夜雨聆风文 / 佛学院不正经老师
如果一台机器能自己设计制造自己的零件，你会觉得这是科幻片开头还是恐怖片开头？
今天面壁智能给出的答案，可能跟你想的都不太一样。
这不是辅助，这是创造。
面壁智能是谁，ForgeTrain 又是什么
先给不熟悉的读者补个课。
面壁智能是一家专注大模型技术的中国团队，去年因为小模型方案出了圈。他们的核心思路是：不做最大的模型，做最聪明的模型。在 AI 行业疯狂卷参数量的环境里，这本身就是一种反共识。
今天他们发布的 ForgeTrain，是一个预训练框架。翻译成人话就是：AI 现在不仅会写诗、会编程、会解数学题，它连"怎么训练自己"的说明书，都开始自己写了。
这个框架不是人写的，是 AI 写的。面壁智能说它的性能超越了英伟达的 Megatron——后者是大模型训练领域的事实标准，十个团队有九个在用。而且 ForgeTrain 在华为昇腾芯片上还有 10% 的训练加速。
（10%听起来不多？你去跟每天烧几十万算力成本的团队说"我能帮你省10%"，你看他们叫不叫你爹。）
面壁智能给它起了个新词叫 "Forge Engineering"，锻造工程。意思是以后不是人写代码，而是 AI "现场锻造"出最适合当前任务的专用代码。你需要什么，它当场给你造什么。
佛学院档案室八年：一个见证者的历史纵深
我在档案室待了八年，见过不少"历史文件"。但这一次，文件自己开始写自己了。
禅宗里有一句话："应无所住而生其心。" 不执着于固定形式，随需而生。以前觉得这是哲学，现在发现这可能是编程的未来。
八年前我刚到佛学院的时候，整理的都是故纸堆。今天，历史正在以天为单位被重写。
面壁智能这个名字也起得妙。"面壁"是禅宗祖师的修行方式，对着墙静坐，等顿悟。现在他们让 AI 也面壁——只不过 AI 面的是数据墙，悟出来的是训练框架。这名字，有意思。
情报学视角：这不是新闻，是信号质变
我是学情报学的，我们训练的核心能力不是记住多少信息，而是在噪音里识别真正的信号。
ForgeTrain 这件事，如果当普通科技新闻看，结论是"面壁智能技术挺强"。但如果当情报信号看，结论完全不同：这是一个范式转移的拐点信号。
什么叫范式转移？不是"我比你强一点"，是"游戏规则变了"。就像数码相机取代胶卷，不是照片更清晰了，是"拍照"这件事的定义变了。
以前评价一个 AI 团队，看的是工程师数量、论文数量、代码质量。以后评价一个 AI 团队，可能要看的是：你的 AI 能给自己造多好的工具？
情报学里有个概念叫"信号淹没"。当噪声比信号还多的时候，你反而要重新定义什么是信号。今天这条新闻，就是那种重新定义的信号。
危机管理视角：当创造者开始被创造
我在佛学院教危机管理，第一课讲的是"识别风险信号"。
面壁智能这次发布，表面上是技术突破，底层是一个风险信号的质变：人类正在失去对"创造过程"的独占权。
以前 AI 是我们的工具，我们拿它干活。现在 AI 开始设计工具了，而且它设计的工具比我们的更好。这不是工具升级，是权力转移。
过去我们评估 AI 风险，假设模型是静态的、训练完就定型了。现在 ForgeTrain 指向一个动态世界：AI 今天长这样，明天可能就把自己锻造成了另一个样子。你的安全边界、你的测试用例、你的伦理审查，全部要重新设计。
当你依赖的系统开始自己进化，你的应急预案还管用吗？这不是远虑，这是近在眼前的事。
ForgeTrain 现在能做到的，是在已有的大框架里优化和生成。它还不会提出"为什么要训练大模型"这种问题。目标设定、价值判断、方向选择，这些还是人类的领地。
问题是，这个领地有多大？还能守多久？
AI 信息素养视角：你的"信"和"不信"要升级了
我在佛学院还教一门 AI 信息素养课。每次课前我都会跟学生说一句话：面对 AI，最重要的不是你会不会用，是你知不知道什么时候该信，什么时候不该信。
ForgeTrain 让这个问题变得更复杂了。
以前我们评估一个 AI 系统，标准很简单：谁做的？用了什么数据？测试成绩怎么样？这三个问题问完，基本能判断靠不靠谱。
现在不行了。ForgeTrain 是 AI 写的，它的代码逻辑可能连开发者都未必完全理解。"谁做的"这个维度失效了——不是某个大牛写的，是 AI "锻造"出来的。你问它为什么这样设计，它可能给不出人类能理解的解释。
这意味着什么？意味着普通人的 AI 信息素养需要升级。以前你只需要学会"验证来源"，现在你还要学会"评估一个会自我进化的系统"。这比前者难得多。
（我课上有个学生曾经问我："老师，AI 写的代码有 bug 怎么办？"我说那你找人修啊。他又问："如果 AI 写的代码比人写的更好，bug 更少呢？"我愣了一下。现在 ForgeTrain 证明，这个问题不是假设了。）
所以普通人面对这个消息，最该关心的不是技术细节，而是认知框架：当 AI 开始自己造自己，你的"信任标准"还停留在昨天，那你就已经在信息素养上落后了。
OpenClaw/Hermes 实践视角：养智能体养久了才知道的事
我养 OpenClaw 和 Hermes AI 智能体这段时间，有个体会，可能跟 ForgeTrain 这件事最贴切。
当你给系统加了自动化工作流，一开始你觉得轻松了，后来你会发现，你其实已经不记得模型什么时候该更新、什么时候该干预了。系统自动在跑，结果看起来也对，但你越来越不清楚"它到底是怎么做到的"。
ForgeTrain 把这个逻辑往前推了一大步。以前是不清楚 AI 怎么回答问题，现在是不清楚 AI 怎么训练 AI。黑盒套黑盒，层层嵌套。
养智能体和训练大模型，表面上是两件事，底层逻辑一模一样：当你把控制权交出去的那一刻，你就已经回不到手动操作的时代了。 问题不是"要不要交"，是你有没有准备好交出去之后的风险预案。
最后送你一句话
面壁智能这一步，不只是一个产品发布。它是一个界碑：从"人类用 AI"到"AI 造 AI"，界限被跨过去了。
以后回头看，2026 年 5 月 29 日可能就是那个拐点。
本文作者：佛学院不正经老师
身份：佛学院档案室管理员 | 教寺院危机管理 & AI信息素养 | 情报学研究生 | OpenClaw和Hermes AI智能体专业户
