2026年ai期末考试题目及答案

2026年ai期末考试题目及答案

一、单项选择题（20分）1.以下关于图灵测试的描述，正确的是？A.由冯·诺依曼提出B.用于判断机器是否具有人类智能C.要求机器必须通过所有人类测试D.仅适用于语音交互系统2.下列属于监督学习任务的是？A.聚类分析B.图像分类C.降维处理D.异常检测3.Transformer架构的核心创新是？A.循环神经网络（RNN）的改进B.自注意力机制C.卷积层的堆叠D.池化操作4.计算机视觉中，“目标检测”任务的目标是？A.给图像分配单一类别标签B.定位图像中多个目标的位置并分类C.生成图像的自然语言描述D.分割图像中的前景与背景5.机器翻译属于以下哪种NLP任务？A.序列到序列（Seq2Seq）学习B.文本分类C.命名实体识别D.情感分析6.算法偏见属于以下哪类AI伦理问题？A.公平性问题B.透明性问题C.问责性问题D.隐私问题7.强化学习中，智能体与环境交互的核心要素不包括？A.状态B.动作C.奖励D.标注数据8.决策树算法的主要优势不包括？A.可解释性强B.处理非线性关系能力好C.对缺失值敏感D.无需特征缩放9.自主移动机器人实现自主导航的关键技术不包括？A.环境感知B.路径规划C.地图构建D.语音识别10.大语言模型（LLM）的预训练任务通常是？A.文本分类B.掩码语言模型（MLM）C.指令微调D.知识蒸馏二、填空题（20分）1.图灵测试的提出者是英国数学家______。2.监督学习的两大主要任务是______和回归。3.Transformer架构依赖的核心机制是______机制。4.卷积神经网络（CNN）中，用于提取局部特征的核心层是______层。5.强化学习中，智能体根据当前状态选择的输出是______。6.NLP领域中，将词语映射为低维向量的经典模型是______。7.AI伦理的三大核心原则包括公平性、______和问责性。8.决策树算法中，通过剪枝操作可以有效防止______。9.计算机视觉中，实时目标检测的经典算法是______（首字母缩写）。10.大语言模型（LLM）针对特定任务的优化方法是______微调。三、判断题（20分）1.无监督学习需要依赖标注好的训练数据。（）2.卷积神经网络（CNN）仅能处理图像数据，无法用于文本处理。（）3.强化学习中的奖励信号都是即时反馈，不存在延迟奖励。（）4.算法偏见的产生仅源于训练数据的偏差，与模型设计无关。（）5.Transformer架构由于自注意力机制，更适合处理长序列数据。（）6.决策树属于线性机器学习模型。（）7.机器翻译属于生成式自然语言处理任务。（）8.自主移动机器人无需感知周围环境即可实现自主导航。（）9.大语言模型（LLM）的预训练数据均为公开可用的开源数据。（）10.梯度下降是优化神经网络参数的唯一方法。（）四、简答题（20分）1.简述监督学习、无监督学习与强化学习的核心区别。2.简述Transformer自注意力机制的核心作用。3.简述AI伦理中“算法公平性”的含义及常见挑战。4.简述大语言模型（LLM）预训练与微调的主要区别。五、讨论题（20分）1.讨论AI技术在医疗领域的应用场景及潜在风险。2.讨论Transformer架构对自然语言处理（NLP）发展的推动作用。3.讨论算法偏见的产生原因及缓解措施。4.讨论自主移动机器人在物流行业的应用挑战及解决方案。一、单项选择题答案及解析1.B解析：图灵测试由艾伦·图灵提出，核心是判断机器能否模仿人类对话，无需通过所有测试，也不限于语音交互。2.B解析：图像分类需要标注数据，属于监督学习；聚类、降维、异常检测属于无监督学习。3.B解析：Transformer的核心是自注意力机制，无需RNN的循环结构，能并行处理序列。4.B解析：目标检测定位多个目标并分类；A是图像分类，C是图像描述，D是图像分割。5.A解析：机器翻译是输入序列（源语言）到输出序列（目标语言），属于Seq2Seq学习。6.A解析：算法偏见导致对特定群体的不公平，属于公平性问题。7.D解析：强化学习无需标注数据，依赖状态、动作、奖励的交互。8.C解析：决策树对缺失值不敏感，可解释性强，无需特征缩放，能处理非线性关系。9.D解析：自主导航关键是感知、规划、建图，语音识别不是核心。10.B解析：预训练任务通常是MLM（掩码语言模型），指令微调是微调阶段。二、填空题答案1.艾伦·图灵2.分类3.自注意力4.卷积5.动作6.Word2Vec7.透明性8.过拟合9.YOLO10.指令三、判断题答案及解析1.×解析：无监督学习无需标注数据，基于数据本身的分布规律学习。2.×解析：CNN可通过一维卷积处理文本序列（如文本分类）。3.×解析：强化学习存在延迟奖励（如围棋中最终胜负才是奖励）。4.×解析：模型设计（如损失函数选择）也可能导致偏见，不仅是数据。5.√解析：自注意力能捕捉长序列中的依赖关系，RNN易出现梯度消失。6.×解析：决策树通过分支划分特征空间，属于非线性模型。7.√解析：机器翻译生成新的文本序列，属于生成式任务。8.×解析：自主导航必须感知环境（如激光雷达、摄像头）才能避障规划。9.×解析：很多LLM预训练数据包含专有数据，非公开。10.×解析：还有Adam、RMSProp等优化器，梯度下降是基础方法之一。四、简答题答案1.监督学习依赖标注数据（输入+标签），学习输入到标签的映射（如分类、回归）；无监督学习无标注数据，学习数据内在结构（如聚类、降维）；强化学习是智能体与环境交互，通过最大化累积奖励学习最优策略（无标注，依赖奖励反馈）。三者核心区别在于数据类型、学习目标。2.自注意力机制使Transformer能并行处理序列，无需循环；通过计算序列元素间关联权重，捕捉长距离依赖（如文本代词与先行词）；解决RNN梯度消失问题，提升长序列建模能力，为大模型发展奠定基础。3.算法公平性指算法决策对不同群体无系统性歧视；常见挑战：训练数据偏差（如历史歧视记录）、模型设计缺陷（未考虑公平性）、群体定义模糊、评估指标冲突（不同公平性指标可能矛盾）。4.预训练是在大规模通用文本上用自监督任务（如MLM）学习通用语言表示；微调是在预训练模型基础上，用少量标注数据适配特定任务（如问答）。预训练目标是掌握语言规律，微调目标是任务特定优化，数据规模和应用场景不同。五、讨论题答案1.应用场景：医学影像诊断（AI辅助CT/MRI判读肿瘤）、药物研发（分子结构预测）、个性化治疗（基因数据指导方案）；潜在风险：诊断误差（数据偏差导致误诊）、隐私泄露（医疗数据滥用）、责任模糊（AI误诊后医生与开发者责任界定）、过度依赖AI致医生技能下降。需通过数据多样性、隐私保护技术、法规完善降低风险。2.推动作用：1.并行计算解决RNN效率低问题；2.自注意力捕捉长序列依赖，提升机器翻译、问答性能；3.预训练+微调范式（BERT/GPT）降低任务门槛；4.多模态扩展（如CLIP）拓展NLP边界；5.为LLM（GPT-4）提供架构基础，推动通用AI研究。3.产生原因：1.数据偏差（某群体样本少/质量差）；2.模型设计（损失函数未考虑公平性）；3.部署环境变化（地区文化差异）；缓解措施：1.数据去偏（augment偏差群体样本）；2.模型优化（加入公平性约束）；3.定期审计（用demog