简要回顾一下 AI 发展历史。

先这样答

AI 的发展可以概括为：从符号主义出发，经过连接主义和统计学习，进入深度学习，再发展到 Transformer、预训练大模型和 Agent。背后的主线是算力、数据和架构不断交替突破。

早期 AI 主要采用符号主义，用规则和专家系统表达知识。它依赖人工设计规则，适合边界清晰的问题。之后连接主义重新兴起，BP 算法推动了 MLP 的训练，让模型能够从数据中学习表示。统计学习阶段，SVM 代表了一类更重视数据分布和泛化能力的方法。

2012 年，AlexNet 结合更强的算力和更多数据，推动深度学习进入新的阶段。2017 年，注意力机制与 Transformer 改变了序列建模方式。之后，BERT、GPT 等预训练大模型通过大规模数据学习通用能力。再往后，研究重点延伸到对齐和 Agent，RLHF 改善模型与人类意图的一致性，工具使用则让模型能够执行更复杂的任务。整个过程不是单一技术持续推进，而是算力、数据和架构轮流打开新的空间。

面试官会怎么追问

• 「为什么符号主义后来不再占主导？」
  符号主义依赖人工编写规则。规则很难覆盖开放环境中的复杂情况。连接主义和统计学习让模型可以直接从数据中学习，减少了对人工规则的依赖。

• 「BP 算法、MLP 和深度学习之间是什么关系？」
  MLP 是连接主义中的典型模型。BP 算法提供了训练这类模型的方法。深度学习则在更强算力和更多数据支持下，让多层网络真正发挥出更强的学习能力。

• 「为什么 Transformer 之后会走向大模型和 Agent？」
  Transformer 改变了序列建模方式，为预训练大模型提供了重要架构基础。BERT、GPT 等模型先通过预训练获得通用能力。之后，研究继续关注对齐和工具使用，让模型更好地理解意图并完成任务。

回答的坑

• 不要把 AI 历史讲成单纯的模型替换过程，要说明算力、数据和架构三者交替突破的主线。
• 不要只罗列 BP、SVM、AlexNet 和 Transformer 的名称，要用一句话说清每个阶段解决了什么问题。