卡帕西以为，现时业界对东谈主工智能的智能水平存在高估气候。他指出，尽管大谈话模子（LLM）在往常几年取得了显贵证据，但距离“在职意岗亭上齐比东谈主类更优秀”的宗旨仍有广泛使命要作念。他例如称，自动驾驶时期之是以消耗如斯万古刻才取得冲破，恰是因为这些挑战的复杂性。

在讲授竣事AGI的贫乏时，卡帕西提到强化学习的局限性。他坚贞化学习比作“通过吸管吸取监督”，指出模子在尝试数百种轨范后，仅能取得一个“对错”信号，而这个信号会被播送到顺利旅途的每一步，包括那些老到气运的流毒智商。这种机制导致模子可能将流毒的推理经过强化为“正确轨范”。

他还提到一个乖张的例子：某个数学模子一会儿启动得满分，看似“惩处了数知识题”，但仔细搜检后发现，模子输出的弥散是冲口而出，却骗过了LLM评判者。这清晰了用LLM作念评判的破绽——它们容易被抗拒样本报复。

关于AGI的竣事旅途，卡帕西遥遥望好“智能样式交互”，但看空“传统强化学习”。他以为，文本数据和监督微调的对话对不会隐没，但在强化学习期间，环境将成为主角。环境让LLM有契机实在进行互动，采选行为并不雅察适度，从而提供比统计群众效法更好的磨真金不怕火和评估相貌。然则，现时的中枢问题是需要广泛各样化且高质地的环境集看成LLM的锻真金不怕火对象。

在谈及LLM的将来时，卡帕西意见剥离或“加阻尼”LLM的顾虑，迫使它们减少死记硬背，多作念详尽与迁徙。他设思“默契中枢”看成LLM个东谈主预备的中枢，营救原生多模态输入输出，聘用套娃式架构，并在测试时天真调治才调大小。他还提到配置端微调LoRA插槽，用于及时磨真金不怕火、个性化和定制化。

关于AI编程助手的发展，卡帕西倾向于“互助式中间态”。他提出以东谈主脑能处理的“块”为单元迭代，让模子讲授我方的推理经过，主动援用API或范例文档自证正确，并在概略情时向东谈主类乞助。他以为，这种严慎、多疑的气派有助于幸免“代码池沼”和安全风险的扩大。

卡帕西还指出，百行万企中哪些岗亭更易被自动化，取决于输入输出是否范例化、流毒代价是否可控、是否有客不雅标注与可考据性，以及是否存在高频重迭决议回路。以发射科为例，东谈主机互补频频优先于弥散替代——将模子看成第二读片者或质控器，反而能教悔合座质地与成果。

在教悔畛域，卡帕西意见更早、更系统地老师物理。他以为，物理学科能培养建模、量纲、守恒、相似与推理的才调，将可预备的宇宙不雅植入学生大脑。他甚而将物理学家比作“智识的胚胎干细胞”，并筹备围绕这一主题撰写长文。

源泉：https://www.cnu.com.cn/net/202510/117345.html赌钱赚钱app