今天刷到一条消息，停了很久。

刚刚，国产AI自己造了AI，全球首例！

面壁智能发布了一个东西。

一套叫 ForgeTrain（AI 自动编写的模型训练框架）的预训练框架，从头到尾是 AI 自己写的。然后，用这套框架训练出了一个新的模型，叫 MiniCPM5-1B。

参数只有 10 亿，还没一张高清照片大。但它在国际榜单上把所有 2B 以下的对手全赢了。

更让人愣住的在后面。

这套 AI 自己写的框架，比英伟达工程师打磨了十几年的 Megatron（英伟达开源的大模型分布式训练框架）还快 10%。

不是 AI 帮人写了几个函数。是 AI 自己，完整地造了一个造 AI 的工具。

我把这条消息看了三遍。

不是因为技术多复杂。是我突然发现，这件事跟我最近一直在琢磨的一个问题，刚好撞上了。

如果 AI 已经能自己迭代自己了，那我们呢？

这半年，我一直在逼自己学东西。

运营、视频剪辑、AI 工具。说实话，挺累的。有时是真的累。

但不是「学不会」那种累。

是「学了，但不知道学对了没有」那种累。

剪了一个视频发出去，数据平平。是我剪得不好，还是选题不对，还是算法变了——我不知道。看了一堆 AI 资讯，记了一堆笔记，回头翻的时候大半想不起来了。是记得不够深，还是记的方式不对——我也不知道。

就是这种感觉。你在跑，但你看不到跑道。

然后今天看到 ForgeTrain 是怎么工作的，我整个人顿了一下。

面壁智能为了让 AI 知道自己写对了没有，搞了一个叫 Harness（自动化评测考场）的东西。这个考场一秒钟都不耽误——AI 写完代码，立刻跑测试，测速度、测显存、测并行效率、测稳定性。哪里不对、哪里慢了、哪里崩了，结果当场拍回去。

AI 改，再测。再改，再测。

几十轮之后，它写的代码比人类工程师的还快。

我看着这段描述，第一反应不是「AI 好厉害」。

是「这他妈不就是刻意练习吗」。

刻意练习的核心从来不是「练一万小时」。是一万小时里每一次练习之后，你有没有拿到精准的反馈。知道哪里不对，知道哪里要改，知道下一次往哪使劲。

AI 有 Harness 这个考场。它每一次尝试都带着反馈，每一条反馈都指引下一次改进。

但我没有。

我们大多数人都没有。

我们看了很多，做了很多。但没有人告诉我们，这一步对了没有，那个操作歪在哪里。我们只能靠模糊的感觉——好像有进步，好像还行。

但感觉经常不准。

所以很多努力没变成能力，散掉了。

不是不够努力。是努力之后，反馈没回来，走错了方向自己不知道。

面壁智能这次还提了另一个概念，叫 Forge Engineering（现场锻造工程，针对不同场景量身定制专用代码的新范式）。

思路很简单：过去做软件追求通用，一套代码适配所有场景。但现在 AI 写代码太快太便宜了，为什么还要追求通用？直接给不同的模型、不同的硬件、不同的任务，量身定制一套专用代码不就行了。

从均码，到量体裁衣。

我看完之后想到的，不是代码。

是自己。

我以前做内容的时候，看到一个东西火了就追。别人的爆款模板拿过来套，哪个方向热闹就往哪凑。忙是真忙，但回过头看，几乎没有什么真正属于自己的。

后来我慢慢地、不太情愿地开始做减法。

不追那么多热点了。不套那么多模板了。就盯住那几个我真的想深耕的方向——运营、视频、AI 学习。在这些方向里，再往下钻，找到只有我经历过、只有我能写的角度。

慢了很多。也不热闹。

但它不是流水线上出来的。

是用我的经历、我的思考、我摔过的跤，自己缝出来的东西。

AI 用 Forge Engineering 的逻辑造出了更强的 AI。

我用一样的逻辑在做内容。

不是最好的，但至少是「我的」。

写到这里，我又翻回去看了一眼那条新闻。

面壁智能把 AI 造 AI 分成了五个阶段。

L1，AI 只能给建议，人还在亲手做。

L2，AI 能辅助完成具体环节，就像我们现在用各种 AI 工具一样。

L3，AI 端到端产出下一代模型，ForgeTrain 就站在这。

L4，AI 递归自改进，自己改造自己的训练管线。

L5，AI 自己提出问题、自己解决、自己探索。

ForgeTrain 在 L3 到 L4 之间。

我看着这五个级别，顺手把自己的学习状态也套了一下。

L1——别人让我学什么我就学什么，学完了也不知道学得怎么样。

L2——知道自己想学什么，也在学，但没有反馈回路，效果靠猜。

L3——知道自己想学什么，有方法学，有反馈知道哪里要改，能持续进步。

L4——不仅能改自己的问题，还能优化「怎么学」这件事本身。不是学会一个具体技能，是学会「怎么学任何东西」。

L5——不需要别人给方向，自己能发现问题，自己定义目标，自己探索答案。

说实话，大部分时候我在 L2 和 L3 之间晃。有些事有了反馈回路，确实在进步。有些事还在靠感觉撑着。

但今天看到 AI 已经跑到 L3-L4 了，我没觉得焦虑。

反而觉得挺开心的。

因为它用工程方法验证了一件事：持续找到反馈、持续迭代这件事，就是管用。

不是鸡汤，是跑几十轮代码跑出来的结论。

AI 不是靠天赋赢的。

是靠 Harness 考场里一轮一轮死磕赢的。

那我也一样。

最后说一个小的发现。

做今天这个复盘的时候，我忽然意识到——写这篇东西本身，就是我的一个小型 Harness。

我把看到的东西消化一遍，用自己的话写出来。写的过程中会卡住，说明那个点我没真懂。写完之后如果有人看到这里，可能会告诉我哪里说得不对。这些反馈会帮我下一轮想得更清楚。

不是一次写完就完美。是写一次，想一次，改一次。

这个循环就是我的考场。

你也可以试试。今天学了什么、想到了什么，花十分钟写下来。不用写得多好。写的过程本身就是检测——你以为你懂了，一动笔才发现没懂。

而那个「没懂」的地方，就是你下一次可以冲的方向。

谢谢你看到这里。

这里是她说，一个逼着自己学习、记录思考和进步的小地方。

如果你也在学什么，或者也在默默做着量体裁衣的事，欢迎告诉我。

我们不是一个人在跑。

一起进步。

MiniCPM5-1B 现已全面开源：

Hugging Face链接：https://huggingface.openbmb.com/model/openbmb/MiniCPM5-1B

GitHub链接：https://github.com/OpenBMB/MiniCPM

ModelScope链接：https://modelscope.cn/models/OpenBMB/MiniCPM5-1B

GitCode：https://ai.gitcode.com/OpenBMB/MiniCPM5-1B

魔乐社区：https://modelers.cn/models/OpenBMB/MiniCPM5-1B

ForgeTrain开源链接：https://github.com/OpenBMB/ForgeTrain（5.26晚后上线）