[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-red-hat-ai-mavenir-telco-ai-stack-zh":3,"article-related-red-hat-ai-mavenir-telco-ai-stack-zh":30,"series-industry-2c14071a-9780-4d9d-9ed0-c12fa1b40501":79},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"2c14071a-9780-4d9d-9ed0-c12fa1b40501","red-hat-ai-mavenir-telco-ai-stack-zh","Red Hat AI 把電信 AI 變成堆疊","\u003Cp data-speakable=\"summary\">我拆給你看 Mavenir 和 Red Hat 怎麼把電信 AI 包成可部署、可營運、可計費的堆疊。\u003C\u002Fp>\u003Cp>我盯 telco AI 很久了，老實說，很多提案都很空。大家嘴上都在講 AI monetisation，好像只要把「AI」貼上去，錢就會\u003Ca href=\"\u002Fnews\u002Fspacex-shou-gou-cursor-bu-hua-suan-ai-bian-cheng-zh\">自己\u003C\u002Fa>長出來。可你一往下看，不是 demo，就是整頁架構圖，再不然就是一堆「平台化」的漂亮字。那種感覺真的很煩：如果我是電信商，我不要再聽一次 AI 口號，我要的是能上線、能維運、能算帳，還能跟財務講清楚下季為什麼要收費的東西。\u003C\u002Fp>\u003Cp>我最近看到 \u003Ca href=\"https:\u002F\u002Fwww.telecoms.com\u002Fai\u002Fmavenir-and-red-hat-set-their-sights-on-ai-monetisation\">Telecoms.com\u003C\u002Fa> 這篇 Mavenir 與 Red Hat 的內容，才覺得這次比較像在講方法，不是在喊話。Red Hat CTO Chris Wright 把重點放在 Kubernetes-native foundation，加上 Red Hat AI、\u003Ca href=\"\u002Ftag\u002Fmlops\">MLOps\u003C\u002Fa>、\u003Ca href=\"\u002Ftag\u002Fvllm\">vLLM\u003C\u002Fa> \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa> 和 AgentOps。這種講法雖然還是有供應商腔調，但至少它在談 operating model，不是在畫 keynote 幻想。\u003C\u002Fp>\u003Ch2>別把 AI 當功能開關，先把它當服務堆疊\u003C\u002Fh2>\u003Cblockquote>“Working with Mavenir, we're delivering an integrated solution supported on the Kubernetes-native foundation powered by Red Hat AI, which brings MLOps, vLLM inference and AgentOps capabilities.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：Red Hat 和 Mavenir 想賣的不是一個模型，而是一整套可管理的 AI 服務堆疊。真正重要的不是模型本身，而是模型外圍那圈東西：部署、推理、生命週期管理、代理編排。這些才決定一個 AI 服務能不能撐過真實客戶的壓力。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781885880665-z3qj.png\" alt=\"Red Hat AI 把電信 AI 變成堆疊\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我看過太多團隊卡在這裡。Notebook 跑得動，甚至容器也包好了，就以為差不多要收工。結果一進 production，沒人知道怎麼升版、怎麼回滾、怎麼觀測、怎麼加護欄。模型不是產品，模型周邊的操作系統才是產品。你如果管不住它，就不是可賣的服務，只是掛著帳單欄位的實驗室 demo。\u003C\u002Fp>\u003Cp>實操寫法很簡單：在你談準確率之前，先問三個很土的問題。它跑在哪裡？怎麼更新？失敗時誰負責？這三題答不順，所謂 monetisation 大多只是簡報上的漂亮字。\u003C\u002Fp>\u003Cul>\u003Cli>先定義服務邊界，再選模型。\u003C\u002Fli>\u003Cli>先想推理怎麼暴露給客戶，再想 prompt 要怎麼寫。\u003C\u002Fli>\u003Cli>第一版上線前，先寫好 rollback 路徑。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Kubernetes 不性感，但它就是把混亂壓下來的那層\u003C\u002Fh2>\u003Cp>Red Hat 一直把 Kubernetes-native infrastructure 掛在嘴邊，我反而覺得這是最有用的地方。電信環境最怕的就是每個新 workload 都長出自己的部署怪癖。Kubernetes 不會神奇地解決 AI，但它至少給你一個共同控制面，去包裝、跑起、管住這些服務。\u003C\u002Fp>\u003Cp>如果你做過 operator 環境，就知道這件事有多重要。電信團隊最討厭 bespoke ops，因為 bespoke ops 會變成永久 ops。今天一個模型用一套方式部署，明天另一個模型又是另一套，最後 support 團隊在凌晨兩點要背三種失敗方式。Kubernetes-native 的價值，不是時髦，而是讓部署、政策、觀測至少能標準化一點。\u003C\u002Fp>\u003Cp>我自己的做法是這樣：如果一個 AI 服務沒辦法被描述成可部署的 workload，而且 resource limit 說不清楚，那它還沒準備好進 telco。它只是穿著企業外套的 prototype。\u003C\u002Fp>\u003Cp>實操寫法：不要先問 Kubernetes 夠不夠潮，先問這個 AI 服務是不是要跟網路功能、客戶系統或 edge workload 共存。如果答案是要，那共同 orchestration layer 就不是加分題，是基本配備。\u003C\u002Fp>\u003Cul>\u003Cli>盡量讓 AI 服務共用一種部署模式。\u003C\u002Fli>\u003Cli>把 policy、observability、access control 放在平台層處理。\u003C\u002Fli>\u003Cli>假設營運成本會比模型本身活得更久。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>MLOps 不是貼標籤，是把失控變成可重複\u003C\u002Fh2>\u003Cp>文章裡直接提到 MLOps，這就對了，因為真正的工作從這裡才\u003Ca href=\"\u002Fnews\u002Fpypi-wasm-wheels-pyodide-zh\">開始\u003C\u002Fa>。MLOps 不是模型跑通之後補貼的一張貼紙，而是讓模型更新變得可重複、可測試、可追蹤，最後可被信任。沒有這層，每次改版都會變成一場小型災難。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781885887672-1boa.png\" alt=\"Red Hat AI 把電信 AI 變成堆疊\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我喜歡這種 framing，因為它把 AI 拉回軟體 release management，而不是什麼神祕的資料科學儀式。這對電信商很合理，因為電信本來就懂 change control、release window、rollback。你如果能把 model update 接到這套習慣上，才有機會真的營運起來；如果你把它當手工藝，每次升版都會燒掉一個週末。\u003C\u002Fp>\u003Cp>我自己碰過一個平台團隊，模型 drift 先被客戶發現，內部才後知後覺。很丟臉，但很常見，原因就是沒人真正擁有 lifecycle。MLOps 提供的是版本、測試、promotion、監控、retraining trigger 這些鉤子。沒有這些，所謂 AI monetisation 其實比較像 AI maintenance，只是發票看起來比較高級。\u003C\u002Fp>\u003Cp>實操寫法：替 AI 服務做一份 release checklist，長得跟你平常的軟體 checklist 很像。模型版本要標、prompt 或 policy 要版本化、acceptance test 要寫、rollback threshold 要定。升版標準要跟網路服務一樣嚴，不然就別把它算進營收規劃。\u003C\u002Fp>\u003Ch2>vLLM 不是技術梗，是成本線開始動的地方\u003C\u002Fh2>\u003Cp>這篇特別提到 vLLM inference，我覺得這個細節很關鍵，因為很多 AI 熱情就是死在 inference cost。測試時你會愛上模型，看到帳單時你會恨它。推理階段才是 latency、throughput、\u003Ca href=\"\u002Ftag\u002Fgpu\">GPU\u003C\u002Fa> utilisation 變成會計問題的那一刻。\u003C\u002Fp>\u003Cp>vLLM 重要的原因很直接：它是在更有效率地 serving large language models。你要真的把 AI 拿去賣，不是只要「它能跑」，而是要「每次請求的成本合理」。這就是 pilot 跟 business 的差別。軟體可以很漂亮，但經濟上不成立，一樣沒用。\u003C\u002Fp>\u003Cp>我看到這裡的解讀是：Red Hat 與 Mavenir 想把 AI serving 變成平台問題，而不是客製工程案。這很聰明。電信商本來就習慣看 capacity、utilisation、service tiers。如果 inference 也能用同一套語言來管，定價和包裝就會順很多。\u003C\u002Fp>\u003Cp>實操寫法：不要等上線後才算成本。先量 cost per inference、latency、concurrency、utilisation，在\u003Ca href=\"\u002Fnews\u002Fgemini-atlas-physical-ai-update-zh\">接近\u003C\u002Fa>真實負載的情況下看。你如果不知道一個 request 到底多少錢，就別裝作可以報價。\u003C\u002Fp>\u003Cp>我的簡單規則是：在你把 AI 服務擴大給更多人之前，先回答「使用量翻倍時成本會怎樣」這題，而且不要翻開 spreadsheet 就開始冒汗。\u003C\u002Fp>\u003Ch2>AgentOps 是下一個麻煩點，先管住再說\u003C\u002Fh2>\u003Cp>AgentOps 是這句話裡最有意思的詞，因為它直接指到下一個控制問題。當你從單一模型走到 agentic workflow，事情就開始變複雜。\u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 會串工具、做決策、記憶上下文，還可能碰到比文字生成更危險的操作。\u003C\u002Fp>\u003Cp>這也是很多 AI pitch 很粗糙的地方。demo 裡的 assistant 很貼心，真正上線時才發現它有 permissions、有 memory、有 tool access，還能做出昂貴或危險的動作。AgentOps 的目的，就是把這些東西變得可管。它關心的是 orchestration、權限、稽核、介入點。\u003C\u002Fp>\u003Cp>我參加過不少 platform review，經驗很一致：只要 agent 能碰客戶資料或網路操作，會議氣氛立刻變。Security 團隊不再只是點頭，operations 會問 log 在哪，product 會問出事誰背鍋。這些問題都很合理，因為 agent 不是聊天機器人，它是有權限的自動化。\u003C\u002Fp>\u003Cp>實操寫法：把 agent 當成 privileged automation，不要當成 fancy chat widget。先定義它能用哪些工具、哪些步驟需要人審、log 要留多久，再讓它靠近重要系統。你如果沒辦法用一段話講清楚它的邊界，那它還不該上 production，更不該碰 monetisation。\u003C\u002Fp>\u003Ch2>電信要的是產品，不是 AI 表演\u003C\u002Fh2>\u003Cp>我覺得這篇 Mavenir 和 Red Hat 的價值，在於它把 telco AI 往產品思維推了一點。這才是難的地方。電信商不是沒技術野心，而是常常缺一條從 capability 到 packaged offer 的路。AI 不會自動補上那條路，只會讓你忽略它時，成本變得更大。\u003C\u002Fp>\u003Cp>我的結論很直白：如果你想在 telecom 裡 monetise AI，你需要的是一個能部署、能觀測、能治理、能定價的 stack。你需要 infra、platform、security、product 這幾群人真的坐下來講話，而不是每個人都把自己的需求翻成 buzzword。這很不浪漫，但就是工作本身。\u003C\u002Fp>\u003Cp>實操寫法：先定一個 AI offer、一個目標客戶、一種 billing model、一個營運 owner。不要一開始就做產品組合。先做一個你真的能支援到底的服務，再把平台圍著它長出來，而不是反過來。\u003C\u002Fp>\u003Cp>如果你的 AI 計畫唯一能做的事，就是讓參訪者點頭，那它不是計畫，它是表演。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Telco AI monetisation template\n\n## Offer name\n[用客戶語言命名，不要用模型名]\n\n## Customer problem\n[這個服務到底解決哪個營運或商業痛點？]\n\n## Deployment model\n- Runs on: Kubernetes-native platform\n- Inference layer: vLLM or equivalent serving stack\n- Lifecycle: MLOps pipeline for versioning, testing, rollback\n- Agent control: AgentOps policies for tools, permissions, and audit logs\n\n## Success metrics\n- Cost per inference\n- P95 latency\n- Availability target\n- Rollback time\n- Human override rate for agent actions\n\n## Operating model\n- Product owner:\n- Platform owner:\n- Security owner:\n- Support owner:\n\n## Guardrails\n- Approved data sources:\n- Disallowed actions:\n- Human approval required for:\n- Logging and retention rules:\n\n## Pricing model\n- Per request\n- Per tenant\n- Per workflow\n- Bundled with existing service\n\n## Release checklist\n1. Model version tagged\n2. Inference capacity tested under load\n3. Monitoring dashboards live\n4. Rollback path verified\n5. Security review signed off\n6. Billing logic validated\n7. Customer support runbook published\n\n## Launch rule\nDo not launch until one customer can be supported end-to-end by the named owners above.\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>上面這份模板是我把 Mavenir 與 Red Hat 的 framing 拆成可執行版本。它的結構是我原創的實操清單，但骨架來自原文對 Kubernetes-native AI、MLOps、vLLM inference、AgentOps 的強調。\u003C\u002Fp>\u003Cp>來源：\u003Ca href=\"https:\u002F\u002Fwww.telecoms.com\u002Fai\u002Fmavenir-and-red-hat-set-their-sights-on-ai-monetisation\">Telecoms.com\u003C\u002Fa>。我加了實作順序、營運清單和模板化寫法；原文的產品框架來自 Chris Wright 的說法。補充背景可看 \u003Ca href=\"https:\u002F\u002Fwww.redhat.com\u002Fen\u002Ftechnologies\u002Fcloud-computing\u002Fopenshift\">Red Hat OpenShift\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.redhat.com\u002Fen\u002Ftopics\u002Fcontainers\u002Fwhat-is-kubernetes\">Red Hat 的 Kubernetes 說明\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm\">vLLM\u003C\u002Fa>、以及 \u003Ca href=\"https:\u002F\u002Fwww.mavenir.com\u002F\">Mavenir\u003C\u002Fa>。\u003C\u002Fp>","拆解 Mavenir 與 Red Hat 怎麼把 telco AI 包成可部署、可營運、可計費的堆疊，重點放在 Kubernetes、MLOps、vLLM 與 AgentOps。","www.telecoms.com","https:\u002F\u002Fwww.telecoms.com\u002Fai\u002Fmavenir-and-red-hat-set-their-sights-on-ai-monetisation",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781885880665-z3qj.png","industry","zh","44a50d6d-bec8-4b1e-a4f8-afab437292c8",[17,18,19,20,21],"telco AI","Kubernetes","MLOps","vLLM","AgentOps",[23,24,25],"AI 不是功能開關，先把部署、更新、失敗責任講清楚。","電信場景要用 Kubernetes、MLOps、推理成本和 AgentOps 一起看。","能不能賣，不只看模型效果，還要看營運、治理與定價。",0,"2026-06-19T16:17:38.29401+00:00","2026-06-19T16:17:38.284+00:00","afac0538-ace3-4ab3-bddc-34bfd44625fd",{"tags":31,"relatedLang":38,"relatedPosts":42},[32,34,36],{"name":18,"slug":33},"kubernetes",{"name":20,"slug":35},"vllm",{"name":19,"slug":37},"mlops",{"id":15,"slug":39,"title":40,"language":41},"red-hat-ai-mavenir-telco-ai-stack-en","Red Hat AI turns telco AI into a stack","en",[43,49,55,61,67,73],{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"d8a73bff-aaa0-45c4-a8e3-a1764a5c01ce","ai-coding-assistant-roi-measured-zh","AI 寫碼助手有 ROI，但前提是你真的去量","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781893067880-82y2.png","2026-06-19T18:17:19.809941+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"c40b20df-d89a-43ae-bb11-11062dcd2cd2","llms-work-by-predicting-next-token-zh","5 個關鍵部件看懂 LLMs","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781889466449-7e9g.png","2026-06-19T17:17:20.910277+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"eda7a48a-4eda-4111-9103-38a24eaaec6a","manus-ai-github-clone-kits-zh","Manus AI 相關 GitHub 倉庫多是克隆套件","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781882272627-ya10.png","2026-06-19T15:17:26.427636+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"99ca39f4-b9fb-463b-bfed-cc104be14b06","gemini-atlas-physical-ai-update-zh","Gemini進 Atlas 後，物理 AI 更接近可用","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781878664419-u153.png","2026-06-19T14:17:20.95474+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"b302f90f-7a19-47c9-b086-721ca8897a0b","spacex-shou-gou-cursor-bu-hua-suan-ai-bian-cheng-zh","SpaceX收购Cursor不划算，AI編程能力應自己做","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781877776048-ipy6.png","2026-06-19T14:02:19.491301+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"3a363db2-44d4-4fef-bab1-029541c6f200","claude-200-dollar-plan-not-worth-trusting-zh","200美元月费的Claude套餐不值得默认信任","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781874168495-b2nl.png","2026-06-19T13:02:20.546766+00:00",[80,85,90,95,100,105,110,115,120,125],{"id":81,"slug":82,"title":83,"created_at":84},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":86,"slug":87,"title":88,"created_at":89},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":91,"slug":92,"title":93,"created_at":94},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":111,"slug":112,"title":113,"created_at":114},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":116,"slug":117,"title":118,"created_at":119},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":121,"slug":122,"title":123,"created_at":124},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":126,"slug":127,"title":128,"created_at":129},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]