2026专业技术人员继续教育人工智能试题及答案

2026专业技术人员继续教育人工智能试题及答案一、单项选择题（本大题共30小题，每小题1分，共30分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在括号内。）

1.在人工智能的发展历程中，1956年的达特茅斯会议被视为人工智能学科诞生的标志。下列哪位学者未被列为该会议的主要组织者或发起人之一？（）

A.约翰·麦卡锡

B.马文·明斯基

C.克劳德·香农

D.阿兰·图灵

2.人工智能的核心目标通常被定义为让机器能够模拟人类智能行为。在当前的技术体系中，下列哪项技术被认为是实现“弱人工智能”或“专用人工智能”的主流路径？（）

A.通用逻辑推理引擎

B.基于大数据的深度学习

C.全脑仿真模拟

D.意识上传与数字化

3.在机器学习算法中，监督学习、无监督学习和强化学习是三大主要范式。下列场景中，最适合应用“强化学习”的是（）

A.根据历史邮件内容自动分类垃圾邮件

B.根据用户的购买历史推荐相似商品

C.训练AlphaGo围棋程序通过自我对弈提升棋艺

D.对客户群体进行细分以发现潜在市场模式

4.神经网络是深度学习的基础。在感知机模型中，激活函数起到了至关重要的作用。下列关于“ReLU函数”（线性整流函数）的描述，错误的是（）

A.其数学表达式通常为f(x)=max(0,x)

B.它能够有效缓解梯度消失问题，加速模型收敛

C.它的输出始终是正值，不会出现负值

D.它在输入为负数时，导数为0，会导致神经元“死亡”

5.卷积神经网络（CNN）在计算机视觉领域取得了巨大成功。CNN中特有的“池化层”的主要作用是（）

A.增加网络的深度以提取更抽象的特征

B.提取图像的边缘和纹理等局部特征

C.降低特征图的空间维度，减少计算量和参数数量

D.将卷积层提取的特征转换为全连接层所需的向量

6.在自然语言处理（NLP）领域，Transformer架构的出现彻底改变了该领域的格局。Transformer模型的核心创新点是引入了（）

A.卷积运算机制

B.循环神经网络结构（RNN）

C.自注意力机制

D.长短期记忆网络（LSTM）

7.当前流行的生成式预训练变换模型（如GPT系列）主要基于Transformer架构。下列关于GPT模型训练过程的描述，正确的是（）

A.仅使用有标注数据进行监督学习

B.采用自回归语言建模方式，即根据上文预测下一个词

C.采用自编码语言建模方式，即通过上下文预测被掩盖的词

D.不需要任何预训练，直接进行微调即可使用

8.人工智能在医疗领域的应用日益广泛。利用AI辅助医生进行CT影像的肿瘤筛查，这主要属于计算机视觉中的哪种任务？（）

A.图像分类

B.目标检测

C.语义分割

D.图像生成

9.数据是人工智能的燃料。在构建机器学习模型时，将数据集划分为训练集、验证集和测试集的主要目的是（）

A.增加数据的多样性

B.提高模型的计算速度

C.防止模型过拟合，客观评估模型泛化能力

D.降低数据存储成本

10.在模型评估指标中，对于分类问题，精确率和召回率是两个关键指标。当模型非常保守，只在确信无疑时才预测为正例，通常会导致（）

A.精确率高，召回率低

B.精确率低，召回率高

C.精确率和召回率都高

D.精确率和召回率都低

11.人工智能伦理是当前社会关注的焦点。关于“算法歧视”问题，下列哪项不是其主要成因？（）

A.训练数据本身存在历史偏见或样本不平衡

B.算法设计者在目标函数中嵌入了不当偏好

C.模型参数随机初始化的随机性

D.特征选择中包含了敏感属性（如性别、种族）的代理变量

12.专家系统是早期人工智能的重要应用形式，它通常基于“知识库”和“推理机”构建。与现代基于深度学习的黑盒模型相比，专家系统的主要优势在于（）

A.具备强大的自学习和泛化能力

B.推理过程透明可解释，具备逻辑溯源性

C.能够处理非结构化数据（如图像、声音）

D.训练过程不需要人工干预

13.在深度学习模型的训练过程中，“梯度下降”是一种常用的优化算法。关于“学习率”这一超参数，下列说法正确的是（）

A.学习率越大，模型收敛速度越快，且一定能找到全局最优解

B.学习率越小，模型越容易跳出局部最优解

C.学习率设置过大可能导致模型无法收敛，震荡发散

D.学习率在训练过程中必须保持恒定不变

14.循环神经网络（RNN）及其变体（如LSTM、GRU）主要用于处理序列数据。LSTM通过引入“门控机制”解决了标准RNN的什么问题？（）

A.计算量过大问题

B.梯度消失和梯度爆炸问题

C.无法处理并行计算问题

D.对长距离依赖信息的遗忘问题

15.生成对抗网络由生成器和判别器组成。在训练过程中，生成器的目标是（）

A.尽可能准确地区分真实数据和生成数据

B.尽可能生成逼真的数据以欺骗判别器

C.最小化生成数据的分布与真实数据分布的KL散度

D.最大化判别器的损失函数

16.知识图谱是人工智能认知领域的重要技术，它以图的形式描述客观世界中概念、实体及其关系。知识图谱的三元组基本形式是（）

A.(主语,谓语,宾语)

B.(属性,值,对象)

C.(节点,边,权重)

D.(实体,关系,实体)

17.在自动驾驶技术中，感知层负责对环境进行理解。下列哪项技术不属于感知层的核心任务？（）

A.车道线检测

B.行人及障碍物识别

C.路径规划与决策控制

D.交通标志识别

18.迁移学习是指将一个领域（源域）学到的知识迁移到另一个领域（目标域）。在深度学习实践中，常使用在ImageNet上预训练的模型作为基础进行微调，这属于（）

A.归纳式迁移学习

B.直推式迁移学习

C.无监督迁移学习

D.基于实例的迁移学习

19.随着模型规模的增大，大语言模型涌现出了许多小模型不具备的能力。这种现象被称为（）

A.摩尔定律效应

B.规模效应

C.涌现能力

D.零样本学习

20.在人工智能的安全防御中，“对抗样本”是指（）

A.含有恶意代码的输入数据

B.经过微小扰动后能导致模型误判的输入样本

C.数据集中标注错误的样本

D.来自不同分布的测试样本

21.智能推荐系统广泛应用于电商平台。基于内容的推荐算法主要依赖于（）

A.用户的历史行为数据和其他用户的行为数据

B.物品的特征描述和用户的偏好画像

C.协同过滤矩阵分解技术

D.深度强化学习策略

22.量子计算被视为未来可能突破人工智能算力瓶颈的技术。关于量子计算与传统计算的关系，下列描述准确的是（）

A.量子计算机在所有计算任务上都比经典计算机快

B.量子计算利用量子比特的叠加态和纠缠态进行并行计算

C.量子计算可以完全取代深度学习中的GPU

D.目前量子计算机已经完全成熟并商业化应用

23.数据预处理是机器学习流程中至关重要的一步。对于数值型特征，进行“归一化”或“标准化”处理的主要目的是（）

A.去除数据中的重复项

B.将数据转换为同一量纲，加速梯度下降收敛

C.增加数据的非线性特征

D.填充缺失值

24.在聚类算法中，K-Means算法是一种经典的划分方法。该算法在迭代过程中主要优化的是（）

A.类内距离最小化，类间距离最大化

B.类内距离最大化，类间距离最小化

C.所有样本点到聚类中心的绝对距离之和

D.聚类中心的坐标值

25.语音识别技术将声音信号转换为文本。现代端到端语音识别系统通常采用哪种架构？（）

A.HMM-GMM（隐马尔可夫模型-高斯混合模型）

B.CNN-RNN-CTC架构

C.纯支持向量机（SVM）

D.决策树集成

26.在联邦学习中，多个参与方在不共享本地数据的前提下协同训练模型。联邦学习主要解决了什么问题？（）

A.模型过拟合

B.数据隐私与孤岛问题

C.计算资源不足

D.算法收敛速度慢

27.计算机视觉中的“OCR”技术是指（）

A.光学字符识别

B.物体分类识别

C.场景文本检测

D.人脸识别验证

28.在评估回归模型时，均方误差（MSE）是常用的损失函数。MSE的计算公式是预测值与真实值之差的（）

A.绝对值的平均值

B.平方的平均值

C.平方的和

D.绝对值的和

29.多模态学习是指模型能够同时处理和理解多种类型的数据（如文本、图像、音频）。下列哪项应用不属于多模态范畴？（）

A.图像描述生成

B.语音助手对话

C.文本情感分析

D.视频内容理解

30.AI模型的可解释性对于高风险领域（如金融、医疗）至关重要。下列哪种方法属于“事后解释”方法？（）

A.使用决策树模型

B.使用线性回归模型

C.使用LIME或SHAP算法对黑盒模型进行局部解释

D.在模型训练中加入正则化项

二、多项选择题（本大题共15小题，每小题2分，共30分。在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其代码填在括号内。多选、少选、错选均不得分。）

1.人工智能的主要分支学科包括（）

A.计算机视觉

B.自然语言处理

C.机器人学

D.专家系统

E.数据库原理

2.下列关于机器学习中的“过拟合”现象，描述正确的有（）

A.训练集上的准确率很高，测试集上的准确率很低

B.模型过于复杂，捕捉了数据中的噪声

C.通常可以通过增加数据量来缓解

D.可以通过Dropout技术进行正则化

E.是模型泛化能力强的表现

3.深度学习框架极大地降低了开发门槛。目前主流的深度学习框架有（）

A.TensorFlow

B.PyTorch

C.Caffe

D.Scikit-learn

E.MATLAB

4.自然语言处理中的基础任务包括（）

A.词性标注

B.命名实体识别

C.依存句法分析

D.文本分类

E.图像分割

5.下列哪些属于人工智能在智慧城市建设中的应用场景？（）

A.智能交通信号控制

B.城市安防监控

C.智慧能源管理

D.垃圾自动分类

E.传统机械制造

6.在Transformer模型中，多头注意力机制的主要优势包括（）

A.能够从不同的表示子空间捕捉信息

B.增强了模型对位置信息的感知

C.提高了模型的并行计算能力

D.减少了模型的参数数量

E.完全替代了位置编码的作用

7.生成式AI（GenerativeAI）能够创造新的内容。下列哪些技术或模型属于生成式AI的范畴？（）

A.GPT-4

B.StableDiffusion

C.BERT（仅用于分类时）

D.VariationalAutoencoders(VAE)

E.SupportVectorMachines

8.人工智能伦理治理中应遵循的原则通常包括（）

A.尊重人类自主性

B.不伤害

C.公平性

D.可解释性与透明性

E.责任与问责

9.下列关于“强化学习”要素的描述，正确的有（）

A.Agent（智能体）是进行学习和决策的主体

B.Environment（环境）是智能体所处的外部世界

C.Reward（奖励）是指导智能体学习方向的反馈信号

D.State（状态）是对环境的描述

E.Action（动作）是智能体可以采取的行为

10.数据增强是提升深度学习模型性能的有效手段。在图像处理中，常见的数据增强方法有（）

A.随机旋转

B.随机裁剪

C.颜色抖动

D.添加高斯噪声

E.归一化处理

11.影响深度学习模型训练速度的因素包括（）

A.硬件计算能力（如GPU性能）

B.数据读取与预处理的效率

C.模型的参数量

D.批处理大小

E.学习率的设置

12.下列哪些算法属于无监督学习？（）

A.K-Means聚类

B.主成分分析（PCA）

C.逻辑回归

D.Apriori关联规则

E.支持向量机（SVM）

13.在计算机视觉中，目标检测算法不仅要识别物体类别，还要定位物体位置。下列属于目标检测算法的有（）

A.R-CNN系列

B.YOLO系列

C.SSD

D.ResNet

E.VGG

14.人工智能面临的“黑盒”问题带来了信任挑战。为了提高模型的可解释性，研究者提出了哪些方法？（）

A.特征重要性排序

B.可视化卷积核

C.注意力权重可视化

D.构建反事实解释

E.直接忽略模型内部逻辑，仅看结果

15.未来人工智能的发展趋势包括（）

A.大模型与多模态融合

B.具身智能

C.可解释AI（XAI）

D.自主智能体

E.去中心化AI

三、判断题（本大题共20小题，每小题1分，共20分。请判断下列说法的正误，正确的打“√”，错误的打“×”。）

1.图灵测试是测试机器是否具有人类智能的标准方法之一，如果机器能够通过图灵测试，就可以认为它具有人类水平的智能。（）

2.深度学习是机器学习的一个子集，而机器学习是人工智能的一个子集。（）

3.神经网络的隐藏层节点越多，模型的性能一定越好。（）

4.梯度下降算法一定能够找到损失函数的全局最小值。（）

5.在自然语言处理中，词向量（WordEmbedding）能够将词语映射为高维空间中的向量，从而捕捉词语之间的语义关系。（）

6.所有的机器学习算法都需要大量的数据进行训练才能达到良好的效果。（）

7.AlphaGoZero完全通过自我对弈进行学习，不需要使用任何人类棋谱数据。（）

8.支持向量机（SVM）在处理小样本数据集时通常表现良好。（）

9.卷积神经网络（CNN）只能用于处理图像数据，不能处理时间序列数据。（）

10.随机森林是一种基于bagging策略的集成学习方法。（）

11.AI模型中的“偏差”是指模型对不同训练数据集的敏感程度，偏差过大通常导致欠拟合。（）

12.在逻辑回归中，Sigmoid函数的作用是将线性回归的输出映射到[0,1]区间，表示概率。（）

13.增强学习中的“探索与利用”困境是指智能体应该在尝试新动作和选择已知最优动作之间寻找平衡。（）

14.贝叶斯网络是一种概率图模型，可以用于表示变量间的依赖关系并进行不确定性推理。（）

15.目前的人工智能已经具备了人类的情感、意识和自我认知能力。（）

16.数据清洗是数据挖掘中不可或缺的步骤，脏数据会导致模型产生错误的结论。（）

17.生成式对抗网络（GAN）的训练过程中，生成器和判别器的目标是完全一致的。（）

18.知识图谱中的实体和关系必须是预先定义好的，不能动态扩展。（）

19.联邦学习的过程中，参与方的原始数据会上传到中心服务器进行聚合。（）

20.算法的鲁棒性是指算法在输入数据发生微小变化或存在噪声时，仍能保持稳定输出的能力。（）

四、填空题（本大题共15小题，每小题1分，共15分。请在横线上填写恰当的词语或数值。）

1.人工智能、机器学习和深度学习三者之间的包含关系是：人工智能包含机器学习，机器学习包含__________。

2.在神经网络中，__________函数常用于输出层进行多分类任务，将输出转换为概率分布。

3._________是一种通过构建和组合多个决策树来提高预测准确率的集成学习算法。

4.在自然语言处理中，___________预训练模型采用了双向Transformer架构，通过掩码语言模型进行训练。

5.计算机视觉中的___________主要关注如何在图像中找到物体的边界，将图像分割成有意义的区域。

6.梯度下降算法中，如果学习率设置过大，可能会导致损失函数___________。

7.在评估分类器性能时，___________曲线展示了真正例率与假正例率之间的关系，曲线下面积越大，模型性能越好。

8.__________学习是指在没有标签的情况下，通过分析数据内部的结构和模式进行学习。

9.在深度学习中，___________技术通常在全连接层中使用，以随机丢弃一部分神经元，防止过拟合。

10.语音识别系统通常包括声学模型和___________模型两大部分。

11.AlphaGo算法结合了__________策略网络和蒙特卡洛树搜索（MCTS）。

12.将现实世界的问题转化为计算机可以处理的图结构问题，其中节点代表实体，边代表关系，这种数据结构被称为___________。

13.在推荐系统中，___________算法通过分析用户之间的相似性来推荐物品。

14.随着深度学习模型参数量的增加，模型对计算资源的需求急剧上升，这种现象也被称为算力墙或___________问题。

15.为了保护用户隐私，在数据收集和训练阶段对数据进行添加噪声等处理的技术被称为___________隐私保护技术。

五、简答题（本大题共5小题，每小题6分，共30分。）

1.简述监督学习与无监督学习的主要区别，并各举一个典型的应用场景。

2.什么是卷积神经网络（CNN）中的“卷积操作”？请简述其在图像处理中的物理意义。

3.简述Transformer模型中“自注意力机制”的工作原理及其优势。

4.在人工智能应用中，什么是“数据偏倚”？它可能带来什么危害？如何缓解？

5.简述强化学习的基本框架，并解释“奖励函数”在其中的作用。

六、案例分析与应用题（本大题共3小题，每小题35分，共105分。）

1.案例背景：

某大型三甲医院希望引入人工智能系统辅助放射科医生进行肺部CT影像的早期肺癌筛查。该院积累了过去五年的CT影像数据及对应的病理诊断报告（良性/恶性）。

问题：

(1)请设计一个基于深度学习的技术方案流程，包括数据预处理、模型选择、模型训练及评估步骤。（15分）

(2)在医疗场景中，除了诊断准确率，还需要关注哪些关键指标？请解释原因。（10分）

(3)如果该系统在测试集上表现优异，但在实际临床应用中经常出现误报（假阳性），这属于什么问题？可能的原因是什么？如何改进？（10分）

2.案例背景：

一家金融机构希望建立一个信用风险评估模型，用于自动审批贷款申请。申请数据包括用户的年龄、收入、负债情况、历史信用记录等结构化数据。

问题：

(1)除了传统的逻辑回归或决策树模型，你可以选择哪些机器学习或深度学习模型来处理此类任务？请列举两种并说明理由。（10分）

(2)假设模型训练完成后，发现对女性申请者的通过率显著低于男性申请者，且其他条件相似。这涉及到了AI伦理的什么问题？应如何排查原因？（10分）

(3)为了满足监管机构的合规要求，银行需要向客户解释拒绝贷款的原因。如果你使用了一个复杂的深度神经网络（黑盒模型），应如何解决“可解释性”问题？（15分）

3.案例背景：

某电商公司计划开发一款智能客服机器人，能够自动回答用户的咨询，处理退货、退款、查询订单等业务。该机器人需要能够理解自然语言，并进行多轮对话。

问题：

(1)该智能客服系统的核心技术属于人工智能的哪个领域？请简述该领域近年的技术发展脉络。（10分）

(2)在构建对话系统时，通常会涉及“意图识别”和“槽位填充”。请解释这两个概念的含义及其作用。（10分）

(3)为了提升客服机器人的回答准确度和拟人化程度，公司决定引入大语言模型（如GPT类模型）。请分析引入大模型可能带来的优势及面临的挑战（如幻觉问题、数据安全等），并提出相应的解决方案。（15分）

---

参考答案及解析

一、单项选择题

1.D[解析]达特茅斯会议于1956年举行，主要组织者包括约翰·麦卡锡、马文·明斯基、克劳德·香农和纳撒尼尔·罗彻斯特。阿兰·图灵是计算机科学与人工智能的先驱，但于1954年去世，未参与该会议。

2.B[解析]当前人工智能主要通过基于大数据的深度学习来实现特定领域的弱人工智能，如人脸识别、语音识别等。通用逻辑推理和全脑仿真目前仍处于探索阶段。

3.C[解析]强化学习通过智能体与环境的交互（试错）来学习策略，以最大化累积奖励，非常适合如围棋、游戏控制、机器人控制等序列决策问题。A属于监督学习，B属于推荐系统（常基于协同过滤或监督学习），D属于无监督学习。

4.C[解析]ReLU函数在输入为正时输出正值，输入为负时输出0。C选项称“输出始终是正值”不完全准确，因为0既非正也非负，但在通常语境下易混淆。更准确的说法是ReLU可以输出0。然而，严格数学上0不是正数。但在此类考试中，通常考察其性质。C选项表述有误，ReLU可以输出0。若选项为“输出非负”，则正确。此处选C作为错误项。实际上，ReLU在x>0时输出x（正），x<=0时输出0（非正）。所以“输出始终是正值”是错误的。

5.C[解析]池化层（如最大池化、平均池化）的主要作用是降维（下采样），减少参数和计算量，同时保持一定的不变性。A由增加层数实现，B由卷积层实现，D由展平层实现。

6.C[解析]Transformer架构的核心创新是自注意力机制，摒弃了传统的循环结构，实现了并行计算和长距离依赖捕捉。

7.B[解析]GPT（GenerativePre-trainedTransformer）采用自回归（Autoregressive）语言建模，即从左到右根据上文预测下一个词。BERT采用自编码（Autoencoding）方式，即双向预测被掩盖的词。

8.C[解析]肿瘤筛查需要精确定位肿瘤的位置和形状，这属于语义分割任务，即对图像中的每个像素进行分类。图像分类只给整张图打标签，目标检测给出边界框。

9.C[解析]划分数据集是为了在训练过程中验证模型状态，并在最后测试未见过数据，以评估模型的泛化能力，防止死记硬背（过拟合）。

10.A[解析]模型保守意味着只有在证据非常充分时才预测为正例，因此预测出的正例大多是正确的（精确率高），但会漏掉很多真实的正例（召回率低）。

11.C[解析]算法歧视主要源于数据偏见、算法设计偏见或特征选择不当。参数随机初始化引入的是随机性，而非系统性的歧视。

12.B[解析]专家系统基于规则和逻辑，推理过程清晰可见，人类可以追踪推理路径，具有很好的可解释性。深度学习模型通常是黑盒。

13.C[解析]学习率控制步长。过大可能导致步子迈过了极小值点，导致震荡无法收敛；过小则收敛极慢。通常需要动态调整。

14.B[解析]标准RNN在长序列训练中容易出现梯度消失（导致无法学习长距离依赖）或梯度爆炸（导致数值不稳定）。LSTM通过门控机制缓解了梯度消失问题。

15.B[解析]GAN是博弈过程。生成器试图生成逼真样本欺骗判别器，判别器试图区分真假。生成器的目标是最大化判别器犯错的概率（即让判别器认为生成数据是真实的）。

16.D[解析]知识图谱的基本存储单元是三元组，形式通常为（头实体，关系，尾实体），即。

17.C[解析]路径规划与决策控制属于决策规划层，不属于感知层。感知层主要负责“看懂”环境。

18.A[解析]使用预训练模型微调是典型的归纳式迁移学习，源域和目标域任务相关但不同（如ImageNet分类vs医疗影像分类）。

19.C[解析]当模型规模超过一定阈值时，会出现意想不到的能力（如逻辑推理、上下文学习），这被称为涌现能力。

20.B[解析]对抗样本是指在输入数据上添加人类难以察觉的微小扰动，却能导致模型以高置信度做出错误分类的样本。

21.B[解析]基于内容的推荐依赖于物品的特征（如标签、描述）和用户的偏好画像匹配。协同过滤依赖于用户行为数据。

22.B[解析]量子计算利用量子比特的叠加和纠缠特性，在特定计算任务（如大数分解、搜索、某些线性代数运算）上具有指数级加速潜力。并非所有任务都快，且目前尚未完全商业化取代GPU。

23.B[解析]归一化/标准化将不同尺度的特征缩放到同一范围（如[0,1]或标准正态分布），有助于梯度下降算法更快收敛，避免某些特征主导距离计算。

24.A[解析]K-Means的目标是让簇内的样本尽可能紧密（类内距离最小），簇之间尽可能分开（类间距离最大）。

25.B[解析]现代端到端语音识别主要采用深度学习架构，如CNN提取声学特征，RNN/Transformer处理时序，CTC解决对齐问题。HMM-GMM是传统统计方法。

26.B[解析]联邦学习允许各方在本地训练模型，仅交换模型参数更新，不交换原始数据，从而解决了数据隐私孤岛问题。

27.A[解析]OCR（OpticalCharacterRecognition）指光学字符识别，将图像中的文字转换为文本。

28.B[解析]MSE是MeanSquaredError，即预测值与真实值差值的平方的平均值。

29.C[解析]文本情感分析仅处理文本，属于单模态NLP任务。A涉及图像和文本，B涉及音频和文本，D涉及视频（含图像、音频）和文本。

30.C[解析]LIME和SHAP是常用的对黑盒模型进行事后解释的方法。决策树和线性回归本身具有可解释性（内在可解释性）。

二、多项选择题

1.ABC[解析]数据库原理属于计算机科学基础学科，不属于AI的核心分支。AI分支包括CV、NLP、机器人、专家系统、机器学习等。

2.ABCD[解析]过拟合表现为训练集表现好、测试集表现差（A），由模型复杂度高（B）引起。缓解方法（C、D）。E是错误的，过拟合意味着泛化能力弱。

3.ABC[解析]TensorFlow,PyTorch,Caffe是主流深度学习框架。Scikit-learn是传统机器学习库，MATLAB是通用计算软件。

4.ABCD[解析]词性标注、NER、句法分析、文本分类均为NLP基础任务。图像分割属于CV。

5.ABCD[解析]智能交通、安防、能源、垃圾分类均为智慧城市应用。传统机械制造不属于AI应用范畴，除非是智能制造。

6.AC[解析]多头注意力允许模型关注不同子空间的信息（A），且注意力机制本身支持并行计算（C）。位置信息主要靠位置编码提供（B错）。多头增加了参数量（D错）。不能替代位置编码（E错）。

7.ABD[解析]GPT-4（文本生成）、StableDiffusion（图像生成）、VAE（生成模型）均属于生成式AI。BERT常用于判别式任务（如分类），虽原理上可生成，但主要定位是理解。SVM是判别式模型。

8.ABCDE[解析]目前全球AI伦理共识通常包括：尊重自主、不伤害、公平、可解释、责任、隐私、包容性等。

9.ABCDE[解析]强化学习包含Agent,Environment,Reward,State,Action,Policy等要素，全选。

10.ABCD[解析]旋转、裁剪、颜色抖动、加噪均为常见图像增强手段。归一化属于预处理，通常不称为数据增强。

11.ABCDE[解析]硬件、数据IO效率、模型复杂度、BatchSize、超参数设置（如学习率）均影响训练速度。

12.ABD[解析]K-Means（聚类）、PCA（降维）、Apriori（关联规则）属于无监督学习。逻辑回归和SVM属于监督学习。

13.ABC[解析]R-CNN,YOLO,SSD是经典的目标检测算法。ResNet和VGG主要用于图像分类（特征提取骨干网络）。

14.ABCD[解析]特征重要性、可视化卷积核、注意力可视化、反事实解释都是提高可解释性的方法。E是错误的。

15.ABCDE[解析]大模型、具身智能、XAI、Agent、去中心化AI（如联邦学习）均是当前及未来的重要趋势。

三、判断题

1.√[解析]图灵测试是经典的智能测试标准，虽然不完美，但被广泛引用。

2.√[解析]AI>ML>DL，这是标准的学科层级关系。

3.×[解析]节点过多会导致模型过拟合，且计算成本增加，性能不一定更好，甚至可能下降。

4.×[解析]梯度下降易陷入局部最优解，尤其是对于非凸问题（如神经网络损失函数）。

5.√[解析]词向量将离散符号映射为连续向量，能表达语义相似性（如King-Man~Queen-Woman）。

6.×[解析]某些算法（如小样本学习、Few-shotLearning）或传统算法在小数据上也能工作，但深度学习通常需要大数据。

7.√[解析]AlphaGoZero是纯强化学习，从零开始自我对弈，不依赖人类数据。

8.√[解析]SVM具有坚实的理论基础，在小样本、高维空间中表现良好。

9.×[解析]CNN的一维卷积也可以处理时间序列数据（如心电图、文本分类）。

10.√[解析]随机森林是Bagging（BootstrapAggregating）的典型代表。

11.√[解析]偏差衡量模型对训练数据的拟合程度，偏差大导致欠拟合；方差衡量对数据扰动的敏感程度。

12.√[解析]Sigmoid函数将实数映射到(0,1)，常用于二分类的概率输出。

13.√[解析]探索是为了发现更好的策略，利用是利用当前已知最优策略，二者需平衡。

14.√[解析]贝叶斯网络是有向无环图，用于概率推理。

15.×[解析]目前AI仍是弱人工智能，不具备人类意识、情感和自我认知。

16.√[解析]垃圾进垃圾出，数据清洗至关重要。

17.×[解析]生成器和判别器的目标是博弈对抗的，生成器想骗过判别器，判别器想识破生成器。

18.×[解析]知识图谱是可以动态更新的，实体和关系可以随着新知识的加入而扩展。

19.×[解析]联邦学习的核心特征是数据不出本地，只传梯度或参数。

20.√[解析]鲁棒性指系统在异常或干扰下保持稳定性能的能力。

四、填空题

1.深度学习

2.Softmax

3.随机森林

4.BERT

5.图像分割

6.震荡/发散

7.ROC

8.无监督

9.Dropout

10.语言

11.策略网络(注：AlphaGo结合了策略网络和价值网络，此处填策略网络或价值网络均可，通常策略网络用于落子选择)

12.知识图谱

13.基于用户的协同过滤(或协同过滤)

14.能耗/成本

15.差分隐私

五、简答题

1.答：

主要区别：

(1)数据标签：监督学习使用有标签的数据进行训练，输入数据有对应的正确输出；无监督学习使用无标签数据，模型需自行发现数据结构。

(2)学习目标：监督学习旨在建立输入到输出的映射关系（预测）；无监督学习旨在挖掘数据的内在模式、聚类或降维。

应用场景：

(1)监督学习：垃圾邮件分类、房价预测。

(2)无监督学习：客户细分（聚类）、新闻主题提取。

2.答：

卷积操作是指用一个可学习的卷积核（滤波器）在输入图像（或特征图）上滑动，在每一个位置上执行元素级的乘加运算，最后求和（加上偏置）得到输出特征图的一个像素值。

物理意义：

(1)特征提取：卷积核可以看作是特征检测器。不同的卷积核可以提取图像中的不同局部特征，如边缘、纹理、角点等。

(2)局部感知：模拟生物视觉的局部感受野，关注局部区域的信息。

(3)权值共享：同一个卷积核在图像不同位置共享参数，减少了模型参数量，并使模型具有平移等变性。

3.答：

工作原理：

自注意力机制通过计算序列中每个元素与其他所有元素之间的相关性（注意力权重），来聚合全局信息。具体包括三个步骤：(1)将输入向量转换为Query(Q),Key(K),Value(V)；(2)计算Q与K的点积并缩放得到注意力分数；(3)用Softmax归一化分数后加权求和V。

优势：

(1)并行计算：不像RNN需要按时间步顺序计算，Attention可以并行处理所有位置，效率高。

(2)长距离依赖：能够直接捕捉序列中相距很远的两个词之间的关系，解决了RNN的长距离遗忘问题。

(3)全局视野：每个位置的输出都包含了全局的信息。

4.答：

定义：数据偏倚是指训练数据不能代表真实世界的数据分布，或者数据中包含了人类社会的既有偏见（如性别、种族歧视）。

危害：

(1)模型在特定群体上表现不佳，导致不公平。

(2)放大社会歧视，如在招聘、贷款审批中对特定人群产生系统性歧视。

(3)降低模型的泛化能力和可靠性。

缓解方法：

(1)数据层面：收集更多样化、平衡的数据；对数据进行重采样；对敏感属性进行去偏或屏蔽。

(2)算法层面：在损失函数中加入公平性约束项；使用对抗学习消除敏感信息。

(3)评估层面：建立多维度的公平性评估指标（如不同人口统计群体的均等误差）。

5.答：

基本框架：强化学习包含智能体、环境、状态、动作、奖励。智能体观察环境的状态，采取动作，环境根据动作反馈奖励和下一状态，智能体根据奖励调整策略以最大化长期累积奖励。

奖励函数的作用：

(1)指导方向：奖励信号是智能体学习的唯一反馈，定义了什么是“好”的行为（正奖励）和“坏”的行为（负奖励）。

(2)目标定义：强化学习的目标通常是最大化期望累积奖励，奖励函数直接决定了智能体的最终行为目标。

(3)反馈机制：在环境延迟奖励稀疏时，智能体需要通过奖励函数来评估中间步骤的价值。

六、案例分析与应用题

1.答：

(1)技术方案流程：

数据预处理：对CT影像进行去噪、裁剪、归一化（如HU值截断并缩放到[0,1]）；进行数据增强（旋转、翻转）以扩充数据；将数据划分为训练集、验证集、测试集。

模型选择：选择经典的卷积神经网络架构，如ResNet-50