當大模型的迭代速度以周計，如何打破算力瓶頸與工程壁壘，成爲AI研發的終極命題。2026年6月27日，面壁智能聯合OpenBMB開源社區與AGI BAR舉辦了一場名爲“AI4AI發酵夜”的深度交流。活動中，面壁智能AI Infra技術負責人李宇軒詳細解析了其自研的生產級預訓練框架——ForgeTrain，揭示了“AI製造AI”這一範式轉變的底層邏輯與實戰突破。

李宇軒指出，隨着互聯網高質量數據與算力供給的邊際效益遞減，傳統“堆數據、堆算力”的路徑已逼近邊界。工業革命實現了“用機器製造機器”，而智能革命正在邁向“用AI製造AI”。ForgeTrain正是這一路徑的單點實證，其核心理念在於:由AI針對特定模型與硬件架構，從零“鍛造”出一個量身定做的專用訓練框架，而非依賴人工維護大而全的通用軟件棧。

在性能實測中，ForgeTrain展現了驚人的迭代效率。通過自動化流程，該框架在8小時內追平了業界旗艦框架Megatron-LM的性能，並在1.5至2天內實現穩定反超，MFU（算力利用率）提升約8%至10%。這一能力不僅成功遷移至MiniCPM4-0.5B/8B等不同模型，更兼容了包括H100及華爲昇騰NPU在內的多種硬件平臺。

ForgeTrain的成功離不開李宇軒總結的“四階段Harness優化流程”。系統從鎖定二進制一致性的Anchor階段出發，歷經Bit-for-Bit基礎功能生成、解除約束後的Surpass性能衝刺，最終進入針對算子逐項深度定製的Per-Op階段。整個過程完全由AI判定，無人工干預，成功將英偉達依靠多年人力積累的工程護城河，重構爲可以被AI自動解耦的技術問題。

這一實踐被概括爲“Forge Engineering”——一種面向AI時代的工程新範式。李宇軒認爲，未來每個人都有能力定製自己的模型助手，軟件形態將迎來大規模重塑。

針對行業關心的開源生態與技術壁壘問題，李宇軒在交流中也給出了獨到見解。他指出，Coding Agent正在拆解傳統CUDA生態的“遷移成本”，競爭維度已從單純的“代碼受信”轉向“智能受信”。面對未來，研究焦點應聚焦於實現AGI路徑中最陡峭的一段，即如何讓AI從解決問題邁向提出新範式的“Innovator（創新者）”。隨着面壁智能持續深耕，AI自主撰寫下一代模型代碼的時代，已然拉開帷幕。