SUSE正将硬件架构选择定位为自主可控人工智能（Sovereign AI）的关键要素。该公司主张，企业当下可采用英伟达加速器构建AI系统，未来若需切换至其他芯片平台，亦无需彻底重建其AI基础设施。
这种硬件可移植性体现SUSE对“自主可控”理念的重新定义——并非彻底消除对外部依赖，而是赋予企业灵活替换或调整依赖关系的能力。
“坦率而言，每家企业都需根据自身风险偏好，在这一光谱上做出权衡。”SUSE人工智能业务副总裁兼总经理瑞斯·奥克斯汉姆（Rhys Oxenham）表示，“在各层级实现完全自主可控目前并不现实，但在每一层保留架构选择权却是可行且必要的。”
SUSE于4月联合英伟达推出“AI工厂”（AI Factory），作为面向企业级AI工作负载部署的基础设施栈，支持数据中心、边缘与云环境。对于采用该方案的客户，平台基于SUSE Linux Enterprise Server与SUSE Kubernetes Engine运行，并将英伟达AI Enterprise嵌入SUSE自身的治理与安全层中。此设计使企业能将AI工作负载保留在客户自主掌控的基础设施内，而非依赖第三方API。
奥克斯汉姆指出：“客户在加速计算层主动选择依赖英伟达，具体体现在CUDA、GPU操作器及NIM微服务等组件上——这是为获取顶级性能与预验证快速部署能力而作出的务实权衡，而非从零手建整套系统。”
尽管如此，使用SUSE AI Factory并搭配英伟达方案的企业，仍会在加速计算层存在对英伟达的依赖。但SUSE强调，该依赖不应延伸至整个基础设施栈的其余部分。公司称其AI工厂底层架构保持硬件无关性，允许组织在不重构平台的前提下迁移至其他加速器生态。
除英伟达外，SUSE亦积极适配其他加速器平台。在2026年AMD“推进AI”大会上，SUSE宣布支持AMD硅片及其GPU操作器集成至AI工厂。据AMD技术博客披露，SUSE已完成对AMD Instinct MI350P加速器的验证，并同步开展软件蓝图工程工作。
Linux与Kubernetes构成了硬件之上的抽象层。奥克斯汉姆表示：“企业无需因引入新型加速器而重做平台、重构集群拓扑或重写运维手册。”变更主要限于栈底的芯片原生依赖项，如驱动程序、GPU操作器，以及对应运行时库（如AMD的ROCm与英伟达的CUDA运行时环境）。
SUSE指出，更广泛的AI软件生态可同时支持多种实现路径，从而降低客户在不同加速器间切换所需调整的工作量。该策略旨在使工作负载能随供应链、成本与性能需求变化，在不同加速器平台上灵活运行。
www.eic.net.cn 易IC库存管理软件 在架构层面的灵活性之外，SUSE将同一原则延伸至AI模型与API选择。企业可采用专有AI模型与服务，但应避免形成难以后续切换的深度绑定。
奥克斯汉姆警示：“若企业构建系统严重依赖某专有方案，将陷入两大核心困境：一是成本不可控——当API价格上调，企业被迫承担持续增长的支出；二是访问受限——近期多起事件显示，某些模型在特定司法管辖区被限制使用，一旦企业核心智能依赖该实现，即刻面临服务中断风险。”
他同时指出，开源权重模型能力的快速提升为降低专有服务依赖提供了新路径。“最新开源权重模型在基准测试中对比前沿闭源模型的表现令人惊叹。”奥克斯汉姆称，能力差距的缩小使企业自建私有AI成为可行选项，既可控制成本，又能确保工作负载全程处于自身掌控之下。
对SUSE而言，AI模型与服务的选择与芯片选择同属“自主可控”命题——企业必须保有随时更换依赖项的能力。
印度市场正推动AI从实验阶段迈向规模化生产。SUSE观察到，当地客户可分为两类：服务提供商与终端用户。前者传统提供基础设施即服务（IaaS），现正拓展GPU即服务；后者已完成初步用例探索，亟需支撑规模化落地的平台。印度AI国家使命的算力倡议已助力本地数据中心获得充足GPU资源。
印度及南亚区总经理马歇尔·科雷亚（Marshal Correia）表示：“服务提供商迫切需要统一平台。我们聚焦于大语言模型（LLM）与硬件之间的中间层——涵盖工具链、数据切分、安全等关键能力。”去年大量工作集中于概念验证，部分进入生产，多数尚未转化。随着GPU与基础设施供给改善，SUSE认为客户正迎来建立软件工厂或平台的良机，以支撑日益增长的应用需求。
此外，SUSE还观察到企业自建生成式AI、MLOps及计算机视觉等垂直领域工作负载基础设施的需求上升，以及构建多租户基础设施（如千兆工厂、新云平台与公共部门系统）的组织增多。此类客户亟需工作负载隔离、访问控制、可观测性与安全能力。奥克斯汉姆强调，企业自运AI工作负载时，必须拥有可支撑应用从实验走向生产的平台。
自主可控理念因区域而异，但对控制权的根本诉求具有一致性。在美国，驱动力主要来自商业敏捷性、知识产权保护与财务可预测性——CIO希望规避不可预测的API按量计费、避免厂商锁定并保持部署灵活性；在欧洲，则侧重预防性监管合规、数据主权及欧盟《AI法案》下的风险分级，同时寻求摆脱既有软硬件生态的路径；在印度，除国家战略与法规要求外，客户更面临将AI应用从试验推向生产的实际挑战。
奥克斯汉姆强调，自主可控不应仅以数据驻留地或司法管辖区为单一标准，而应视为一个涵盖运营韧性、快速转向能力与主动风险管理的连续光谱。“仅从数据位置角度理解自主可控，会忽略更大图景。真正的自主可控在于逐层评估权衡，确保组织永不被锁定，亦不被动受制于外部约束。”这包括第三方Linux、编排系统、AI框架、模型乃至芯片。
在物理隔离网络（Air-gapped）环境中，依赖问题更为直接。SUSE AI工厂架构支持此类部署，结合SUSE Security与SUSE Observability实现网络与系统边界的强制执行与监控。软件更新可通过签名制品包在本地仓库中分阶段完成。
奥克斯汉姆解释：“对于完全断网部署，经预验证的整体架构使更新操作极为简便——整套栈作为单一单元经过测试与认证，客户只需将签名制品包镜像或暂存至隔离网络内的本地仓库即可。”
空气隔离部署进一步印证了核心理念：外部技术并未消失，而是由企业自主决定哪些内容进入环境，以及软件入驻后如何运行与更新。
核心权衡始终存在：企业可在数据、基础设施及高层软件层面保持控制权，同时仍依赖英伟达、AMD或其他厂商提供的芯片专用组件。对SUSE而言，自主可控的关键不在于消除依赖，而在于保有按需变更依赖的能力。
