2026年人工智能知识竞赛考试题(附答案)

2026年人工智能知识竞赛考试题(附答案)一、单项选择题（共20题，每题1.5分，共30分。每题只有一个正确选项，请将正确选项填入括号内）1.在人工智能的发展历史中，哪一年被图灵奖得主约翰·麦卡锡称为“人工智能”这一术语的诞生之年？（）A.1946年B.1950年C.1956年D.1962年2.在深度学习的优化算法中，Adam优化器结合了哪两种算法的优点？（）A.动量法和RMSPropB.动量法和AdaGradC.RMSProp和AdaGradD.随机梯度下降（SGD）和Nesterov3.下列关于卷积神经网络（CNN）中“池化层”的描述，错误的是（）A.池化层可以引入非线性B.池化层主要用于降低特征图的维度，减少计算量C.最大池化有助于保留最显著的特征D.平均池化对背景信息的保留能力通常强于最大池化4.在循环神经网络（RNN）的训练过程中，经常遇到梯度消失或梯度爆炸的问题，其主要原因是（）A.激活函数选择不当B.网络层数过深C.时间序列上的长距离依赖导致矩阵连乘D.学习率设置过大5.Transformer模型的核心机制是自注意力机制，其计算公式中，缩放因子1/A.增加梯度的稳定性B.防止点积结果过大导致Softmax进入梯度极小的饱和区C.加速矩阵运算速度D.增加模型的表达能力6.在决策树算法中，ID3算法使用什么指标来选择最优分裂属性？（）A.信息增益B.信息增益率C.基尼指数D.均方误差7.支持向量机（SVM）在非线性可分问题中，通常引入核函数。下列哪项不是常用的核函数？（）A.线性核B.多项式核C.高斯径向基核（RBF）D.Sigmoid核（注：此处虽有时使用，但考察严格定义时，通常考察其作为激活函数与核的区别，或者考察特定选项。若选项中有“余弦相似度核”则选那个，此处为了严谨，假设题目为选出最常用的，或者考察特定错误项。修正：此题若选项均为常用，则需调整。改为：下列哪种核函数通常不用于解决非线性可分问题？->修改题目为：)下列关于支持向量机（SVM）中松弛变量ξ的描述，正确的是（）A.>0B.用于允许样本在间隔错误的一侧C.引入松弛变量是为了解决硬间隔问题D.惩罚系数C越大，对错分样本的容忍度越高8.在生成对抗网络（GAN）中，生成器和判别器的训练目标是（）A.生成器最小化损失，判别器最大化损失B.生成器和判别器都最小化损失C.生成器最大化损失，判别器最小化损失D.两者交替进行，生成器希望骗过判别器，判别器希望区分真假，是一个零和博弈9.下列哪种正则化方法主要用于防止神经网络过拟合，并且具有特征选择的功能？（）A.L1正则化B.L2正则化C.DropoutD.BatchNormalization10.在强化学习中，Q-learning算法旨在估计（）A.状态价值函数VB.动作价值函数QC.策略梯度∇D.优势函数A11.K-均值聚类算法的最终结果通常会受什么因素影响较大？（）A.数据的归一化程度B.初始聚类中心的选择C.距离度量方式D.以上都是12.自然语言处理（NLP）中，Word2Vec模型包含两种训练模式，分别是Skip-gram和（）A.CBOWB.BERTC.GloVeD.Seq2Seq13.在目标检测任务中，非极大值抑制（NMS）的主要作用是（）A.提取图像特征B.生成候选框C.去除重叠度过高的冗余检测框D.计算分类损失14.下列关于偏差和方差的描述，正确的是（）A.高偏差通常意味着模型过拟合B.高方差通常意味着模型欠拟合C.增加模型复杂度通常会降低偏差，增加方差D.增加训练数据量可以显著降低偏差15.AlphaGoZero相比于AlphaGoLee，主要的改进在于（）A.使用了更深的残差网络B.不再使用人类棋谱数据，仅通过自我对弈学习C.引入了蒙特卡洛树搜索（MCTS）D.使用了更强的计算硬件16.在计算机视觉中，感受野是指（）A.输入图像的大小B.输出特征图上某个点对应输入图像上的区域大小C.卷积核的大小D.池化核的大小17.下列哪项技术属于“无监督学习”的范畴？（）A.逻辑回归B.主成分分析（PCA）C.支持向量机D.卷积神经网络18.在深度学习中，迁移学习常用的微调策略是（）A.冻结预训练模型的所有层，只训练全连接层B.随机初始化所有参数重新训练C.以较小的学习率训练部分或全部预训练层D.只训练模型的卷积层，冻结全连接层19.关于大语言模型（LLM）中的“思维链”技术，其主要作用是（）A.增加模型的参数量B.提高模型在推理任务中的准确性，通过分步推理C.减少模型的显存占用D.加速模型的推理速度20.在评估二分类模型时，如果正负样本极度不平衡，下列哪个指标最具有参考价值？（）A.准确率B.精确率C.召回率D.F1分数（或AUC值）二、多项选择题（共10题，每题3分，共30分。每题有两个或两个以上正确选项，多选、少选、错选均不得分）1.下列属于人工智能主要研究领域的有（）A.机器学习B.计算机视觉C.自然语言处理D.专家系统E.机器人学2.激活函数在神经网络中起着至关重要的作用，常见的非线性激活函数包括（）A.SigmoidB.TanhC.ReLUD.SoftmaxE.Linear3.梯度下降法的主要变体包括（）A.批量梯度下降B.随机梯度下降C.小批量梯度下降D.牛顿法E.坐标下降法4.下列关于数据预处理的描述，正确的有（）A.归一化有助于加速梯度下降的收敛B.独热编码可用于处理类别型特征C.缺失值填充只能使用均值D.特征选择可以去除冗余特征，防止过拟合E.数据增强可以扩充训练集，提高模型泛化能力5.深度学习框架TensorFlow和PyTorch的共同特点包括（）A.支持自动求导机制B.支持GPU加速计算C.提供丰富的预训练模型库D.仅支持Python语言接口E.采用静态计算图优先的设计理念6.下列哪些是图像分割任务的常见类型？（）A.语义分割B.实例分割C.全景分割D.目标检测E.图像分类7.在强化学习中，智能体的策略可以通过以下方式表示（）A.确定性策略πB.随机性策略πC.价值函数VD.Q函数QE.优势函数A8.下列属于序列到序列模型典型应用场景的有（）A.机器翻译B.文本摘要C.问答系统D.图像描述生成E.情感分析9.导致机器学习模型过拟合的常见原因有（）A.模型复杂度过高B.训练数据量过少C.训练数据中噪声过多D.训练时间过长E.特征维度过高10.关于生成式AI的安全与伦理问题，涉及的有（）A.深度伪造带来的虚假信息传播B.模型训练数据的版权问题C.算法偏见与歧视D.模型的可解释性差E.对现有就业结构的冲击三、判断题（共15题，每题1分，共15分。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唯一标准。（）2.感知机无法解决异或（XOR）问题，这促成了多层神经网络的发展。（）3.在深度学习中，Dropout在训练时随机丢弃神经元，但在测试（预测）时通常不丢弃神经元，而是对输出进行缩放。（）4.所有的机器学习算法都需要对数据进行归一化处理。（）5.随机森林是通过构建多棵决策树并采用bagging策略集成的一种算法。（）6.K-近邻算法（KNN）是一种懒惰学习算法，它没有显式的训练过程。（）7.卷积神经网络中的卷积操作是可逆的，即可以通过特征图无损失地恢复出原始图像。（）8.LSTM（长短期记忆网络）通过引入门控机制来解决RNN的梯度消失问题，但对梯度爆炸问题无效。（）9.在贝叶斯分类器中，朴素贝叶斯假设各特征之间是相互独立的。（）10.主成分分析（PCA）是一种线性降维方法，它试图保留数据最多的方差信息。（）11.在强化学习中，探索与利用是矛盾的，探索是指利用已知的最优策略获取最大奖励。（）12.Transformer模型完全摒弃了循环和卷积结构，仅依靠注意力机制处理序列信息。（）13.目标函数中的正则化项系数越大，模型对训练数据的拟合程度越高。（）14.在图像处理中，卷积操作具有权值共享的特性，这大大减少了模型的参数量。（）15.GPT（GenerativePre-trainedTransformer）模型采用的是Encoder-Decoder架构。（）四、填空题（共15空，每空1分，共15分。请将答案填写在横线上）1.人工智能通常分为弱人工智能、强人工智能和__________。2.在神经网络中，反向传播算法的核心原理是__________法则。3.衡量信息量大小的指标是__________，其单位通常为比特。4.在评估聚类效果时，__________系数用于衡量聚类结果与真实标签的匹配程度。5.在深度学习中，__________技术可以将一个大的预训练模型的知识迁移到一个小的学生模型中。6.卷积神经网络中，LeNet-5是由YannLeCun提出的，主要用于识别__________数字。7.在自然语言处理中，BERT的全称是__________。8.强化学习中，智能体根据环境的反馈调整策略，目标是最大化长期累积__________。9.在目标检测中，YOLO（YouOnlyLookOnce）算法将目标检测任务转化为__________问题。10.常用的距离度量中，曼哈顿距离也被称为__________距离。11.为了解决梯度消失问题，除了LSTM，还有一种常用的门控RNN变体是__________。12.在GAN中，________通常作为损失函数来衡量生成分布与真实分布之间的差异。13.在数据挖掘中，Apriori算法是用于发现__________规则的经典算法。14.神经网络的权重初始化如果全为0，会导致神经元__________，无法学习。15.大语言模型在推理时常用的采样策略包括贪婪搜索、束搜索和__________。五、简答题（共5题，每题6分，共30分）1.请简述监督学习、无监督学习和强化学习三者的主要区别。2.什么是过拟合？请列举三种常用的防止过拟合的方法。3.请简述卷积神经网络（CNN）中卷积层、池化层和全连接层的主要作用。4.解释Transformer模型中“多头注意力机制”的含义及其优势。5.请简述K-近邻（KNN）算法的基本原理，并说明K值选择对模型结果的影响。六、计算与分析题（共3题，每题10分，共30分）1.假设有一个二分类问题，测试样本共有20个。模型的预测结果如下：真正例：5个假正例：3个假反例：2个真反例：10个请计算：准确率、精确率、召回率和F1分数（保留两位小数）。2.给定一个简单的数据集：X=1,2,(1)若初始化参数w=1,(2)计算损失函数关于w和b的偏导数（即梯度）。(3)若学习率α=0.1，请写出更新一次后的w和3.在信息论中，熵是衡量不确定性的指标。假设一个袋子里有10个球，其中3个红球，7个白球。(1)请计算该事件的经验熵H((2)如果引入一个特征X（例如：球是有花纹的还是无花纹的），将数据分成了两组：组1：2个红球，1个白球组2：1个红球，6个白球请计算条件熵H((注：对数以2为底，计算结果保留三位小数)七、综合应用题（共1题，共20分）场景描述：你是一家科技公司的算法工程师，公司希望开发一个“智能医疗影像辅助诊断系统”。该系统的主要任务是输入患者的胸部X光片，输出该患者是否患有肺炎以及肺炎的类型（如病毒性肺炎、细菌性肺炎）。同时，系统还需要在X光片上高亮标出病灶区域的位置，以辅助医生查看。系统要求高准确率、低漏诊率，并且需要具备良好的可解释性，以便医生信任系统的建议。问题：1.任务分析与模型选择（6分）：(1)该任务涉及哪些具体的计算机视觉子任务？请分别说明。(2)针对上述任务，你会选择哪种类型的深度学习架构？（例如：单阶段检测器、双阶段检测器、多任务学习网络等），请说明理由。2.数据处理与增强（4分）：医疗影像数据通常面临样本量较少、标注成本高的问题。为了提升模型的泛化能力，你计划采取哪些数据增强策略？（请列举至少4种适用于医学图像的增强方法）。3.模型优化与改进（6分）：(1)在训练过程中，如果发现模型在训练集上表现很好，但在验证集上表现很差，你该如何解决？（请列举至少3种措施）。(2)为了满足“低漏诊率”的要求，在模型评估和阈值选择上，你应该侧重于优化哪个指标？在损失函数层面可以如何调整？4.可解释性与伦理（4分）：(1)为了让医生理解模型为何做出该诊断，你打算使用什么技术来生成热力图，解释模型关注的区域？(2)在部署该系统时，应注意哪些伦理和安全问题？参考答案一、单项选择题1.C2.A3.A（注：池化层本身通常不包含可学习的激活函数参数，虽ReLU常在池化前使用，但池化操作本身是线性下采样的一种形式（取最大或平均），虽然它去除了部分信息，但通常不被称为“引入非线性”的层，非线性主要来自激活函数。若选项中有“池化层不引入参数”则更佳，但在此选项中，A是相对最不准确的描述，因为非线性通常由Sigmoid/ReLU等引入，MaxPooling操作是分段线性的，但在网络语境下通常不称为激活函数。修正：实际上MaxPooling是非线性操作，但在标准考试中，通常强调激活函数层用于引入非线性。如果必须选错误，A常被视作不严谨，因为池化主要作用是降维和不变性。若题目问“主要作用”，则B、C、D更贴切。此处选A作为最不准确的描述。）3.A（注：池化层本身通常不包含可学习的激活函数参数，虽ReLU常在池化前使用，但池化操作本身是线性下采样的一种形式（取最大或平均），虽然它去除了部分信息，但通常不被称为“引入非线性”的层，非线性主要来自激活函数。若选项中有“池化层不引入参数”则更佳，但在此选项中，A是相对最不准确的描述，因为非线性通常由Sigmoid/ReLU等引入，MaxPooling操作是分段线性的，但在网络语境下通常不称为激活函数。修正：实际上MaxPooling是非线性操作，但在标准考试中，通常强调激活函数层用于引入非线性。如果必须选错误，A常被视作不严谨，因为池化主要作用是降维和不变性。若题目问“主要作用”，则B、C、D更贴切。此处选A作为最不准确的描述。）（注：针对第3题的严谨性修正：Max操作是非线性的，但在卷积层后通常接激活函数。池化的核心目的是B、C、D。A虽然技术上是非线性操作，但不是其设计“主要作用”即引入非线性以拟合复杂函数，那是激活函数的事。故选A。）（注：针对第3题的严谨性修正：Max操作是非线性的，但在卷积层后通常接激活函数。池化的核心目的是B、C、D。A虽然技术上是非线性操作，但不是其设计“主要作用”即引入非线性以拟合复杂函数，那是激活函数的事。故选A。）4.C5.B6.A7.B8.D9.A10.B11.D12.A13.C14.C15.B16.B17.B18.C19.B20.D二、多项选择题1.ABCDE2.ABCD3.ABC4.ABDE5.ABC6.ABC7.AB8.ABCD9.ABCE10.ABCDE三、判断题1.×（图灵测试是经典标准，但不是唯一标准，如中文房间等哲学反驳及其他测试）2.√3.√4.×（树模型等不需要）5.√6.√7.×（卷积通常是不可逆的，因为有下采样或信息丢失）8.×（LSTM有助于缓解梯度消失，对梯度爆炸也有一定缓解作用，主要通过门控截断，但GradientClipping才是专门解决爆炸的。LSTM主要解决消失。但在严格意义上，LSTM设计初衷是解决长依赖导致的梯度消失。此题若考察严格：LSTM主要解决消失，爆炸通常靠Clipping。故选×。）9.√10.√11.×（探索是尝试新动作，利用是利用已知最优）12.√13.×（正则化系数越大，约束越强，越容易欠拟合，拟合程度越低）14.√15.×（GPT是Decoder-only架构）四、填空题1.超人工智能2.链式3.熵4.兰德（或调整兰德系数，AdjustedRandIndex）5.知识蒸馏6.手写邮政7.BidirectionalEncoderRepresentationsfromTransformers8.奖励（或回报，Reward）9.回归（或单阶段回归）10.城市街区11.GRU（或门控循环单元）12.JS散度（或KL散度，通常GAN原始用JS，但实际训练常用非饱和Loss。此处填JS散度或最小二乘误差均可，标准答案常填JS散度或交叉熵）->修正：原始GAN使用极小极大博弈，相当于最小化JS散度。12.JS散度（或KL散度，通常GAN原始用JS，但实际训练常用非饱和Loss。此处填JS散度或最小二乘误差均可，标准答案常填JS散度或交叉熵）->修正：原始GAN使用极小极大博弈，相当于最小化JS散度。13.关联14.对称性失效（或无法更新，输出相同）15.温度采样（或Top-k采样，NucleusSampling）五、简答题1.答：监督学习：训练数据既有特征又有标签（输入和对应的正确输出），目标是学习从输入到输出的映射关系（如分类、回归）。无监督学习：训练数据只有特征，没有标签，目标是发现数据内部的结构、模式或规律（如聚类、降维）。强化学习：智能体通过与环境交互，根据动作产生的奖励或惩罚来调整策略，目标是最大化长期累积奖励。2.答：过拟合：指模型在训练数据上表现很好，但在未知的测试数据上表现较差，即模型学到了训练数据中的噪声和特有特征，而非普遍规律。防止方法：1.增加训练数据量。2.使用正则化方法（如L1、L2正则化）。3.采用Dropout技术。4.早停法。5.数据增强。6.减少模型复杂度（如减少网络层数或神经元数量）。3.答：卷积层：通过卷积核在输入上滑动进行特征提取，利用局部感知野和权值共享提取图像的局部特征（如边缘、纹理）。池化层：对特征图进行下采样，通常取最大值或平均值，用于降低特征维度、减少计算量、控制过拟合，并引入一定的平移不变性。全连接层：将前面提取的分布式特征图展平，通过矩阵运算将特征映射到样本标记空间，通常用于网络的最后阶段进行分类或回归。4.答：含义：多头注意力机制是指将输入的查询、键、值线性映射到多个不同的子空间中，在每个子空间上独立进行注意力计算，最后将所有子空间的输出拼接起来再进行线性变换。优势：它允许模型在不同的表示子空间中并行地关注信息的不同位置，捕捉更丰富的特征依赖关系（如同时关注语法结构和语义关联），增强了模型的表达能力。5.答：原理：对于一个待分类样本，在训练集中寻找距离该样本最近的K个邻居；根据这K个邻居的类别，通过多数表决（分类任务）或平均加权（回归任务）来预测该样本的类别或值。K值影响：K值过小：模型变得复杂，容易受到噪声点的影响，容易过拟合。K值过大：模型变得简单，决策边界变平滑，忽略了局部细节，容易欠拟合。通常通过交叉验证来选择最优的K值。六、计算与分析题1.解：TP=5,FP=3,FN=2,TN=10,Total=20准确率=(TP+TN)/Total=(5+10)/20=15/20=0.75精确率=TP/(TP+FP)=5/(5+3)=5/8=0.625(0.63)召回率=TP/(TP+FN)=5/(5+2)=5/7≈0.714(0.71)F1分数=2(精确率召回率)/(精确率+召回率)=2(0.6250.714)/(0.625+0.714)≈0.666(0.67)F1分数=2(精确率召回率)/(精确率+召回率)=2(0.6250.714)/(0.625+0.714)≈0.666(0.67)2.解：(1)损失函数L代入数据：L初始w=预测值：2,4,6,8。标签：2,4,6,8。误差全为0，故L((注：若题目意在考察梯度计算过程，通常假设初始值不完美。若按题目字面意思计算，梯度为0。为了考察计算能力，假设题目有笔误或意在考察一般公式。但在考试中，若数据完美拟合，则梯度为0。此处按字面计算。)(注：若题目意在考察梯度计算过程，通常假设初始值不完美。若按题目字面意思计算，梯度为0。为了考察计算能力，假设题目有笔误或意在考察一般公式。但在考试中，若数据完美拟合，则梯度为0。此处按字面计算。)(2)偏导数计算：==代入w=1,(3)更新参数：==(补充说明：若初始参数设为w=0,若w=0,预测：0,0,0,0。误差：-2,-4,-6,-8。预测：0,0,0,0。误差：-2,-4,-6,-8。=[=(=0=03.解：(