在生产环境中如何运维 AI 基础设施？

有开发者向正在生产环境运行开源 AI 基础设施的同行提问：实际在跑哪些项目、支撑什么负载、是否推荐，以及自建运维还是采用托管服务。问题还涉及是否因运维太难或太贵而替换、放弃过某些工具，哪些问题只在走出原型阶段后才暴露，以及如果今天重建整套技术栈会做哪些不同选择。