。
戴珍珠向记者表示：“其实我们所做的一切，就是infra。我们不会提供所谓的AI应用等，除非Agentic智能体内嵌在我们的基础设施里面，我们才会去做。”
吉晖则将其概括为两个方向——“infra for AI”和“AI for infra”。前者意味着为AI应用提供底层运行平台。随着企业采购越来越多的GPU，并在其上运行数十乃至数百个模型和智能体，如何统一管理异构算力、Kubernetes集群以及模型工作负载，将成为基础设施厂商争夺的新市场。
后者则是反过来利用AI管理基础设施。此次面向中国市场推出的Agentic AI助手Liz便体现了这一思路。据官方介绍，Liz被集成在SUSE Rancher Prime中，面向SRE和平台工程团队，可以读取集群指标和系统事件，通过自然语言协助进行故障分析和根因定位。SUSE同时强调，Liz采用“Human-in-the-loop”机制，即关键生产操作仍由工程师进行最终决策。
此外，记者了解到，为了更好地服务中国市场，SUSE还为Liz进行了本地化适配，适配对象涵盖千问、DeepSeek、智谱、Kimi、MiniMax等国内模型。
值得关注的是，SUSE对于AI基础设施的设想，还在继续向上延伸。SUSE AI高级产品经理Alessandro Festa向记者表示，AI Factory未来希望进一步演进为“Token Factory”。
在他看来，在GPU资源仍相对紧张的情况下，企业需要将分散算力进行统一调度，提高GPU利用效率，并最终围绕模型推理形成更系统的Token生产和管理能力。因此，基础设施与模型应用之间原本相对清晰的边界也会逐步靠近。
而这一方向并非SUSE独有。随着AI资本开支持续增加，云厂商、GPU厂商、容器平台以及传统基础软件企业，都在围绕AI基础设施控制层展开竞争。谁能够统一调度异构算力、降低推理成本，并兼容更多模型和应用，正在成为新的产业竞争点。
对于SUSE而言，其优势在于Linux、Kubernetes和企业级开源领域长期积累的基础设施能力，但挑战同样明显。目前，企业AI基础设施市场已经聚集了云计算厂商、芯片企业以及大量AI平台公司，仅仅强调开放和避免厂商锁定并不足以形成壁垒。最终，企业客户仍会用更现实的指标衡量其价值——能否提升GPU利用率、降低运维成本，能否在不同软硬件环境之间顺畅迁移，以及安全治理能力，能否真正满足生产系统要求。
这或许也是企业AI从“模型竞赛”进入智能体阶段后，基础软件厂商重新获得机会的原因。当模型数量持续增长，企业真正稀缺的，或不再只是模型本身，而是能够让模型长期、稳定、安全运行的基础设施能力。SUSE此次押注企业级私有AI，也显示出其争夺这一新市场的雄心。
（编辑：张靖超 审核：李正豪 校对：颜京宁）
