2025年人工智能导论试题及答案

2025年人工智能导论试题及答案一、单项选择题（每题2分，共20分）1.以下关于人工智能（AI）的定义，最准确的是（）。A.用计算机模拟人类的所有行为B.通过算法实现特定任务的自动化C.模拟、延伸和扩展人类智能的理论、方法、技术及应用系统D.基于大数据的统计分析工具2.图灵测试的核心目的是（）。A.评估计算机的计算速度B.验证机器是否具备人类级别的智能表现C.测试机器学习模型的泛化能力D.比较不同算法的效率3.符号主义学派的典型代表是（）。A.深度神经网络B.专家系统C.强化学习算法D.支持向量机4.以下哪项不是机器学习的核心要素？（）A.数据B.模型C.算力D.标签5.在卷积神经网络（CNN）中，卷积层的主要作用是（）。A.降低数据维度B.提取局部特征C.增强数据的非线性表达D.输出最终分类结果6.强化学习中，“奖励函数”的主要作用是（）。A.定义智能体的目标B.优化模型的参数C.生成训练数据D.加速模型收敛7.大语言模型（LLM）的“上下文学习”（In-ContextLearning）依赖于（）。A.大量标注数据的微调B.模型对输入文本中示例的模式识别C.人工设计的规则库D.预训练阶段的监督信号8.多模态人工智能系统的关键挑战是（）。A.单一模态数据的规模不足B.不同模态数据的语义对齐C.计算资源的分配D.模型参数量的控制9.以下哪项属于人工智能伦理中的“公平性”问题？（）A.模型在训练数据中对特定群体的偏见B.算法的计算复杂度C.数据存储的安全性D.模型的可解释性10.人工智能“通用智能”（AGI）的核心特征是（）。A.在单一任务上超越人类B.具备跨领域学习和推理的能力C.完全模拟人类的情感D.依赖特定领域的先验知识二、填空题（每题2分，共20分）1.图灵测试由英国数学家________提出，用于判断机器是否具有智能。2.机器学习按任务类型可分为监督学习、无监督学习和________。3.神经网络中的“激活函数”主要作用是引入________，增强模型的表达能力。4.决策树算法中，常用的划分标准包括信息增益、信息增益比和________。5.生成对抗网络（GAN）由生成器和________两部分组成，通过博弈优化模型。6.大语言模型的“涌现能力”指模型在________达到一定规模后，突然具备的新能力（如逻辑推理）。7.强化学习中的“马尔可夫决策过程”（MDP）由状态、动作、转移概率、奖励和________五个要素构成。8.计算机视觉中的“目标检测”任务需同时输出目标的________和类别。9.自然语言处理（NLP）中的“词嵌入”（WordEmbedding）将离散的词语映射到________空间，捕捉语义关联。10.人工智能伦理的核心原则包括公平性、可解释性、________和责任归属。三、简答题（每题8分，共40分）1.简述符号主义、连接主义和行为主义三大学派的核心观点及代表性技术。2.解释“过拟合”现象及其产生原因，说明至少两种缓解过拟合的方法。3.对比监督学习与无监督学习的区别，各举一例典型应用。4.说明注意力机制（AttentionMechanism）在大语言模型中的作用，并简述其基本计算流程。5.列举人工智能在医疗领域的三个具体应用，并分析其技术基础（如机器学习、计算机视觉等）。四、计算题（10分）某数据集包含“天气”（晴、雨）、“温度”（高、低）两个特征，目标变量为“是否出行”（是、否）。数据分布如下：-天气晴：共10条数据，其中8条“出行”，2条“不出行”；-天气雨：共8条数据，其中3条“出行”，5条“不出行”；-温度高：共9条数据，其中6条“出行”，3条“不出行”；-温度低：共9条数据，其中5条“出行”，4条“不出行”。要求：计算“天气”和“温度”两个特征的信息增益（IG），并判断哪个特征更适合作为决策树的根节点（需写出计算过程，熵的底数取2）。五、论述题（10分）结合当前人工智能技术发展（如多模态大模型、具身智能等），论述人工智能从“专用智能”向“通用智能”演进的关键突破点及面临的挑战。2025年人工智能导论试题答案一、单项选择题1.C2.B3.B4.D5.B6.A7.B8.B9.A10.B二、填空题1.艾伦·图灵（或A.M.Turing）2.强化学习3.非线性4.基尼系数（GiniIndex）5.判别器6.参数规模（或模型规模）7.折扣因子（或γ）8.位置（或边界框坐标）9.连续向量10.隐私保护（或安全性）三、简答题1.符号主义：核心观点是智能的本质是符号操作与逻辑推理，认为通过符号系统可模拟人类的认知过程。代表性技术：专家系统（如MYCIN医疗诊断系统）、知识图谱。连接主义：核心观点是智能源于神经网络的连接机制与并行计算，通过模拟大脑神经元的结构实现智能。代表性技术：深度神经网络（如CNN、RNN）、Transformer模型。行为主义：核心观点是智能源于与环境的交互行为，强调“感知-动作”的直接映射，无需依赖高层符号推理。代表性技术：强化学习（如AlphaGo）、智能控制算法。2.过拟合：模型在训练数据上表现良好，但在未见过的测试数据上性能显著下降的现象。产生原因：模型复杂度过高（如参数过多）、训练数据量不足、数据中存在噪声或异常值。缓解方法：-正则化（如L1/L2正则化，限制模型参数的大小）；-数据增强（通过旋转、翻转等方式增加训练数据多样性）；-早停法（在验证集性能不再提升时提前终止训练）；-dropout（随机失活部分神经元，降低模型对特定特征的依赖）。3.区别：-监督学习：训练数据包含输入特征和对应的标签（目标值），模型学习特征到标签的映射；-无监督学习：训练数据仅含输入特征，无标签，模型自主发现数据中的结构或模式。典型应用：-监督学习：图像分类（如用带标签的图片训练CNN识别猫/狗）；-无监督学习：客户分群（如用K-means聚类分析用户行为数据，划分不同群体）。4.作用：注意力机制使模型能动态关注输入序列中的关键部分，解决长距离依赖问题，提升对上下文语义的捕捉能力（如在翻译任务中，重点关注源语言中与当前翻译词相关的部分）。基本计算流程：-将输入序列的每个元素映射为查询（Q）、键（K）、值（V）向量；-计算Q与所有K的相似度（如点积），得到注意力权重；-对权重进行Softmax归一化，加权求和V向量，得到上下文感知的输出。5.应用及技术基础：-医学影像诊断：基于计算机视觉和CNN，识别X光/CT图像中的肿瘤或病灶（如Google的DeepMind用于乳腺癌筛查）；-智能问诊：基于自然语言处理（NLP）和大语言模型，分析患者描述的症状并推荐可能的疾病（如腾讯“腾讯医典”）；-药物研发：基于机器学习（如生成模型）预测化合物的生物活性，加速候选药物筛选（如InsilicoMedicine的AI药物发现平台）。四、计算题步骤1：计算原始数据集的信息熵H(D)总样本数N=10+8=18（或9+9=18，结果一致）。“出行”样本数=8+3=11，“不出行”=2+5=7。H(D)=-(11/18)log₂(11/18)-(7/18)log₂(7/18)≈-0.611×(-0.715)-0.389×(-1.375)≈0.437+0.535≈0.972bit。步骤2：计算“天气”特征的条件熵H(D|天气)-天气晴（D1，n1=10）：出行8，不出行2。H(D1)=-(8/10)log₂(8/10)-(2/10)log₂(2/10)≈-0.8×(-0.322)-0.2×(-2.322)≈0.258+0.464≈0.722bit。-天气雨（D2，n2=8）：出行3，不出行5。H(D2)=-(3/8)log₂(3/8)-(5/8)log₂(5/8)≈-0.375×(-1.415)-0.625×(-0.678)≈0.531+0.424≈0.955bit。H(D|天气)=(10/18)H(D1)+(8/18)H(D2)≈(10/18)×0.722+(8/18)×0.955≈0.401+0.424≈0.825bit。信息增益IG(天气)=H(D)-H(D|天气)≈0.972-0.825=0.147bit。步骤3：计算“温度”特征的条件熵H(D|温度)-温度高（D3，n3=9）：出行6，不出行3。H(D3)=-(6/9)log₂(6/9)-(3/9)log₂(3/9)≈-0.667×(-0.585)-0.333×(-1.585)≈0.391+0.528≈0.919bit。-温度低（D4，n4=9）：出行5，不出行4。H(D4)=-(5/9)log₂(5/9)-(4/9)log₂(4/9)≈-0.556×(-0.848)-0.444×(-1.169)≈0.472+0.519≈0.991bit。H(D|温度)=(9/18)H(D3)+(9/18)H(D4)≈0.5×0.919+0.5×0.991≈0.4595+0.4955≈0.955bit。信息增益IG(温度)=H(D)-H(D|温度)≈0.972-0.955=0.017bit。结论：IG(天气)=0.147>IG(温度)=0.017，因此“天气”更适合作为根节点。五、论述题关键突破点：1.多模态融合：传统专用智能（如仅处理文本或图像的模型）向多模态大模型（如GPT-4、PaLM-E）演进，通过统一架构处理文本、图像、视频等多模态数据，实现跨模态语义对齐（如理解“图片中的猫在沙发上”的文本描述），提升对复杂场景的理解能力。2.具身智能：结合物理交互与感知（如机器人、自动驾驶），使AI从“纯数字推理”转向“感知-动作-学习”闭环（如DALL-E3生成图像后，通过机器人执行抓取任务），增强对现实环境的适应能力。3.知识与推理：大模型通过大规模预训练积累常识与领域知识，结合逻辑推理模块（如基于符号的规则注入），突破专用模型“知其然不知其所以然”的局限（如医疗诊断中不仅能推荐药物，还能解释病理逻辑）。4.小样本/无样本学习：通过上下文学习（ICL）、思维链（CoT）等技术，减少对标注数据的依赖，使模型能快速适应新任务（如仅通过几个示例学会生成代码）。面临的挑战：1.认知局限性：当前大模型的“智能”仍基于统计模式匹配，缺乏真正的因果推理与意识（如无法理解“为什么下雨”的物理机制），难以处理需要深层因果分析的任务。2.资源与效率：通用智能模型的参数规模（如千亿级）和计算成