安德烈·卡帕西是谁？他是前特斯拉AI负责人、OpenAI创始成员，也是当今AI圈公认的“技术布道者”——既能写代码，又能把复杂概念讲得像聊天一样轻松。最近他在德瓦尔凯什·夏尔马（Dwarkesh Patel）的播客里聊了整整两小时，内容之深刻、表达之清晰，被无数听众称为“年度最佳AI对话”。
今天我们就来拆解这场对话最震撼的六大核心观点，带你穿透AI泡沫，看清通往通用人工智能（AGI）的真实路径。
第一大重点：务实乐观主义——AGI不是梦，但至少还要十年
很多人只截取卡帕西说“AI泡沫该破了”的片段疯狂转发，却忽略了他真正的立场：他其实非常看好AGI的实现，只是坚决反对“明年就出AGI”这种浮夸叙事。他明确说：“这些问题是可以解决的，只是没那么容易。如果让我平均估算，我觉得大概需要十年。”
他每天都在用像Claude、Codex这样的早期AI代理，也承认它们已经能完成自动补全、写简单函数等任务，但离“能当全职员工”还差得远。
缺什么？持续学习能力、真正的多模态理解、以及足够稳定的智能水平。现在的AI更像是“会背百科全书的小学生”，而不是能独立思考的成年人。卡帕西强调，别被表面的流畅对话骗了——它们“还不能真正工作”。
第二大重点：现实主义批判——今天的AI，本质是“精致的垃圾”
这话听着刺耳，但来自亲手打造过AI产品的卡帕西，分量极重。他提到自己开发“Nanochat”时，模型根本看不懂他自定义的代码结构，只会机械套用网上常见的模板，疯狂加try-catch，还调用早已废弃的API。
他说：“这些模型认知水平大概就幼儿园到小学，哪怕它们能通过博士考试。”为什么？因为它们靠的是海量记忆+模式匹配，而不是理解(语义理解、词语指向实体？命题)。
“行业现在跳得太快了，拼命吹嘘AI多厉害，其实根本不是。它就是‘slop’（垃圾糊弄）。”他甚至形容当前模型是“神童型傻子”——记忆力超强，能生成看起来很专业的废话，但“它们其实根本不知道自己在干嘛”。
第三大重点：强化学习（RL）设计有根本缺陷——像用吸管喝汤
卡帕西对当前主流的强化学习方法毫不留情地批评：“这方法从根上就是错的。”他举了个例子：让模型尝试100条解题路径，只要最后答案对，就认为路径上每一个token都是对的——哪怕中间绕了八百个弯、用了错误逻辑。
“你辛辛苦苦跑了一分钟的推理轨迹，最后只靠一个最终奖励信号来判断对错，然后把整个轨迹都当成正确经验去强化。这就像用一根吸管去吸一锅汤，效率低到荒谬。”
更糟的是，这种机制极易被“对抗性技巧”欺骗。比如模型学会输出“thethethethe”这种无意义重复词，反而能骗过人类评分员拿到满分。他说：“人类绝不会这样学习。我们找到解法后，会反思哪步做得好、哪步错了。但AI没有这种元认知能力。”
第四大重点：智能≠记忆——未来要的是“十亿参数的认知核心”
现在动不动就万亿参数的大模型，在卡帕西看来是“方向性错误”。他认为，真正的智能不在于记住多少知识，而在于拥有“认知核心”——一种能推理、能提问、知道“自己不知道什么”的能力。
他预言：二十年后，我们会用十亿参数级别的小型模型作为“认知引擎”，遇到事实性问题时主动去查资料，而不是把整个互联网硬塞进参数里。
“现在的训练数据99%是垃圾——股票代码、乱码、重复内容。我们该做的是剥离知识，保留智能算法本身。大部分模型压缩其实是在压缩记忆，而不是提升认知。”
第五大重点：人类智能 vs LLM——我们不是在造动物，而是在造“幽灵”
卡帕西指出，人类和AI的学习机制天差地别。人类靠进化+个体经验+睡眠巩固来形成智能。新生儿不会编程，但小斑马出生几小时就能跟着妈妈跑——这种本能来自亿万年的进化，而非“训练数据”。
而LLM呢？它们没有身体、没有进化史、没有文化传承。它们只是在模仿人类留在网上的文字痕迹。“我们不是在训练动物，而是在训练幽灵。”
更关键的是，人类会“遗忘”——正因记不住所有细节，才被迫提炼规律；而LLM记得太清楚，反而学不会抽象。人类还能创造文化：写书给后代、建知识库、代际传递智慧。但LLM连“为其他LLM写教程”都做不到，它们没有共同体意识。
第六大重点：模型崩溃——AI正在悄悄“精神内耗”
这是最隐蔽也最危险的问题：当AI开始用自己生成的内容训练自己，就会陷入“模型崩溃”（Model Collapse）。表面看，每次回答都挺正常；但多问几次，你会发现它翻来覆去就那几个套路。
比如让ChatGPT讲笑话，它其实只有三四个“母版”，其余全是变体。单看一条没问题，但整体分布极度贫乏。卡帕西警告：“如果你持续用AI生成的数据训练AI，多样性会指数级衰减，最终整个系统陷入思维闭环。”
他甚至类比人类：“成年人也会‘崩溃’——我们越来越重复自己，不敢说新话。但孩子不会，他们还没过拟合。而AI，从第一天起就在过拟合。”
总结来看，卡帕西并非唱衰AI，而是呼吁行业回归理性：别再堆参数、吹幻觉，要专注构建能真正理解、推理、学习的系统。AGI可期，但路径必须重构。正如他所说：“智能不是数据的副产品，而是需要被精心设计的认知架构。”