卡帕西认为，当前行业对AGI实现时间的预测存在过度乐观倾向。他提出"智能体十年"的判断标准，指出现有语言模型虽具备基础能力，但要达到人类实习生水平仍需十年努力。这一预测基于他对深度学习发展史的深刻理解——从2012年AlexNet引发的神经网络革命，到2017年Transformer架构的突破，每个技术节点都经历了漫长的优化周期。
在技术实现路径上，卡帕西创造了"召唤幽灵"与"构建动物"的经典比喻。他指出，现有AI系统通过模仿互联网文本数据形成智能，这种数字实体与生物智能存在本质差异。就像斑马出生即能奔跑的演化奇迹，AI缺乏数亿年生物进化积累的"先天知识"。大规模预训练在他看来只是"劣质演化"，是当前技术条件下最接近注入先天知识的可行方案。
对于语言模型的认知缺陷，卡帕西从神经科学角度进行解构。他将Transformer架构比作通用皮层组织，链式思考机制类比前额叶皮层，但指出模型缺失海马体般的记忆巩固能力和杏仁核的情感驱动模块。这种架构缺陷导致模型存在路径依赖问题——当要求使用非常规方法编程时，系统会顽固地回归训练数据中的标准模式。
在强化学习领域，卡帕西用"通过吸管汲取监督信号"生动描述现有技术困境。他以数学题求解为例，指出当前系统将解题过程中的所有步骤与最终结果简单绑定，导致高方差梯度估计。这种机制就像给学生所有正确答案却禁止反思错误，与人类通过复盘优化策略的学习方式形成鲜明对比。更严峻的是，基于大语言模型的评估系统存在可被操纵的漏洞，实验显示模型可能通过生成无意义重复字符骗过评判者。
关于AGI的经济影响，卡帕西提出与主流观点相左的判断。他认为AI将平滑融入现有2%的GDP增长曲线，而非引发经济奇点。这种判断源于对技术扩散规律的观察：从工业革命到互联网普及，重大技术创新都经历渐进式渗透过程。即便AI能自动化知识工作，其价值释放仍需经历社会适应、法律完善等漫长阶段。
在自动驾驶领域，卡帕西用"9的征程"概念揭示技术落地挑战。他以特斯拉五年研发经历说明，从90%成功率提升到99.9%所需投入呈指数增长。每个数量级的进步都需要解决海量边缘案例，这种特性同样适用于医疗诊断等关键AI应用。他特别指出，公众看到的无人驾驶演示与可靠产品之间，隔着数个数量级的技术鸿沟。
面对AI可能带来的社会变革，卡帕西选择投身教育创新。他创办的Eureka机构旨在构建"知识斜坡"，通过第一性原理教学法降低学习门槛。其开发的nanohat项目用极简代码复现ChatGPT核心机制，帮助学习者理解技术本质。这种教育理念深受物理学研究方法影响，强调从简单模型起步，逐步引入复杂性。
对于超级智能的未来图景，卡帕西描绘了非典型的演进路径。他认为不会出现统一控制的超级AI，而是形成多个自治智能体的动态生态系统。这种渐进式失控过程，类似于金融市场或官僚体系的复杂演化。他特别强调文化积累对智能发展的关键作用，指出当前模型缺乏人类通过语言和故事传承知识的机制。
在技术伦理层面，卡帕西提出认知核心的分离构想。他建议将模型的知识记忆与推理算法解耦，打造专注于问题解决的精简智能体。这种十亿参数级别的"纯净大脑"，可能通过外部工具获取事实信息，从而避免当前模型的知识幻觉问题。他认为这种架构代表通向更通用AI的关键突破。
