IT时报记者 孙永会
SUSE（Software und System-Entwicklung）是德国一家开源软件解决方案提供商，成立于1992年。其核心业务是提供企业级开源软件，相关产品应用于金融、电信、制造、零售、政务等行业，主要部署在企业的数据中心、混合云、公有云及边缘计算场景中。
2026年进入下半年后，当产业人士谈论AI时，会侧重什么？
“当前，企业对人工智能的关注点已发生本质性转变：从初期的概念炒作与试点探索，转向了如何实现生产级规模化部署的现实挑战。企业渴望借助 AI提速创新，但绝不应以牺牲数据自主可控、预测性或架构掌控权为代价，盲目陷入封闭的‘黑盒’方案。”在“SUSE Summit 2026 创新峰会”上，SUSE首席营销官Margaret Dawson（戴珍珠）说。
现场，SUSE发布全新战略路线图及开源基础设施解决方案，推出“企业级私有 AI”（Private Enterprise AI）解决方案，旨在助力中国企业破解AI落地难题，加速实现从“实验探索”到“生产级部署”的过渡。
一个案例让人印象深刻。吉利控股集团AI与大数据平台部长姚海涛分享了VNAS（下一代车辆数据智能采集平台）的实践成果。该解决方案基于SUSE的安全边缘基础设施，通过边缘计算智能盒在车辆生产前收集质量保证的测试数据。
该平台能带来哪些效果？又能发挥哪些作用？
破边界：降本增效姚海涛加入极氪后，负责除自动驾驶之外的全域数据，牵头搭建VDP（Vehicle-Data-Platform）车辆数据平台。在处理云端车辆信号的过程中，一个现实难题始终摆在他和团队面前——车辆产生的数据体量庞大，受带宽约束，整车全部原始数据无法全部回传到云端，大量具备价值的现场数据，只能滞留在车的端侧。
另一个难题体现在车辆测试环节。酷热的吐鲁番、严寒的漠河，车企会选择极端环境进行车辆的夏测和冬测。“车辆是一个复杂系统，在跑的过程中，要克服的是协同问题。”姚海涛举例称，在传统的方式上，一线测试人员发现车辆异常后，大多只依靠纸笔、手机记录下故障现象。等到收车回到驻地，再花时间导出整车总线数据，再针对故障发生的时间点对数据进行切割筛选。一线测试人员与远在办公室的工程师之间横亘着跨部门的信息鸿沟：后端拿到的数据有时无法精准匹配到对应的故障模块，导致故障迟迟得不到解析。
有没有更好的法子？
那时候姚海涛就在思考，从端侧到云端的一体化架构，未来会渗透到汽车行业的各个业务环节。“我们团队本来是做云端出身，对容器、AI 这些技术并不陌生，但对车载硬件完全是‘门外汉’。”在接受《IT时报》等媒体采访时，姚海涛回忆。后来，他鼓励团队沉下心去研究端侧世界的技术逻辑。
技术栈能不能最大化地复用？能不能以云端的思路对端侧做一层改良？这两个问题成为姚海涛和团队思考的问题。机缘之下，他们找到了SUSE，发现SUSE K3s技术方案刚好可以支撑端云一体化协同的构想。
SUSE亚太区边缘计算专家郭剑峡这样解释这套架构的价值：“汽车场景本质上就是大规模、高复杂度的边缘集群，车辆处于移动环境，会遭遇弱网甚至断网等情况。”依托SUSE的操作系统，整套底座具备边缘自治能力，即便车辆断开网络，本地的数据采集依旧可以持续运行，网络恢复之后再完成同步上传。
VNAS带来的一个明显变化是，过去路测人员需要手工处理的流程被改写。测试师傅开车过程中，只需要语音口述车辆异常，不会干扰正常驾驶。AI 自动补齐测试案例中繁杂的业务字段，完整留存故障全部上下文。
复盘整个项目，姚海涛总结：第一，尽可能实现端云技术栈统一，削减不同架构之间的摩擦成本；第二，鼓励团队跨界探索，给予足够的容错与试错空间；第三，瞄准真实的痛点场景，一站式打通全链路，技术才能落地产生实实在在的业务价值。
仍有难题要攻克《IT时报》记者了解到，VNAS不会大规模部署到面向消费者的量产车上。它属于后装设备，集中应用在研发、路测、售后疑难软件问题等排查场景，车辆完成测试之后就会拆下，不会采集普通用户行车数据。
姚海涛表示，当海外市场遇到难以复现的软件疑难故障，过去需要协调工程师跨越山海，携带专业设备奔赴现场，来回耗时一周以上；如今只需要部署VNAS盒子，一线人员复现故障，数据自动回传云端，总部工程师远程完成分析，直接输出解决方案。如此一来，既缩短故障解决周期，也维护海外用户的体验。
一边是显见的变化，但另一方面，“车云协同”仍有难题要攻克。
姚海涛把未来的攻坚方向归纳为三个层面：首先，挖掘更多业务场景。汽车产业价值链长、协同链条复杂，可落地的空间十分广阔。他和团队会持续挖掘未被满足的个性化需求，解决各环节的真实痛点。
其次，利用AI释放时序数据的价值。在他看来，车辆采集的总线信号本质上属于时序数据，如何用好这部分数据，是团队AI探索的重心。当下行业目光大多聚焦大语言模型、视频类生成模型，但这并非产业落地的全部。
在他看来，汽车行业数字化转型的核心，是把现实世界里的各类问题转化为可计算问题。只有完成这一步，才具备规模化落地的基础。不管是随车部署的边缘小主机，还是云端GPU大集群，本质上都是为了解决计算问题。
第三个方向，则是将技术能力向外做跨行业探索。姚海涛指出，总线数据采集与复杂协同的需求，并不局限于汽车行业。他和团队已经开始观察船舶、航空航天器等领域，凡是存在多部件协同、复杂决策的装备，都存在技术迁移的可能性。但他强调，短期之内，团队的重心依旧是在汽车行业把VNAS方案做深、做透。
