SKT 扩大全栈 AI 布局，但关键仍掌握在合作伙伴手中

SK Telecom 已将其 AI 服务扩展至基础设施、模型和消费者应用领域，为 google news 的标题提供了具体的战略依据。这家韩国运营商如今将自己定位为全栈 AI 提供商，而不只是为电信业务增加聊天机器人的公司。其布局串联起数据中心、计算芯片、基础模型、企业软件，以及拥有数百万用户的 AI 智能体。

这一转变之所以重要，在于 SKT 希望掌控从计算能力到客户实际打开的服务之间更多的环节。这种方式有望带来更好的优化能力、更强的韩语支持，并减少对单一海外平台的依赖。然而，SKT 仍依赖 Nvidia 基础设施，以及广泛的外部模型、硬件和软件合作伙伴网络。

这种矛盾定义了整件事。SKT 正在整合 AI 技术栈的更多层级，同时也与提供关键部件的企业深度绑定。这一布局给 KT 和 Naver Cloud 等韩国竞争对手带来压力，但也提出了一个更棘手的问题：当其最重要的基础设施仍依赖全球供应商时，全栈提供商究竟拥有多大控制权？

SKT 的全栈 AI 战略究竟新增了什么

SKT 的扩张，将此前被描述为彼此独立的 AI 项目连接成了一个商业系统。

该公司将这一系统划分为三大层：AI 基础设施、AI 模型和 AI 服务。基础设施提供计算能力；模型将这些能力转化为可用的智能；服务则把模型与消费者、电信运营和企业客户连接起来。

在基础设施层面，SKT 运营 AI 数据中心和 GPU-as-a-Service，即 GPUaaS。GPUaaS 让客户可以通过云服务使用图形处理器，而无需自行建设专用计算集群。这种模式可以缩短部署时间，但性能和可用性仍取决于容量、网络和软件编排能力。

SKT 的 Haein 集群体现了这一层级。该公司表示，Haein 整合了 Petasus AI Cloud、AI Cloud Manager、GPUaaS 编排器和监控软件。根据其 Haein cluster update，该系统于 2025 年 8 月 1 日开始运营，并支持韩国的 Sovereign AI Foundation Model Project。

模型层包括 SKT 的 A.X 系列。在 2026 年世界移动通信大会上，公司展示了 A.X K1，并将其描述为拥有 5190 亿参数的韩国超大规模模型。参数是帮助模型表征模式的已学习数值，但参数数量本身并不能证明准确性、效率或商业实用性。

在服务层面，SKT 围绕 A.——读作“A dot”——构建了通话、录音、日程安排、搜索、出行和媒体功能。其产品包括 A. phone 和 A. note，以及企业工具和 AI 辅助联络中心服务。

该公司表示，A. 自 2022 年 5 月进入测试阶段后，月活跃用户已达到 1000 万。SKT 还称，A. note 在上线首周便获得了 30 万用户。这些数据来自 SKT 一篇高管专栏，而非独立审计的使用报告，但它们说明了服务层为何是其战略核心。

许多基础设施公司缺少大型消费者分发渠道。许多消费者 AI 产品则租用基础设施，并依赖外部模型。SKT 正试图同时占据这两个位置：一边利用其电信客户关系分发服务，一边建设支撑这些服务运行的底层系统。

这正是变化所在。各个组件并非全都新推出，但 SKT 现在正将它们打包为相互连接的产品组合。它希望企业、公共机构和消费者将其视为一个能够提供计算能力、模型、运营软件和成品应用的供应商。

google news 的表述让这看起来像是一次服务扩张。更重要的发展则是整合。SKT 正将其既有的电信网络、数据中心、模型研究和客户触达能力，汇聚为关于端到端交付能力的一项主张。

Google News 的关注度不如 SKT 的分发能力重要

SKT 最强的优势不是某一项模型基准成绩，而是将 AI 服务与既有电信客户群连接起来的能力。

通过云平台和应用程序编程接口，AI 模型已变得更容易获取。分发仍然更难。一款技术上足够强大的助手，仍需要用户、相关数据、可信工作流，以及融入日常习惯的理由。

SKT 的起点是电信客户关系，以及已覆盖通话、消息、媒体、导航和客户支持的服务。这一位置让它能够在不要求用户采用完全陌生产品的情况下，将 AI 嵌入实际使用场景。

A. phone 提供了最清晰的例子。SKT 已将通话功能与转录、摘要、垃圾电话识别及其他 AI 辅助功能结合。这些任务比开放式聊天机器人更具限定性，但它们针对的是运营商本就掌控部分用户体验的重复性场景。

A. note 则将相同逻辑延伸至录制的对话和会议。该产品能够捕捉语音、生成转录文本并输出摘要。这使 SKT 进入了一个由专业录音应用和生产力平台共同挤占的市场。

该公司也在推进智能体工作流。智能体工作流是指软件理解目标、选择行动，并在用户有限干预下完成多个步骤的流程。SKT 表示，这项技术可以连接 A. phone、TMAP 和 B tv 等服务。

一个有用的检验标准是，这些连接能否让用户免于在不同应用之间搬运信息。一次通话可以生成摘要、后续任务和日历条目；一次出行请求则可以结合目的地、日程和情境化推荐。这类工作流将为 SKT 跨多个产品层运营提供理由。

它们也让数据治理变得更加重要。通话、位置、日历和媒体行为可能透露敏感细节。用户和企业买家需要对保存期限、模型训练、权限和删除机制拥有清晰控制。全栈整合扩展了可用的上下文，但也放大了访问控制薄弱所带来的后果。

知识工作者同样面临相关问题。笔记、会议记录、文件和消息往往分散在彼此割裂的工具中。一个 个人知识库 能让这些材料可被检索，而不必将每个来源都变成独立工作流。

因此，SKT 的优势也伴随着责任。该公司必须证明，其整合服务提供的不只是便捷地使用通用 AI 功能。它需要展现稳定的质量、站得住脚的隐私实践，以及跨产品的有效协同。

消费者触达能力也不等同于收入保障。一项服务可以吸引数百万用户，却只产生有限的直接收入。SKT 必须决定哪些功能有助于提高电信用户留存，哪些可以成为付费企业产品，以及哪些足以支撑其运行所需的基础设施投入。

这正是 SKT 对 KT 和 Naver Cloud 形成压力之处。KT 同样拥有电信基础设施、企业客户关系和云能力。Naver 则拥有大型消费者平台、韩语服务，以及自身的云和模型研发。每个竞争对手都掌控着有价值的层级，但 SKT 提出了最广泛的整合主张。

这一主张改变了竞争问题。竞争不再局限于哪家韩国公司拥有最强大的语言模型，而在于哪家公司能够将计算资源获取、模型性能、部署软件、用户分发和客户支持结合成一种可重复的业务模式。

全栈 AI 仍依赖 Nvidia 和外部合作伙伴

SKT 的技术栈覆盖广泛，但并非纵向独立。其战略将本地控制与对全球合作伙伴的主动依赖结合在一起。

与 Nvidia 的基础设施合作使这一取舍尤为明显。2026 年 6 月，SKT 和 Nvidia 宣布计划在韩国建设基于 Nvidia DSX 平台的吉瓦级 AI 云。首座 AI 工厂计划于 2027 年投入运营。

DSX 是 Nvidia 面向 AI 工厂的参考架构。它在数据中心规模上结合了加速计算、网络、软件和运营指导。SKT 表示，该设计将为韩国企业和行业提供主权 AI、实体 AI 和智能体 AI 服务支持。

这项合作让 SKT 得以使用成熟的计算平台，但也使关键基础设施与 Nvidia 的硬件和软件路线图绑定。GPU 供应、能源需求、系统经济性和产品迭代，仍有一部分不在 SKT 的控制范围内。

SKT 正通过国内替代方案应对这种依赖。其消费者服务布局采用了韩国 AI 半导体公司 Rebellions 的技术。NPU，即神经处理单元，是一种针对机器学习运算进行优化的芯片，其能耗通常低于通用处理器。

该公司表示，它结合 A. phone、A.X 模型和 Rebellions NPU，运行了一项端到端的韩国 AI 服务。这作为一个部署案例具有意义，但并不能证明国产加速器可以在模型训练、大规模推理或所有企业工作负载中替代 Nvidia 系统。

SKT 同时采取多模型战略。它开发自身模型，也与 Anthropic、OpenAI、Perplexity 及韩国技术合作伙伴等公司合作。这种方式使公司能够为不同任务选择模型，而不必强制让所有工作负载都通过 A.X 处理。

多模型架构可以提升灵活性。较小的本地模型可以处理私密或对延迟敏感的请求；较大的外部模型则可能支持复杂推理任务。专用模型能够服务于电信运营、客户支持、制造业或文档分析。

代价是运营复杂度。每个模型都有不同的接口、上下文限制、安全行为、数据规则和成本特征。SKT 必须对请求进行路由、衡量质量、防止数据泄露，并在外部提供商更换模型时维持可预测的服务。

这使“全栈”更像是关于编排能力的表述，而非完全所有权。SKT 不制造每一颗处理器，不拥有每一个模型，也不控制每一项依赖。它的目标是管理完整的交付链条，并在必要时替换组件。

这一区别对于主权 AI 至关重要。主权 AI 通常指符合一个国家法律和战略优先事项的 AI 基础设施、模型和数据治理。它并不总是意味着每个组件都在国内设计和制造。

SKT 的方式将主权目标与国际供应链结合起来。韩国数据、本地模型、国产芯片和国家基础设施，可以与 Nvidia 系统及外部基础模型共存。问题在于，当某一家供应商提供显著更强的性能或软件支持时，SKT 能否保留真正有意义的选择权。

SKT 最初的 AI Pyramid 战略已经承认了这种平衡。该战略于 2023 年 9 月发布，将内部研发与基础设施、AI 转型和服务领域的合作结合起来。当前的全栈表述是这一战略的延伸，而非突然背离。

这段历史也缓和了 Google 新闻标题带来的冲击。SKT 多年来一直在讨论基础设施、模型和服务。新阶段的重点是将这些资产转化为可衡量的使用量和收入，同时扩大其背后的实体容量。

数据支持基础设施，尚不足以证明整个技术栈

SKT 已报告数据中心业务强劲增长，但公开业绩尚未证明模型和 AI 智能体同样构成强劲业务。

SKT 的 2026 年第一季度业绩显示，AI 数据中心收入为 1,314 亿韩元。该公司称，这较上年同期增长 89.3%。现有设施利用率提高以及 GPUaaS 推动了这一增长。

该季度其余 AI 业务则呈现不同景象。SKT 报告称，AI 企业对企业和企业对消费者业务合计收入为 450 亿韩元，较上年同期下降 10.3%。该类别包括云服务、联络中心、AI 工厂、生成式 AI、营销、A.、商业和广告。

这一结构至关重要。基础设施收入快速增长，而更广泛的服务类别却在收缩。单个季度不足以判断长期趋势，但这表明，目前对计算能力的需求比对 SKT 完整应用技术栈的需求更容易识别。

第二季度业绩进一步强化了基础设施重点。SKT 报告合并营收为 4.3591 万亿韩元，营业利润为 5,660 亿韩元。营收同比增长 0.5%，营业利润同比增长 67.3%。

利润比较受上年同期一次性费用影响，SKT 在其韩文公告中也承认了这一点。因此，营业利润增长并不能单独作为衡量 AI 进展的可靠指标。

SKT 表示，数据中心增长推动了整体营收上升。其第二季度业绩还介绍了 SK Hyper，这是一个专门组织，旨在为未来 AI 数据中心获取土地、电力和全球客户。

该公司设定的初步目标是从 2029 年起分阶段启用 5 吉瓦 AI 数据中心容量。另一份 7 月公告则提出了最高 15 吉瓦的长期目标。这些是规划容量，并非已运营设施或已签约客户需求。

这一差距是 SKT 叙事中的主要风险。数据中心需要在土地、电力、冷却、建设、网络连接和计算硬件方面进行大规模投入。容量目标并不能说明利用率、融资条件、客户集中度或回报情况。

首个基于 Nvidia 的设施计划于 2027 年建成，而更大规模的扩张将在之后展开。由于许可、电力供应、组件交付和客户承诺等因素，时间表可能发生变化。SKT 的执行力应通过已完成的容量和实际使用情况来评判，而不是通过公布的规模。

其模型主张同样需要接受审视。A.X K1 的参数规模证明了其体量，但买家需要任务层面的证据。相关指标包括韩语准确率、推理速度、能耗、可靠性、安全性，以及在企业工作负载上的表现。

当开发者选择对自己有利的测试，或比较不同配置的模型时，基准测试结果也可能产生误导。独立评估和客户部署将比公司演示提供更有力的证据。

消费者指标同样需要结合背景来看。SKT 表示，A. 的月活跃用户数达到 1,000 万，而 2025 年 2 月公布的月活跃用户数为 740 万。这表明增长可观，不过该公司尚未随最新总数公开详细的留存、互动或收入数据。

一次促销期间只打开一次的会议助手，与每天使用的智能体并不相同。投资者和产品买家需要了解人们使用 A. 的频率、哪些功能能让他们保持活跃，以及这种使用是否会带来更高的电信留存率或直接收入。

全栈优化最终应产生可衡量的优势。SKT 或可通过协调软件与本土加速器来降低推理延迟；也可利用电信专属数据提升模型质量；还可通过捆绑销售基础设施、模型和运营服务来缩短部署时间。

这些成果尚未在整个技术栈范围内得到独立验证。SKT 已展示出可信的组件和早期收入证据，尤其是在数据中心领域。但它尚未证明，拥有或协调更多层级能够比整合专业供应商的服务带来持久优势。

SKT 的真正对手是其他一体化韩国平台

SKT 正在与已掌控自身云基础设施、韩语模型、企业触达能力和消费者分发渠道组合的公司竞争。

Naver Cloud 是一个直接参照，因为它将云服务与 HyperCLOVA X 和 Naver 的消费者平台连接起来。其资产包括搜索、商业、地图、消息、内容和企业软件。这种分发能力提供了许多与 SKT 在电信服务中看到的相同场景机会。

KT 则具备不同的组合。它拥有全国性网络基础设施、企业合同、数据中心和客户关系。与 SKT 一样，它可以先将 AI 应用于网络运营、客户服务和商务通信，再将这些能力对外提供。

即使眼前的竞争主要发生在国内，全球云公司仍然至关重要。Amazon Web Services、Microsoft Azure 和 Google Cloud 提供成熟的基础设施、开发者工具以及对多个模型家族的访问能力。它们的规模使其在产品广度和全球可用性方面难以匹敌。

SKT 并不需要击败每一家超大规模云服务商。它可以聚焦韩国的数据要求、本地语言表现、电信运营和受监管企业部署。其最强定位或许是作为一家将全球技术与本地基础设施和客户需求整合起来的运营商。

这不如完全技术自主那么引人注目，但在商业上是可信的。企业买家很少要求一家供应商自行发明每个组件。他们关注的是问责性、安全性、支持、性能、部署时间，以及替换失效依赖项的能力。

SKT 可以通过让这些层级更易于协同运营来实现差异化。其网络经验可帮助提升可靠性和可观测性；其电信渠道可支持分发；其模型和芯片合作伙伴关系可为具有不同隐私或性能要求的工作负载提供替代方案。

该公司 2023 年的战略目标是大幅增加 AI 投资，并为更广泛业务设定 2028 年营收目标。这些目标带来了压力，要求其展示试点项目和技术演示之外的成果。

AI Pyramid 2.0 将这一重点进一步聚焦于可变现项目。SKT 将自己描述为 AI 的使用者和供应商。在内部，它可以利用 AI 改善网络运营和客户服务；在外部，它可以销售基础设施、软件和转型服务。

这种双重角色提供了一个实用的测试环境。SKT 可以先在自身电信运营中验证系统，再将其销售给企业。SK Group 旗下的制造业关联公司还可为实体 AI、机器人和流程优化提供额外的应用场景。

然而，内部采用并不等同于外部的产品市场契合。一套围绕某个集团系统设计的解决方案，可能需要针对另一位客户进行大量调整。如果 SKT 的一体化方案变得限制性过强，企业也可以选择专业供应商。

因此，供应商锁定是另一个压力点。全栈供应商可以简化采购，但客户可能会依赖其基础设施接口、模型路由、监控和数据格式。SKT 需要提供可移植性标准和明确的退出选项，以安抚成熟买家。

该公司提到了 MCP 和 A2A 等用于连接智能体的框架。MCP 即 Model Context Protocol，它规范了 AI 应用如何访问工具和数据。A2A 指帮助不同智能体交换任务和结果的协议。

支持开放接口可使 SKT 的平台更具适应性。但这也可能通过降低客户替换单个组件的难度，削弱专有集成的价值。这种张力对买家有利，却会让任何宣称拥有端到端优势的供应商感到不安。

竞争结果不会由一次 Google 新闻周期决定。它将取决于 SKT 的整合能否在不限制客户选择的前提下降低运营摩擦。KT、Naver Cloud 和全球云服务商将从不同起点争夺同样的企业预算。

Google 新闻标题之后应关注什么

三个信号将显示 SKT 的全栈战略是在成为可防御的业务，还是仍停留在雄心勃勃的资产集合。

第一个信号是计划于 2027 年建成的基于 Nvidia 的 AI 工厂在运营层面的进展。SKT 和 Nvidia 表示，该设施将采用 DSX 架构，并支持主权 AI、实体 AI 和智能体 AI。应关注是否确认选址、电力配额、建设里程碑、已部署系统和具名客户。

这些细节将增强 SKT 的主张，即它能够从运营传统数据中心转向以更大规模交付 AI 基础设施。延误或模糊的容量更新则会削弱外界对其时间表的信心。

第二个信号是关于 A.X K1 的独立证据。SKT 在 MWC26 的演示中介绍了一款拥有 5,190 亿参数的模型，而其 AI-native 战略则讨论了向更大系统迈进的工作。规模本身并不能确立竞争价值。

有价值的证据包括可复现的韩语和多语言基准测试、推理效率、安全评估、客户部署，以及在等效硬件上的对比。韩国主权 AI 基础模型项目的结果将尤为重要，因为它们可以将 SKT 的模型与国内替代方案进行测试。

如果 A.X 表现良好，同时能在韩国基础设施上高效运行，SKT 的控制力论点就会更有说服力。如果客户持续将最困难的工作路由至外部模型，A.X 可能主要作为合作伙伴驱动平台中的本地选项发挥作用。

第三个信号是服务互动和收入。SKT 需要披露的不应仅仅是 A. 的总体用户数。留存率、活跃天数、任务完成情况、企业采用率和收入贡献，将显示服务层是否受益于其底层基础设施。

A. note 提供了一个具体检验。快速的初期采用很重要，但持续使用将揭示录音和摘要是否会成为持久习惯。如果 SKT 的智能体工作流如其所述有效，通话、日历、导航和媒体之间的整合最终应提高重复互动。

企业客户同样提供了重要检验。具名部署、合同续约，以及从一个工作负载扩展到多个工作负载，将支持 SKT 的一体化销售论点。如果买家只选择 GPU 容量，则表明基础设施而非完整技术栈仍是主要吸引力。

SKT 的战略之所以可信，是因为它以真实资产为起点：电信分销网络、运营中的数据中心、模型开发能力、国内芯片合作伙伴，以及数百万 AI 服务用户。其 Nvidia 基础设施计划 为显著提升算力提供了一条路径。

尚未解决的问题是控制权。SKT 正在构建本地模型、使用韩国芯片，同时通过 Nvidia 系统和外部 AI 合作伙伴扩张。这种组合可以增强韧性，但前提是 SKT 能够在不牺牲性能或客户信任的情况下切换组件。

读者不应只关注下一条 Google News 头条，而应追踪这三个信号：已完成的基础设施、经过独立测试的模型，以及持续的服务使用情况。它们将共同表明，全栈 AI 是否能为 SKT 带来可衡量的运营优势。最能说服你的会是哪一种结果：具有竞争力的模型基准测试、一次大型企业部署，还是消费者每周都在使用其 AI Agent 的证据？