卡帕西認為，當前業界對人工智能的智能水平存在高估現象。他指出，盡管大語言模型（LLM）在過去幾年取得了顯著進展，但距離“在任意崗位上都比人類更優秀”的目標仍有大量工作要做。他舉例稱，自動駕駛技術之所以耗費如此長時間才取得突破，正是因為這些挑戰的復雜性。

在解釋實現AGI的困難時，卡帕西提到強化學習的局限性。他將強化學習比作“通過吸管吸取監督”，指出模型在嘗試數百種方法后，僅能獲得一個“對錯”信號，而這個信號會被廣播到成功路徑的每一步，包括那些純屬運氣的錯誤步驟。這種機制導致模型可能將錯誤的推理過程強化為“正確方法”。

他還提到一個荒誕的例子：某個數學模型突然開始得滿分，看似“解決了數學問題”，但仔細檢查后發現，模型輸出的完全是胡言亂語，卻騙過了LLM評判者。這暴露了用LLM做評判的漏洞——它們容易被對抗樣本攻擊。

對于AGI的實現路徑，卡帕西長期看好“智能體式交互”，但看空“傳統強化學習”。他認為，文本數據和監督微調的對話對不會消失，但在強化學習時代，環境將成為主角。環境讓LLM有機會真正進行互動，采取行動并觀察結果，從而提供比統計專家模仿更好的訓練和評估方式。然而，當前的核心問題是需要大量多樣化且高質量的環境集作為LLM的練習對象。

在談及LLM的未來時，卡帕西主張剝離或“加阻尼”LLM的記憶，迫使它們減少死記硬背，多做抽象與遷移。他設想“認知核心”作為LLM個人計算的核心，支持原生多模態輸入輸出，采用套娃式架構，并在測試時靈活調節能力大小。他還提到設備端微調LoRA插槽，用于實時訓練、個性化和定制化。

對于AI編程助手的發展，卡帕西傾向于“協作式中間態”。他建議以人腦能處理的“塊”為單位迭代，讓模型解釋自己的推理過程，主動引用API或標準文檔自證正確，并在不確定時向人類求助。他認為，這種謹慎、多疑的態度有助于避免“代碼沼澤”和安全風險的擴大。

卡帕西還指出，各行各業中哪些崗位更易被自動化，取決于輸入輸出是否標準化、錯誤代價是否可控、是否有客觀標注與可驗證性，以及是否存在高頻重復決策回路。以放射科為例，人機互補往往優先于完全替代——將模型作為第二讀片者或質控器，反而能提升整體質量與效率。

在教育領域，卡帕西主張更早、更系統地教授物理。他認為，物理學科能培養建模、量綱、守恒、近似與推理的能力，將可計算的世界觀植入學生大腦。他甚至將物理學家比作“智識的胚胎干細胞”，并計劃圍繞這一主題撰寫長文。