2025年人工智能基础知识考试复习题(含答案)

2025年人工智能基础知识考试复习题(含答案)一、单项选择题（每题2分，共20分）1.以下哪项是人工智能（AI）的核心三要素？A.数据、算法、算力B.模型、网络、存储C.感知、决策、执行D.硬件、软件、用户答案：A2.监督学习中，训练数据的典型形式是？A.仅输入数据（X）B.输入数据（X）与对应标签（Y）C.输入数据（X）与奖励信号（R）D.仅输出目标（Y）答案：B3.以下哪种算法属于生成式模型？A.逻辑回归B.支持向量机（SVM）C.朴素贝叶斯D.K近邻（KNN）答案：C（朴素贝叶斯通过学习数据分布生成新样本，属于生成式模型；其余为判别式模型）4.卷积神经网络（CNN）中，卷积层的主要作用是？A.降维B.提取局部特征C.分类D.非线性变换答案：B（卷积操作通过滑动窗口提取图像局部空间特征）5.Transformer模型的核心机制是？A.循环记忆B.自注意力（Self-Attention）C.梯度下降D.批量归一化（BatchNorm）答案：B6.以下哪项不属于强化学习的关键要素？A.状态（State）B.动作（Action）C.标签（Label）D.奖励（Reward）答案：C（强化学习关注智能体与环境交互的奖励反馈，无监督标签）7.自然语言处理（NLP）中，词嵌入（WordEmbedding）的主要目的是？A.减少文本长度B.将词语转换为连续向量表示C.实现情感分析D.生成语法树答案：B（通过低维连续向量捕捉词语语义关联）8.以下哪种场景最适合使用决策树算法？A.图像分类（百万级像素输入）B.结构化表格数据分类（如用户信用评估）C.实时语音识别D.大规模文本生成答案：B（决策树擅长处理结构化、可解释的表格数据）9.边缘AI（EdgeAI）的核心优势是？A.降低计算成本B.提升数据隐私性C.减少模型复杂度D.依赖云端算力答案：B（边缘AI在本地设备处理数据，避免上传云端泄露隐私）10.生成式AI（AIGC）的典型应用不包括？A.文本生成（如ChatGPT）B.图像生成（如StableDiffusion）C.视频内容审核D.代码自动编写答案：C（内容审核属于判别式任务，非生成式）二、填空题（每题2分，共20分）1.人工智能的发展可分为三个阶段：计算智能、感知智能和__________。答案：认知智能2.机器学习中，过拟合（Overfitting）是指模型在__________数据上表现良好，但在__________数据上表现差的现象。答案：训练；测试3.深度学习中，激活函数的作用是为神经网络引入__________，否则多层网络等价于单层线性模型。答案：非线性4.循环神经网络（RNN）的主要缺陷是__________，导致长序列依赖问题难以解决。答案：梯度消失/爆炸5.多模态大模型（如GPT-4）的“多模态”通常指融合__________、__________、文本等多种数据形式。答案：图像；语音（或视频）6.强化学习中，智能体（Agent）通过与__________交互，学习最大化长期__________的策略。答案：环境；奖励7.迁移学习（TransferLearning）的核心思想是将__________任务中学习到的知识迁移到__________任务中，减少对目标任务数据的依赖。答案：源；目标8.对抗生成网络（GAN）由__________网络和__________网络组成，通过博弈提升生成质量。答案：生成；判别9.自然语言处理中的“词袋模型（Bag-of-Words）”忽略了词语的__________和__________信息。答案：顺序；语法10.AI伦理的核心问题包括算法偏见、__________、__________和责任归属等。答案：数据隐私；技术滥用三、简答题（每题8分，共40分）1.简述监督学习、无监督学习和半监督学习的区别。答案：监督学习：训练数据包含输入（X）和对应标签（Y），目标是学习X到Y的映射（如分类、回归）；无监督学习：训练数据仅有输入（X），目标是发现数据内在结构（如聚类、降维）；半监督学习：结合少量有标签数据和大量无标签数据，利用无标签数据的结构信息提升模型性能（如自训练、图半监督学习）。2.解释卷积神经网络（CNN）中“池化层（PoolingLayer）”的作用及常见类型。答案：作用：降低特征图的空间维度（尺寸），减少计算量；通过保留主要特征，增强模型对平移、缩放的鲁棒性（平移不变性）。常见类型：最大池化（MaxPooling，取区域最大值）、平均池化（AveragePooling，取区域平均值）；其中最大池化更常用，因能保留显著特征。3.什么是Transformer模型的“注意力机制（AttentionMechanism）”？举例说明其在机器翻译中的应用。答案：注意力机制允许模型在处理序列时，动态关注输入中与当前输出相关的部分，而非固定顺序处理。具体而言，通过计算查询（Query）、键（Key）、值（Value）的相似性，为输入序列中的每个位置分配权重，权重高的位置对当前输出影响更大。在机器翻译中（如将英文译为中文），当生成中文词“猫”时，模型会通过注意力机制重点关注英文输入中“cat”对应的位置，而非机械按顺序处理所有单词，从而提升翻译准确性。4.对比传统机器学习与深度学习的优缺点。答案：传统机器学习：优点：模型可解释性强（如决策树）；对小样本数据友好；计算资源需求低；缺点：依赖人工特征工程（需领域知识设计特征）；处理复杂数据（如图像、文本）能力有限。深度学习：优点：自动从数据中学习特征（端到端学习）；擅长处理高维非结构化数据（如图像、语音）；在大规模数据上性能突出；缺点：模型复杂度高（如千亿参数大模型），可解释性差；依赖海量标注数据；计算资源消耗大（需GPU/TPU）。5.列举AI伦理需要关注的三个核心问题，并分别说明其影响。答案：（1）算法偏见：训练数据包含歧视性信息（如性别、种族偏见），导致模型输出不公平结果（如招聘、贷款评估中的歧视）；（2）数据隐私：AI模型训练需大量个人数据，若泄露或滥用可能侵犯用户隐私（如医疗数据、生物特征信息）；（3）技术滥用：恶意使用AI技术（如深度伪造、自动攻击工具）可能威胁社会安全或个人权益；（4）责任归属：AI决策（如自动驾驶事故、医疗诊断错误）的责任难以界定（开发者、用户、数据提供方）。四、综合分析题（20分）请结合具体场景，分析生成式预训练transformer（GPT）类模型在实际应用中的技术原理与潜在挑战。答案：技术原理（10分）：GPT类模型基于Transformer架构的解码器（Decoder），通过自回归（Autoregressive）方式逐词生成文本。其核心原理包括：（1）预训练阶段：在大规模无标注文本（如书籍、网页）上进行自监督学习，学习语言的统计规律和语义知识。目标函数为“给定前n个词，预测第n+1个词”的概率（极大似然估计）；（2）微调阶段：在特定任务（如问答、摘要）的小样本标注数据上调整模型参数，将通用语言能力迁移到具体场景；（3）注意力机制：通过多头自注意力（Multi-HeadSelf-Attention）捕捉长距离依赖，动态关注输入中与当前生成位置相关的内容，提升上下文理解能力。潜在挑战（10分）：（1）生成内容可信度：模型可能生成错误信息（“幻觉”现象），因预训练数据包含噪声或矛盾知识，且缺乏事实校验机制（如医学咨询中给出错误诊断）；（2）数据偏见传递：预训练数据若包含性别、文化偏见（如默认“护士=女性”），模型可能生成歧视性内容；（3）计算成本：千亿参数模型的训练与推理需大量GPU/TPU资源，限制了中小企业的应用；