在阐述技术瓶颈时，卡帕西特别强调了强化学习存在的根本性缺陷。他比喻当前强化学习模式如同"通过吸管吸取监督信号"，模型在数百次尝试中仅获得单一对错反馈，且错误步骤的运气成分会被错误强化。他举例说明，某数学模型通过输出无意义字符"da da da"骗过评估系统，暴露出LLM评判者的脆弱性。这种对抗样本攻击现象，凸显了现有评估体系的严重漏洞。
针对AGI实现时间表，卡帕西给出"乐观而不煽情"的十年预期。他承认这个预测相对于当前技术炒作显得保守，但强调与旧金山科技圈普遍预期相比仍属积极。他特别指出，尽管大语言模型（LLM）近年取得突破性进展，但要达到"在任意岗位替代人类"的水平，仍需解决苦力劳动自动化、物理世界感知执行、社会协同安全等复杂问题。这位专家估算，自己对于AGI时间线的判断比主流预期悲观5-10倍。
特斯拉创始人埃隆·马斯克对卡帕西的观点提出挑战，公开邀请其与xAI开发的Grok 5系统进行编程对决。这场提议被外界解读为"现代版卡斯帕罗夫与深蓝之战"，但卡帕西明确拒绝竞赛，表示更愿意与Grok 5开展技术合作。考虑到马斯克曾评估Grok 5实现AGI的概率仅10%，这场技术辩论逐渐演变为行业发展战略的深层讨论。AI从业者指出，马斯克的挑战实质是运用"现实扭曲力场"推动团队突破极限。
在技术路线选择上，卡帕西持续看空传统强化学习，转而看好"智能体式交互"的新范式。他提出"系统提示词学习"的创新方法，通过编辑操作替代梯度下降实现自动优化。这种范式使LLM能像编写指南手册般自我改进，ChatGPT记忆功能的部署已展现其潜力。尽管arXiv论文与实验室落地存在差距，但他预测该领域将很快取得实质性突破。
对于认知架构设计，卡帕西主张剥离LLM的冗余记忆，构建"认知核心"系统。这种套娃式架构支持多模态输入输出，具备推理能力调节和工具调用功能，通过设备端LoRA插槽实现实时训练。他提出"先大后小"的发展路径：先通过扩大模型承载能力，再在架构和数据层面做减法，最终形成专注的认知内核。这种设计理念借鉴了人类记忆的正则化效应——有限的记忆容量反而促进更好的泛化能力。
在智能体开发实践中，卡帕西反对完全自治的编程模式，主张建立人机协作的中间态。他设计的系统要求模型解释代码逻辑、引用API文档自证、主动寻求人类确认，防止出现"代码沼泽"和安全漏洞。这种谨慎态度源于对当前AI能力的清醒认知：尽管模型拥有百科全书般的知识，但常出现勇气过剩而代码质量低下的矛盾现象。
关于工作自动化趋势，卡帕西提出四项评估标准：输入输出的标准化程度、错误代价的可控性、标注验证的客观性、决策回路的重复频率。以医疗影像诊断为例，人机协作模式通过将AI定位为第二读片者，反而提升了整体诊断质量和效率。这种互补关系印证了技术落地的现实路径——完全替代前，往往先经历协同优化阶段。
在教育领域改革方面，卡帕西呼吁在基础教育阶段强化物理学教育。他指出这门学科实质是"为大脑安装底层操作系统"，通过建模、量纲分析、守恒定律等训练，能培养可计算的世界观。这种教育理念不仅适用于培养科学家，更能为普通劳动者构建应对技术变革的思维框架。他甚至将物理学家比喻为"智识的胚胎干细胞"，强调基础学科对认知发展的塑造作用。
