卡帕西認為，當前行業對AGI實現時間的預測存在過度樂觀傾向。他提出"智能體十年"的判斷標準，指出現有語言模型雖具備基礎能力，但要達到人類實習生水平仍需十年努力。這一預測基于他對深度學習發展史的深刻理解——從2012年AlexNet引發的神經網絡革命，到2017年Transformer架構的突破，每個技術節點都經歷了漫長的優化周期。

在技術實現路徑上，卡帕西創造了"召喚幽靈"與"構建動物"的經典比喻。他指出，現有AI系統通過模仿互聯網文本數據形成智能，這種數字實體與生物智能存在本質差異。就像斑馬出生即能奔跑的演化奇跡，AI缺乏數億年生物進化積累的"先天知識"。大規模預訓練在他看來只是"劣質演化"，是當前技術條件下最接近注入先天知識的可行方案。

對于語言模型的認知缺陷，卡帕西從神經科學角度進行解構。他將Transformer架構比作通用皮層組織，鏈式思考機制類比前額葉皮層，但指出模型缺失海馬體般的記憶鞏固能力和杏仁核的情感驅動模塊。這種架構缺陷導致模型存在路徑依賴問題——當要求使用非常規方法編程時，系統會頑固地回歸訓練數據中的標準模式。

在強化學習領域，卡帕西用"通過吸管汲取監督信號"生動描述現有技術困境。他以數學題求解為例，指出當前系統將解題過程中的所有步驟與最終結果簡單綁定，導致高方差梯度估計。這種機制就像給學生所有正確答案卻禁止反思錯誤，與人類通過復盤優化策略的學習方式形成鮮明對比。更嚴峻的是，基于大語言模型的評估系統存在可被操縱的漏洞，實驗顯示模型可能通過生成無意義重復字符騙過評判者。

關于AGI的經濟影響，卡帕西提出與主流觀點相左的判斷。他認為AI將平滑融入現有2%的GDP增長曲線，而非引發經濟奇點。這種判斷源于對技術擴散規律的觀察：從工業革命到互聯網普及，重大技術創新都經歷漸進式滲透過程。即便AI能自動化知識工作，其價值釋放仍需經歷社會適應、法律完善等漫長階段。

在自動駕駛領域，卡帕西用"9的征程"概念揭示技術落地挑戰。他以特斯拉五年研發經歷說明，從90%成功率提升到99.9%所需投入呈指數增長。每個數量級的進步都需要解決海量邊緣案例，這種特性同樣適用于醫療診斷等關鍵AI應用。他特別指出，公眾看到的無人駕駛演示與可靠產品之間，隔著數個數量級的技術鴻溝。

面對AI可能帶來的社會變革，卡帕西選擇投身教育創新。他創辦的Eureka機構旨在構建"知識斜坡"，通過第一性原理教學法降低學習門檻。其開發的nanohat項目用極簡代碼復現ChatGPT核心機制，幫助學習者理解技術本質。這種教育理念深受物理學研究方法影響，強調從簡單模型起步，逐步引入復雜性。

對于超級智能的未來圖景，卡帕西描繪了非典型的演進路徑。他認為不會出現統一控制的超級AI，而是形成多個自治智能體的動態生態系統。這種漸進式失控過程，類似于金融市場或官僚體系的復雜演化。他特別強調文化積累對智能發展的關鍵作用，指出當前模型缺乏人類通過語言和故事傳承知識的機制。

在技術倫理層面，卡帕西提出認知核心的分離構想。他建議將模型的知識記憶與推理算法解耦，打造專注于問題解決的精簡智能體。這種十億參數級別的"純凈大腦"，可能通過外部工具獲取事實信息，從而避免當前模型的知識幻覺問題。他認為這種架構代表通向更通用AI的關鍵突破。