人工智能通识基础（第2版）-习题答案 焦李成

第1章答案选择题BBCBDABBBC简答题1.人工智能是一门旨在使机器模拟、延伸和扩展人类智能的技术科学，核心目标是让计算机系统具备感知、推理、学习、决策、交流等类似人类的智能行为，能够自主处理复杂问题、适应动态环境，并完成原本需要人类智力参与的任务。从广义上看，人工智能涵盖所有模仿人类智能的技术；从狭义上看，其特指通过算法和模型实现的、针对特定任务的智能解决方案。2.人工智能的发展形成了符号主义、连接主义、行为主义三大核心流派，三者从不同视角诠释智能的本质。（1）符号主义核心思想：智能的本质是符号的运算与逻辑推理。认为人类认知和思维的基本单元是符号，通过定义明确的规则、逻辑和知识表示，让机器模拟人类的推理过程。代表性技术：专家系统、谓词逻辑、知识图谱、定理证明器。例如，早期的MYCIN医疗诊断专家系统，通过预设的医学知识和逻辑规则判断患者病情。（2）连接主义核心思想：智能的本质是大脑神经元之间的连接与信息传递。主张模仿人脑的神经网络结构，通过大量神经元的并行交互实现学习和认知，强调从数据中自主提取特征。代表性技术：人工神经网络（ANN）、深度学习（如卷积神经网络CNN、循环神经网络RNN、Transformer）、强化学习。例如，基于CNN的图像识别系统、基于Transformer的自然语言处理模型（如GPT系列）。（3）行为主义核心思想：智能的本质是感知-行动的交互反馈。认为智能不需要复杂的逻辑推理或神经网络，而是通过与环境的互动、试错和进化逐步形成，强调“生存优势”导向的自适应能力。代表性技术：强化学习（试错学习）、智能体（Agent）技术、进化算法。例如，自主导航的机器人通过感知环境障碍调整行动路径，AlphaGo通过与自身对弈不断优化下棋策略。3.弱人工智能、通用人工智能与强人工智能的主要区别根据智能水平和应用范围，人工智能可分为三个层级，核心区别在于自主能力、适用范围和认知水平4.人工智能发展历程的阶段划分与关键节点人工智能的发展经历了兴起—低谷—复苏—爆发的起伏过程，可划分为五个核心阶段：起步与繁荣期（1956—1970年）：人工智能诞生关键节点：1956年达特茅斯会议首次提出“人工智能”概念，标志学科正式诞生；1959年第一台工业机器人Unimate投入使用；1966年ELIZA聊天机器人问世，实现简单自然语言交互。特点：符号主义占据主导，人们对AI预期过高，但技术局限导致早期系统仅能处理简单任务。第一次低谷期（1970—1980年）：“AI寒冬”关键节点：1973年英国发表《莱特希尔报告》，指出AI无法实现复杂任务，政府大幅削减科研经费；早期神经网络模型（如感知机）因无法解决非线性问题被质疑。特点：技术瓶颈凸显，算力不足、数据匮乏，公众和资本对AI信心受挫。复苏期（1980—1990年）：专家系统与连接主义回归关键节点：1982年霍普菲尔德神经网络模型提出，突破感知机局限；1986年反向传播算法（BP算法）问世，推动多层神经网络发展；专家系统在工业、医疗领域广泛应用。特点：连接主义重新崛起，商业化应用初现，但专家系统的维护成本高、灵活性差，后期再次陷入低谷。稳步发展期（1990—2010年）：机器学习与大数据奠基关键节点：1997年IBM深蓝战胜国际象棋世界冠军卡斯帕罗夫，引发全球关注；2006年深度学习概念被提出，卷积神经网络在图像识别领域取得突破；互联网普及带来海量数据，算力（GPU）逐步提升。特点：机器学习成为主流，数据驱动的方法取代传统符号主义，为后续爆发奠定基础。爆发期（2010年至今）：深度学习与通用应用关键节点：2012年AlexNet在ImageNet图像识别大赛中夺冠，准确率远超传统算法；2016年AlphaGo战胜围棋世界冠军李世石，验证深度学习+强化学习的潜力；2020年以来GPT系列、Midjourney等大模型问世，推动AI向通用化发展。特点：算力、数据、算法三大要素协同突破，AI全面渗透到医疗、教育、金融、交通等领域。5.（1）对社会生产方式的影响生产效率大幅提升基于AI的自动化生产线、智能机器人替代重复性劳动，实现24小时不间断生产；机器学习算法优化生产流程，降低能耗和成本（如工业互联网中的预测性维护，提前预警设备故障）。产业结构深度变革催生出人工智能芯片、智能装备、数字孪生等新兴产业；传统产业加速数字化转型，例如农业领域的智能灌溉、精准施肥，制造业的柔性生产、个性化定制。就业结构重构低技能、重复性岗位（如流水线工人、数据录入员）面临替代风险；同时创造出AI训练师、算法工程师、智能系统运维等新型高技能岗位，推动劳动力向知识密集型、创新型领域转移。全球分工格局调整掌握AI核心技术的国家和企业占据产业链高端，发展中国家面临“技术鸿沟”挑战；跨境协作更加高效，例如远程智能质检、全球分布式研发。（2）对生活方式的影响生活服务智能化、个性化智能推荐算法为用户提供定制化的内容（如短视频、电商商品）、教育方案和医疗建议；智能家居实现家电联动、环境自动调节，提升生活便捷性；移动支付、智能导航、无人配送等服务改变日常消费和出行习惯。社交与沟通方式革新自然语言处理技术打破语言壁垒，实现实时翻译和跨文化交流；虚拟助手、数字人成为新型社交对象，元宇宙等技术构建沉浸式社交场景。健康与医疗保障升级AI辅助诊断系统通过医学影像分析、病理检测，提高疾病筛查的准确率和效率；个性化医疗基于基因数据和AI模型制定精准治疗方案；智能穿戴设备实时监测健康数据，实现疾病早预警。文化与娱乐体验升级生成式AI（如AIGC）创造出小说、绘画、音乐等原创内容；虚拟现实（VR）、增强现实（AR）结合AI技术，打造沉浸式游戏、影视和文旅体验。社会治理能力提升智能安防系统实现异常行为识别、公共安全预警；城市大脑整合交通、环保、政务数据，优化城市管理（如智能交通调度缓解拥堵）；AI助力政务服务智能化，实现“一网通办”“无感审批”。第2章答案选择题BBCCBCACBBBCABBACBCB简答题1.作用：（1）训练集：用于训练模型，调整模型参数，让模型学习输入与输出的映射关系。（2）验证集：用于调整超参数（如学习率、网络层数），评估模型泛化能力，避免过拟合或欠拟合。（3）测试集：用于评估模型最终性能，检验模型在未见过的新数据上的表现。常见划分比例：训练集60%-80%，验证集10%-20%，测试集10%-20%。2.核心区别：监督学习使用带标签的数据（每个样本有输入和对应的正确答案），目标是学习输入到输出的映射关系；无监督学习使用无标签的数据，目标是发现数据中的潜在模式或结构。例子：（1）监督学习：房价预测（输入房屋特征，输出房价）、垃圾邮件分类（输入邮件内容，输出“垃圾邮件”或“正常邮件”）。（2）无监督学习：客户行为聚类（将客户按购买习惯分组）、主成分分析（PCA）降维（提取数据的主要特征）。3.CNN的核心层及功能：（1）卷积层：核心层，通过卷积核滑动提取图像的局部特征（如边缘、纹理、形状），生成特征图。（2）激活函数（如ReLU）：引入非线性，让模型能够处理复杂的非线性关系，增强表达能力。（3）池化层：下采样操作，降低特征图的空间维度（减少计算量），同时保留关键特征，提升特征的鲁棒性。（4）归一化层（如批归一化）：调整特征图的数据分布，加速训练收敛，防止梯度消失或爆炸。（5）全连接层：位于网络末端，将卷积层提取的高维特征映射到输出空间（如分类任务的类别概率），完成最终决策。第3章答案选择题BCACAAACAA简答题1.人工智能与安防融合后，主要在卡口场景（如公安人员布控、寻找走失人员）和非卡口场景（如视频结构化分析、群体态势分析）发挥作用，同时还能升级安防系统为主动预警的智慧安防系统，提升应急响应效率与风险管理水平。2.人工智能在医疗领域能为医生提供准确高效的诊断支持（如智能CT影像筛查、病灶识别标注）、临床决策辅助，加速新药研发；为患者提供全流程智能服务（如预约挂号、预问诊）、精准医疗方案，还能通过健康管理技术实现疾病预防，提升治疗效果与生活质量。3.人工智能+教育改变了传统教育模式，能提供个性化学习支持（如自适应学习推荐内容）、优化教育资源分配（如全球资源共享）、创新教学方式（如VR/AR沉浸式教学），还能通过智能助教、机器阅卷等工具提升教学与评估效率，推动教育公平与优质教育目标的实现。第4章答案选择题CBBBBCAABBBBCDB简答题1.大模型的技术优势主要包括：①强泛化能力，预训练阶段获取大量先验知识，微调后可适配多种下游任务；②降低训练研发成本，具备自监督学习能力，减少人工标注数据需求，少量标注数据即可完成场景适配；③输出效果更优，通过海量数据训练，能捕捉深层语义依赖，在文本生成、图像理解等任务中表现突出。2.提示工程的核心价值是通过精准设计自然语言提示，引导AI生成符合需求、高质量的结果，提升交互效率与输出可控性。常见提示类型有：①说明类提示，明确指令完成具体任务；②示范类提示，提供示例引导模型模仿风格；③连锁思维提示，引导模型分步推理；④角色扮演提示，要求模型以特定身份回应；⑤约束类提示，设置生成边界（如长度、风格限制）。3.生成式人工智能的核心技术包括生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型等。合成数据技术的意义：①颠覆传统数据收集模式，可按需创建高保真数据集，解决训练数据短缺问题；②降低数据标注成本，避免真实数据隐私风险；③支持特殊场景数据生成（如自动驾驶复杂路况），助力模型在更多领域落地。4.Transformer架构的创新点：①引入自注意力机制，能捕捉文本中单词间的远距离依赖关系，无需按顺序处理数据；②实现语言处理并行化，大幅提升训练效率。推动自然语言处理革命的原因：突破了循环神经网络串行处理的局限，可同时分析文本所有单词，提升模型训练速度与效果，使大语言模型能处理更长上下文、学习更复杂语义规律，催生了GPT、BERT等高性能模型。第5章答案选择题1.B2.B3.C4.B5.A6.B7.C8.B9.B10.C简答题1.核心区别：技术性安全风险源于AI系统自身的设计与实现缺陷（如数据、模型、算法漏洞）；社会性安全风险源于技术在社会场景中应用引发的宏观负面影响（与技术本身故障无关）。示例：技术性安全风险如对抗性攻击（给图像添加微小扰动导致模型误判）；社会性安全风险如AI自动化导致的结构性失业。2.主要伦理挑战包括：①公平性与偏见，模型可能放大训练数据中的歧视，加剧社会不