当大模型的迭代速度以周计，如何打破算力瓶颈与工程壁垒，成为AI研发的终极命题。2026年6月27日，面壁智能联合OpenBMB开源社区与AGI BAR举办了一场名为“AI4AI发酵夜”的深度交流。活动中，面壁智能AI Infra技术负责人李宇轩详细解析了其自研的生产级预训练框架——ForgeTrain，揭示了“AI制造AI”这一范式转变的底层逻辑与实战突破。

李宇轩指出，随着互联网高质量数据与算力供给的边际效益递减，传统“堆数据、堆算力”的路径已逼近边界。工业革命实现了“用机器制造机器”，而智能革命正在迈向“用AI制造AI”。ForgeTrain正是这一路径的单点实证，其核心理念在于:由AI针对特定模型与硬件架构，从零“锻造”出一个量身定做的专用训练框架，而非依赖人工维护大而全的通用软件栈。

在性能实测中，ForgeTrain展现了惊人的迭代效率。通过自动化流程，该框架在8小时内追平了业界旗舰框架Megatron-LM的性能，并在1.5至2天内实现稳定反超，MFU（算力利用率）提升约8%至10%。这一能力不仅成功迁移至MiniCPM4-0.5B/8B等不同模型，更兼容了包括H100及华 为昇腾NPU在内的多种硬件平台。

ForgeTrain的成功离不开李宇轩总结的“四阶段Harness优化流程”。系统从锁定二进制一致性的Anchor阶段出发，历经Bit-for-Bit基础功能生成、解除约束后的Surpass性能冲刺，最终进入针对算子逐项深度定制的Per-Op阶段。整个过程完全由AI判定，无人工干预，成功将英伟达依靠多年人力积累的工程护城河，重构为可以被AI自动解耦的技术问题。

这一实践被概括为“Forge Engineering”——一种面向AI时代的工程新范式。李宇轩认为，未来每个人都有能力定制自己的模型助手，软件形态将迎来大规模重塑。

针对行业关心的开源生态与技术壁垒问题，李宇轩在交流中也给出了独到见解。他指出，Coding Agent正在拆解传统CUDA生态的“迁移成本”，竞争维度已从单纯的“代码受信”转向“智能受信”。面对未来，研究焦点应聚焦于实现AGI路径中最陡峭的一段，即如何让AI从解决问题迈向提出新范式的“Innovator（创新者）”。随着面壁智能持续深耕，AI自主撰写下一代模型代码的时代，已然拉开帷幕。