2026年人工智能通识认证考核试题含答案

2026年人工智能通识认证考核试题含答案一、单项选择题（每题2分，共20分）1.在深度学习中，若将ReLU激活函数替换为Sigmoid函数，且网络层数超过20层，最可能引发下列哪种现象？A.梯度爆炸B.权重对称性破坏C.梯度消失D.过拟合急剧下降2.联邦学习框架下，客户端上传的“模型更新”通常指：A.原始训练数据B.本地模型参数梯度或权重差值C.损失函数曲线D.验证集准确率3.若某Transformer模型在推理阶段将自注意力计算改为稀疏模式，其时间复杂度从O(n²)降至：A.O(nlogn)B.O(n)C.O(logn)D.O(1)4.在强化学习中，采用“经验回放”机制主要解决：A.环境非平稳性B.样本相关性与非均匀分布C.策略梯度方差过大D.探索与利用权衡5.下列关于DiffusionModel的描述，正确的是：A.前向过程为可学习的神经网络B.反向过程通过马尔可夫链逐步去噪C.训练目标为最大化证据下界ELBOD.无法生成连续型数据6.当使用混合精度训练时，FP16梯度下溢导致更新失效，可优先采用：A.权重衰减B.梯度裁剪C.LossScalingD.学习率预热7.在AI伦理审查中，“可解释性”最直接的量化指标是：A.模型参数量B.特征重要度分布的稳定性C.训练能耗D.测试集准确率8.若将VisionTransformer的PatchSize从16×16调整为32×32，对显存占用的影响是：A.线性下降50%B.平方倍数下降约75%C.不变D.轻微上升9.在AIGC内容溯源中，以下哪项技术可在不改变像素视觉的前提下嵌入隐式标识？A.对抗样本B.数字水印（频域DCT）C.模型剪枝D.知识蒸馏10.当边缘设备部署INT8量化模型时，若校准集分布与真实场景差异过大，最可能出现的误差来源是：A.权重量化粒度B.激活量化尺度偏移C.偏置项溢出D.卷积核形状不匹配二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列方法中，能够缓解LLM“幻觉”现象的有：A.检索增强生成（RAG）B.强化学习人类反馈（RLHF）C.提高温度系数D.事实一致性奖励模型12.关于NeRF（神经辐射场）的叙述，正确的有：A.需要多视角图像作为输入B.体渲染方程可微C.训练完成后可显式提取三角网格D.仅适用于朗伯表面13.在自动驾驶感知系统中，多模态融合的优势包括：A.提升恶劣天气鲁棒性B.降低传感器成本C.互补传感器失效风险D.增加系统可解释性14.以下属于“绿色AI”实践的有：A.采用稀疏激活MoE架构B.使用核电训练模型C.动态调整批大小以匹配GPU利用率D.权重共享与循环训练15.对生成式模型进行“红队测试”时，需重点评估的风险维度有：A.政治敏感内容B.个人隐私泄露C.模型压缩率D.诱导性偏见三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.自监督预训练一定不需要任何人工标签。17.在DiffusionModel中，DDIM采样可以在少于原始扩散步数下完成生成。18.模型参数量的增加必然导致碳排放线性增加。19.使用LoRA微调LLM时，推理阶段必须合并低秩矩阵与原权重。20.图神经网络（GNN）中的过平滑问题会导致节点特征趋于一致。21.联邦学习能够保证任意场景下数据不出域。22.在VisionTransformer中，位置编码可完全替代卷积的归纳偏置。23.对生成模型进行“水印”处理可有效追踪非法复制。24.强化学习的“奖励黑客”现象指智能体利用奖励函数漏洞获得高分。25.模型可解释性越高，其准确率一定越低。四、填空题（每空2分，共20分）26.在Transformer中，自注意力计算采用缩放点积，其缩放因子为________。27.若某卷积层输入通道为64，输出通道为128，卷积核3×3，则参数总量为________。28.联邦学习常用的安全聚合协议是________，可防止中央服务器看到单个客户端梯度。29.INT8量化中，将浮点x映射到量化值q的公式为q=clip(round(x/s)+z),其中s表示________。30.在强化学习中，满足Bellman最优方程的状态价值函数记为________。31.若学习率调度采用cosineannealing，则其周期结束时学习率降至________。32.采用GroupNorm替代BatchNorm的最直接优势是减少对________的依赖。33.在DiffusionModel训练阶段，损失函数通常对________时刻的噪声进行回归。34.若LLM上下文长度从4k扩展到32k，则自注意力显存占用理论上增大________倍。35.模型剪枝中的“彩票假设”认为，随机初始化的稠密网络中包含一个可独立训练的________子网络。五、计算与推导题（共20分）36.（10分）某Transformer模型隐藏维度d=512，序列长度n=1024，批大小b=32，自注意力头数h=8。(1)计算标准自注意力机制下单层单次前向的浮点运算量（FLOPs），给出推导过程。(2)若采用FlashAttention内存高效实现，显存占用从O(n²)降至O(n)，求理论上可节省的显存百分比。37.（10分）给定一个二分类任务，数据集包含1000条样本，其中正例占30%。训练集与验证集按8:2划分。某模型在验证集上结果如下：TP=80，FP=20，TN=180，FN=20。(1)计算精确率、召回率与F1分数。(2)若采用阈值移动将召回率提升至0.9，且已知TP增加10，FN减少10，FP增加15，求新的F1。六、综合应用题（共15分）38.某市计划部署城市级“AI+交通”系统，需融合摄像头、激光雷达、毫米波雷达与气象传感器数据，实现实时交通流量预测与信号控制优化。请回答：(1)设计一套多模态融合架构，说明各传感器数据预处理、对齐与融合策略，并给出时延约束≤100ms下的边缘—云协同方案。(2)针对极端天气（暴雨、雾霾）导致部分传感器失效，提出鲁棒性保障机制，包括数据补全、不确定性估计与自适应置信度融合。(3)从伦理与隐私角度，列举三项潜在风险并给出对应缓解措施，要求可量化评估。答案与解析一、单项选择题1.C深层Sigmoid易导致梯度消失。2.B联邦学习只上传梯度或权重差值，保护隐私。3.A稀疏注意力通过局部窗口+全局节点实现O(nlogn)。4.B经验回放打破样本相关性，稳定训练。5.B反向过程为去噪马尔可夫链。6.CLossScaling放大梯度避免FP16下溢。7.B特征重要度稳定性直接反映解释性。8.BPatch数降为1/4，显存占用平方关系下降约75%。9.B频域DCT水印视觉不可见且可溯源。10.B校准集漂移导致激活量化尺度偏移，引入系统性误差。二、多项选择题11.ABD提高温度会增加随机性，加剧幻觉。12.ABCNeRF可处理非朗伯表面。13.AC多模态不会直接降低成本，可解释性未必增加。14.ACDB选项与绿色无关。15.ABD压缩率不属于红队测试维度。三、判断题16.×对比学习仍需人工设计正负样本策略。17.√DDIM可跳步采样。18.×碳排放与能源结构、利用率相关，非线性。19.×LoRA可插件式推理，不强制合并。20.√过平滑使节点特征趋同。21.×恶意客户端可通过模型反演泄露信息。22.×位置编码无法完全替代卷积局部偏置。23.√水印可追踪模型复制。24.√奖励黑客即利用漏洞。25.×解释性与准确率非绝对负相关。四、填空题26.√d_k27.64×128×3×3=7372828.SecureAggregation（或SEAL）29.缩放因子（scale）30.V(s)30.V(s)31.0（或接近0的最小值）32.批大小（batchsize）33.t（随机时刻）34.8倍35.中奖（winningticket）五、计算与推导题36.(1)自注意力FLOPs=3bhn²d+bn²h=4bhn²d代入b=32,h=8,n=1024,d=512FLOPs=4×32×8×1024²×512=4×32×8×1,048,576×512≈5.5×10¹¹(2)显存从O(n²)降至O(n)，节省百分比=1−n/n²=1−1/n≈99.9%37.(1)精确率P=TP/(TP+FP)=80/100=0.8召回率R=TP/(TP+FN)=80/100=0.8F1=2PR/(P+R)=0.8(2)新TP=90，FN=10，FP=35，TN=165新P=90/125=0.72，新R=0.9新F1=2×0.72×0.9/(0.72+0.9)=1.296/1.62≈0.80六、综合应用题38.(1)架构：边缘侧部署轻量级多模态Transformer，摄像头经YOLOv8提取目标级向量（延迟10ms），激光雷达点云体素化后采用稀疏3D卷积得BEV特征（延迟20ms），毫米波雷达采用微多普勒谱图+CNN得运动特征（延迟10ms），气象传感器直接编码为标量向量。采用跨模态注意力融合，特征维度统一为256，通过异步对齐缓存将四模态延迟差控制在30ms内。边缘节点完成融合后，输出交通状态token，通过5GURLLC链路以50ms周期上传区域云，云端全局图神经网络进行协同信号控制，总端到端时延≤90ms。(2)鲁棒机制：a)采用多模态掩码自编码器（MMAE）对缺失模态进行补全，训练时随机丢弃单模态，提升泛化性；b)引入不确定性感知融合，为每个模态输出置信度方差，采用卡尔曼滤波加权，暴雨场景下激光雷达失效时，视觉与雷达权重自适应提升；c)在线分布漂移检测，采用KL散