这是一份在社交饭局中快速伪装成 AI 行业专家的指南。它提供了一系列实用技巧，包括如何巧妙地谈论行业人物、热门模型和公司，如何正确使用“黑话”（如 Scaling Law 和 PMF），以及如何通过讨论“师承”关系和算力焦虑来展现深度。该指南的核心策略是避免低级错误，在不懂技术细节时将话题引向商业或哲学层面，最终塑造一个掌握内幕、见解深刻的“大佬”形象。
提谁，不提谁？
饭局聊天要有选择，提及的人物决定了你的层次。
- 不提网红： 像 Sam Altman 这种人人皆知的人物，没有新鲜信息。
- 提 Claude 的 Dario Amodei： 亲切地称呼他 Dario，显得你们很熟。同时，评价他的视角： > Dario 是神经科学背景，跨界给了他更好的观察视角。
- 提深度学习三巨头里更冷门的 Bengio： 当别人都在谈 Hinton 和 LeCun 时，提 Bengio 会显得你品味独特。
- 提 Ilya 和 K 神： 可以提，但不要聊人人皆知的宫斗八卦或最新动态，那显得你像个信息二道贩子。
如何评论大佬？
评论行业大佬时，姿态要平视，甚至带一点惋惜，而不是仰视。
- 谈 Hinton：可以带上一点阴谋论。 > 老爷子跟大模型公司不利益相关，他警告 AI 危险可能确实看到了什么。
- 谈 LeCun：务必叫他的中文名杨立昆，并结合职场哲学。 > 杨立昆在 Meta 要向比他年轻二十多岁的人汇报，如果能低头一些，可能就不用走了。
- 谈 Ilya：要上升到研究品味的高度。 > 离开 OpenAI 做 SSI，是研究品味的问题。他可能觉得 GPT 路线不对。
如何谈论国外“三件套”？
直接表明你只用国外的三大模型：ChatGPT、Claude、Gemini。评价时不要说好不好用，那是普通用户思维，要评价公司的品味和血统。
- 批判 ChatGPT： 用怀旧的口吻，称 OpenAI 为 O 记。 > O 记现在越来越像微软了，产品力在下降，离 Ilya 当年的初心越来越远了。
- 夸赞 Claude： 突出其极客审美和逻辑性。 > 写代码和长文本分析，我还是只信 Claude 4.5。它的逻辑链条比 GPT 细腻，有一种理科生的洁癖感。
- 评价 Gemini： 肯定其追赶势头，并归功于其深厚底蕴。 > Gemini 今年确实追上来了。没办法，毕竟是写出《Attention Is All You Need》的祖师爷，底蕴还是深。
如何拉近与国内模型的距离？
聊国内公司一定要用昵称，并带上简短评价，显得你很在圈子里。
- 月之暗面： 叫 Moonshot 或“杨植麟他们”，评价为“懂 C 端，审美在线”。
- 智谱： 叫“清华系”，评价为“基座稳，开源贡献大”。
- DeepSeek： 叫“幻方那帮人”，评价为“路子野、硬核，有 OpenAI 早期的极客影子”。
聊完技术，可以顺势转向商业模式，显得思考更全面：
现在的瓶颈不是模型能力，是 PMF (产品市场契合度)。ToC 卷不动流量，ToB 全是定制化项目，这商业模式很难 Scale（规模化） 啊。
最后，记得补上一句万能结语：“我也在更新认知”。
如何使用“黑话”？
“黑话”是区分内外行的关键。核心在于不说中文全称。
- Scaling Law (尺度定律)： 这是万能挡箭牌。模型为什么强？“Scaling Law 生效了。” 为什么不够强？“Scaling Law 边际效应递减了。”
- Agent (智能体)： 不要只说 Agent，要提 Skill (能力包) 和 Workflow (工作流) 的编排。
- Hallucination (幻觉)： 不要说模型在“瞎编”，要说“Grounding (接地/溯源) 没做好”。
- Context Window (上下文窗口)： 讨论它对现有架构的影响，比如“两百万的 Context Window 一开，很多 RAG 的架构都要重写。”
- 大模型： 不要说“LLM”（太装）或“AI”（太土），直接说“模型”，一听就是技术圈的。
聊“师承”，把科技圈变江湖
将话题从新闻八卦提升到“师承”和学术谱系，会让你显得更有深度。
- 宏观叙事： > 很多路线是同一条学术谱系分叉出来的。师承不决定对错，但决定气质。
- 追溯源头： > Ilya 是 Hinton 的学生，所以 OpenAI 早期那个研究风格，其实是多伦多学派的延续。
- 点评国内圈子： > 你看国内这些创业公司，技术 VP 一查履历，不是 MSRA 就是百度出来的，圈子就这么大。
- 最终感慨： > Google 那篇 Paper 打下的江山，8 个作者全出去创业了，AI 界的黄埔军校啊。
不谈钱，谈“含卡量”
聊估值显得你像个中介。真正的硬通货是 GPU，要表现出对算力短缺的极度焦虑。
估值高没用，关键是拿不拿得到卡。我听说 XX 他们为了搞那两千张 H100，供应链都快住在新加坡了。现在不看估值，看含卡量。
- 核心门槛： 万卡集群是做预训练 (Pre-training) 的基础，否则只能做做微调 (Fine-tuning)。
- 进阶焦虑： 问题不只是卡，还有配套的网络和散热。集群调度做不好，利用率也上不去。
接不上话，就聊哲学
当别人聊到具体算法你听不懂时（如 MoE、LoRA），迅速将话题升维打击。
- 数据质量论： “模型结构大同小异，最后拼的还是 Data Quality。Garbage in, garbage out 嘛。”
- 产品落地论： “技术都很性感，但 PMF 在哪？现在大家都是拿着锤子找钉子。”
- 未来发展论： “让子弹再飞一会儿。现在的架构可能都不是终局。”
- 万能权衡论： > （点头深思）确实，这本质上是一个 Efficiency (效率) 和 Performance (性能) 的 Trade-off (权衡)。
- 终极哲学论： > 我觉得这个问题挺有意思的，它其实是在问：什么是智能？
保持神秘：我在湾区有人
永远只提供方向性的、不可验证的内幕，暗示你消息灵通但又守规矩。
- 国内这家内部已经跑通了，只是出于合规考量没放出来。不过这也是我看公开信息推测的。
- 表面看是这样，但我听到的版本是，内部其实分歧挺大。外面看到的是统一口径。
- 他们现在的重心，不在你以为的那个点上。但具体在哪，我就不方便细聊了。
红线：一秒破功的低级错误
以下是绝对不能犯的低级错误：
- 不要问“会不会被取代”： 这种焦虑显得层次低。你应该说：“AI 会重构工作流。”
- 不要表现得太惊讶： 无论听到什么突破，都要淡定点头，然后说： > 嗯，符合 Scaling Law 的预期。
绝杀
如果以上都掌握了，你已接近不败。在饭局微醺时，只需轻轻晃动酒杯，望向窗外，叹一口气：
其实这波浪潮，技术只是表象。最后博弈的，还是碳基生命和硅基生命的定义权。