2026年自考人工智能导论专项试题及答案

2026年自考人工智能导论专项试题及答案一、单项选择题（每小题2分，共20分）1.下列关于“人工智能”定义的描述，最符合2020年后国际主流学术共识的是A.让机器表现出与人类完全相同的智能行为B.通过人工构造的系统，使机器能够执行通常需要人类智能才能完成的任务C.让机器拥有自我意识与情感D.让机器在特定领域超越人类，但不具备通用性2.在深度学习中，若某卷积层输出特征图尺寸为32×32，步长为2，卷积核尺寸为5×5，则该层输入特征图尺寸为A.67×67  B.68×68  C.69×69  D.70×703.强化学习中的“探索—利用”困境（Exploration–ExploitationDilemma）最早被形式化为下列哪一数学模型A.PAC可学习模型  B.k-armedbandit  C.MDP  D.POMDP4.下列关于Transformer自注意力机制的说法，错误的是A.计算复杂度与序列长度呈二次关系B.可并行计算，训练速度优于RNNC.位置编码完全替代了序列的时间顺序信息D.自注意力权重矩阵的每一行和为15.在联邦学习框架中，为防止中央服务器直接获取用户原始梯度，最常用的隐私保护技术是A.同态加密  B.差分隐私加噪声  C.安全多方计算  D.梯度压缩6.若某二分类任务采用FocalLoss，其调制因子γ=2，则对于易分样本（pt≈1），损失值约变为原交叉熵的A.1  B.0  C.e⁻²  D.0.147.下列关于图神经网络（GNN）过平滑（Over-smoothing）现象的描述，正确的是A.随着网络加深，节点特征趋于一致，分类精度持续上升B.随着网络加深，节点特征趋于一致，分类精度急剧下降C.随着网络加深，节点特征方差增大，分类精度下降D.过平滑只出现在有向图中8.在AlphaGoZero中，自我对弈数据生成阶段使用的核心搜索算法是A.蒙特卡洛树搜索  B.A搜索  C.贝叶斯搜索  D.遗传算法A.蒙特卡洛树搜索  B.A搜索  C.贝叶斯搜索  D.遗传算法9.若某模型在ImageNet上Top-1精度为76.2%，使用知识蒸馏后，学生网络Top-1精度为75.8%，但其参数量仅为教师网络的1/8，这说明A.蒸馏失败，因为精度下降B.蒸馏成功，因为精度下降幅度小于参数量下降幅度C.蒸馏成功，因为精度上升D.无法判断蒸馏效果10.下列关于“可解释人工智能（XAI）”技术LIME的描述，正确的是A.LIME通过全局线性模型解释整个黑盒B.LIME在局部样本邻域训练可解释模型C.LIME只能用于图像数据D.LIME无需扰动输入即可生成解释二、多项选择题（每小题3分，共15分；多选少选均不得分）11.下列属于无监督表示学习的方法有A.Word2VecSkip-gram  B.SimCLR  C.PCA  D.AutoEncoder  E.LinearDiscriminantAnalysis12.关于生成对抗网络（GAN）的训练难点，以下说法正确的有A.判别器与生成器需保持能力均衡，否则易崩溃B.使用Wasserstein距离可缓解梯度消失C.增加BatchNormalization层会一定导致训练不稳定D.模式崩塌（ModeCollapse）表现为生成样本多样性下降E.采用历史平均（HistoricalAveraging）可提升稳定性13.下列技术可用于缓解深度网络过拟合的有A.DropBlock  B.LabelSmoothing  C.Mixup  D.增加学习率  E.EarlyStopping14.关于BERT预训练任务，下列说法正确的有A.MLM任务中15%的token被选中，其中80%被替换为[MASK]B.NSP任务用于建模句子间关系C.BERT采用单向语言模型目标D.RoBERTa去除了NSP任务E.ALBERT通过参数共享降低了内存占用15.下列属于人工智能伦理原则的有A.公平性  B.可追责性  C.透明性  D.最大化利润  E.隐私保护三、判断题（每小题1分，共10分；正确打“√”，错误打“×”）16.深度双Q网络（DoubleDQN）通过解耦动作选择与动作评估减少过估计偏差。17.在神经架构搜索（NAS）中，权重共享技术可显著降低搜索阶段GPU耗时。18.图卷积网络（GCN）的层间传播规则可写作H^(l+1)=σ(D̃⁻¹ÃH^(l)W^(l))，其中D̃为度矩阵。19.使用ReLU激活函数一定不会出现梯度消失问题。20.在联邦学习中，模型参数聚合采用FedAvg算法时，本地epoch数越大越好，无需限制。21.对比学习中的InfoNCE损失可看作多分类交叉熵的特例。22.自动混合精度（AMP）训练可在保证模型精度前提下提升训练速度。23.模型剪枝中的“彩票假说”认为随机初始化的稠密网络已包含可独立训练的中奖子网络。24.在CV领域，CutMix数据增强通过拼接两张图像的矩形区域生成新训练样本。25.人工智能系统一旦通过图灵测试，即说明其具备通用人工智能（AGI）。四、填空题（每空2分，共20分）26.在Transformer中，自注意力输出矩阵O与Value矩阵V的关系可表示为O=________，其中权重矩阵行和为1。27.若某卷积网络第l层输出通道数为64，采用分组卷积groups=16，则每组卷积核维度为________。28.强化学习策略梯度定理中，目标函数J(θ)对参数θ的梯度为∇θJ(θ)=Eπθ[________∇θlogπθ(a|s)]。29.在知识蒸馏中，教师网络输出的软标签温度参数T越大，概率分布越________。30.若某模型参数量为120M，使用8bit量化后，理论上存储空间可压缩至原大小的________%。31.在图神经网络中，邻接矩阵自环操作可表示为Ã=A+________。32.当使用F1-score作为评价指标时，其计算公式为F1=________。33.在生成模型VAE中，证据下界（ELBO）由重构项与________项组成。34.若某次联邦学习全局通信轮次为100，每轮本地迭代5epoch，则本地总迭代次数为________。35.在深度Q网络中，经验回放池的主要作用是打破样本间________性。五、简答题（每小题8分，共24分）36.简述深度强化学习在自动驾驶决策中的关键挑战，并给出两种应对策略。37.对比卷积神经网络（CNN）与VisionTransformer（ViT）在图像分类任务中的归纳偏置差异，并说明其对数据量需求的影响。38.说明差分隐私在联邦学习中的注入时机与噪声规模选择原则，并分析其对模型精度与隐私保护强度的权衡。六、计算与推导题（共31分）39.（10分）某卷积层输入特征图尺寸为112×112×3，卷积核尺寸7×7，输出通道64，步长2，填充3。（1）求输出特征图尺寸。（2）若采用标准前向传播，计算该层理论FLOPs（乘加次数）。（3）若使用深度可分离卷积（DepthwiseSeparableConvolution），计算FLOPs下降比例。40.（10分）给定一个二分类任务，数据集含1000正例、4000负例。某模型预测结果如下：TP=800，FP=500，FN=200，TN=3500。（1）计算Precision、Recall、F1-score。（2）若将分类阈值从0.5下调至0.3，预测正例数增加20%，TP增加10%，FP增加30%，求新F1-score，并分析阈值变化对指标的影响。41.（11分）在强化学习MDP中，状态空间S={s₁,s₂}，动作空间A={a₁,a₂}，折扣因子γ=0.9，转移与奖励如下：•在s₁执行a₁：以概率0.8转移到s₁得奖励+1，概率0.2转移到s₂得奖励0；•在s₁执行a₂：以概率1.0转移到s₂得奖励+2；•在s₂执行任何动作：以概率1.0停留在s₂得奖励0。（1）写出Bellman最优方程组。（2）采用值迭代（初始V₀(s₁)=V₀(s₂)=0），求第2次迭代后的V₂(s₁)、V₂(s₂)。（3）给出最优策略π(s₁)、π(s₂)。（3）给出最优策略π(s₁)、π(s₂)。七、综合设计题（20分）42.某三甲医院计划部署AI辅助诊断系统，用于早期肺癌筛查。请从数据、模型、隐私、伦理、监管五方面，设计一套完整技术方案，要求：（1）说明数据收集与标注流程，确保多样性与质量；（2）给出模型架构选型理由，并解释可解释性方案；（3）阐述隐私保护技术路线，满足《个人信息保护法》要求；（4）分析潜在伦理风险与缓解措施；（5）说明如何对接国家药监局三类医疗器械审评路径。【答案与解析】一、单项选择题1.B 2.C 3.B 4.C 5.B 6.D 7.B 8.A 9.B 10.B二、多项选择题11.BCD 12.ABDE 13.ABCE 14.ABDE 15.ABCE三、判断题16.√ 17.√ 18.√ 19.×（ReLU仍可能出现梯度消失，如权重初始化不当） 20.×（本地epoch过大导致漂移） 21.√ 22.√ 23.√ 24.√ 25.×（图灵测试不足以说明AGI）四、填空题26.softmax(QK^T/√dk)V27.64/16=428.Q(s,a)29.平滑（或“柔和”）30.25%31.I（单位矩阵）32.2PR/(P+R)33.KL散度（或“潜在变量正则”）34.50035.相关五、简答题36.关键挑战：①状态动作空间巨大，连续控制高维；②真实环境交互成本高；③安全约束严格；④仿真到现实迁移困难。策略：1.采用分层强化学习，将决策分解为路径规划与行为控制两层，降低搜索空间；2.引入安全强化学习，如CPO（ConstrainedPolicyOptimization），在策略更新中显式加入安全约束，确保探索过程满足碰撞概率阈值。37.CNN归纳偏置为局部性、平移等变性，利用卷积核共享参数，适合小数据；ViT弱归纳偏置，依赖大规模数据学习空间关系。小数据场景CNN更易收敛，大数据场景ViT可扩展性更强，精度反超。38.注入时机：本地梯度计算后、上传之前，对梯度或参数加噪。噪声规模ε由隐私预算决定，采用矩会计或RDP跟踪累积隐私损失。权衡：ε越小，噪声越大，模型精度下降越多；需通过实验选取满足业务隐私等级（如ε=1）且精度损失<2%的噪声尺度，可结合梯度压缩与自适应裁剪减小噪声。六、计算与推导题39.（1）输出高宽=⌊(112+2×3−7)/2⌋+1=56，输出尺寸56×56×64。（2）标准卷积FLOPs=2×7×7×3×64×56×56=590.8×10⁶。（3）深度可分离：DepthwiseFLOPs=2×7×7×3×56×56=9.23×10⁶；PointwiseFLOPs=2×1×1×3×64×56×56=12.06×10⁶；总21.29×10⁶；下降比例=(590.8−21.3)/590.8≈96.4%。40.（1）P=800/(800+500)=0.615，R=800/(800+200)=0.800，F1=2×0.615×0.800/(0.615+0.800)=0.695。（2）新TP=800×1.1=880，新FP=500×1.3=650，新正例=880+650=1530；新P=880/1530=0.575，新R=880/1000=0.880，新F1=2×0.575×0.880/(0.575+0.880)=0.696。阈值下调，Recall升，Precision降，F1微升，说明原阈值已接近最优。41.（1）Bellman最优方程：V(s₁)=max{0.8(1+0.9V(s₁))+0.2(0+0.9V(s₂)),2+0.9V(s₂)}V(s₁)=max{0.8(1+0.9V(s₁))+0.2(0+0.9V(s₂)),2+0.9V(s₂)}V(s₂)=max{0+0.9V(s₂),0+0.9V(s₂)}=0.9V(s₂)⇒V(s₂)=0V(s₂)=max{0+0.9V(s₂),0+0.9V(s₂)}=0.9V(s₂)⇒V(s₂)=0（2）值迭代：V₁(s₁)=max{0.8(1+0)+0.2(0),2}=2；V₁(s₂)=0V₂(s₁)=max{0.8(1+0.9×2),2}=max{2.24,2}=2.24；V₂(s₂)=0（3）π(s₁)=a₁（因2.24>2），π(s₂)任意。（3）π(s₁)=a₁（因2.24>2），π(s₂)任意。七、综合设计题42.评分要点：数据：多中心采集≥10万例低剂量CT，按7:1:2划分，双盲三阶标注，采用NCCN指南金标准，引入对抗性扩增与域适应。模型：选用3DnnUNet为骨干，加入空间—通道双重注意力，嵌入Grad-CAM++提供热图解释；输出恶性概率与定位