2026年大学人工智能(人工智能)试题及答案

2026年大学人工智能(人工智能)试题及答案一、单项选择题（本大题共20小题，每小题1分，共20分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.人工智能作为一门学科，正式诞生于哪一年？A.1946年B.1956年C.1960年D.1980年2.在著名的“图灵测试”中，测试者需要区分的是？A.两台计算机B.一个人和一台计算机C.两个不同的人D.一个专家系统和一个数据库3.下列哪项不属于人工智能的三大主要学派？A.符号主义B.连接主义C.行为主义D.结构主义4.在状态空间搜索中，A算法是一种启发式搜索算法，其评价函数f(n)=g(n)+h(n)，其中h(n)代表？4.在状态空间搜索中，A算法是一种启发式搜索算法，其评价函数f(n)=g(n)+h(n)，其中h(n)代表？A.初始节点到节点n的实际代价B.节点n到目标节点的估计代价C.节点n到目标节点的实际代价D.初始节点到目标节点的总估计代价5.在谓词逻辑中，量词“∀”和“∃”的否定关系，下列哪项是正确的？A.≠B.≠C.≠D.≠6.专家系统的核心组成部分是？A.知识库和推理机B.数据库和模型库C.用户界面和解释器D.机器人和传感器7.在机器学习中，监督学习与非监督学习的主要区别在于？A.数据量的大小B.计算复杂度C.训练数据是否有标签D.是否使用神经网络8.决策树算法中，ID3算法使用哪个指标来选择最佳分裂属性？A.基尼指数B.信息增益C.均方误差D.交叉熵9.支持向量机（SVM）主要用于解决什么问题？A.聚类B.降维C.分类与回归D.关联规则挖掘10.在人工神经网络中，常用的Sigmoid激活函数的值域是？A.(0,1)B.(-1,1)C.[0,1]D.R11.深度学习中的“深度”指的是？A.数据的维度B.神经网络的层数C.训练的时间长短D.算法的复杂度12.卷积神经网络（CNN）中，池化层的主要作用是？A.增加数据量B.提取特征C.降维和减少参数D.激活神经元13.循环神经网络（RNN）特别适合处理哪种类型的数据？A.图像数据B.表格数据C.序列数据D.音频数据14.在贝叶斯分类器中，朴素贝叶斯算法做出了什么“朴素”假设？A.所有特征都是独立的B.所有特征都是相关的C.所有类别是等概率的D.所有数据都是正态分布的15.强化学习中，Agent通过什么机制来学习最优策略？A.梯度下降B.试错和奖励C.聚类分析D.规则推理16.遗传算法中，模拟生物进化过程“优胜劣汰”的操作是？A.选择B.交叉C.变异D.复制17.在计算机视觉中，关于图像的边缘检测，下列哪个算子不是常用的边缘检测算子？A.Sobel算子B.Canny算子C.Laplacian算子D.Fourier算子18.自然语言处理（NLP）中，Word2Vec模型的主要目的是？A.机器翻译B.情感分析C.将词语映射为向量D.命名实体识别19.关于“过拟合”现象，下列描述错误的是？A.训练集准确率很高，测试集准确率较低B.模型过于复杂，捕捉了数据中的噪声C.增加训练数据量通常可以缓解过拟合D.欠拟合也是过拟合的一种表现形式20.AlphaGo击败围棋世界冠军李世石主要结合了哪种技术？A.专家系统与模糊逻辑B.深度强化学习与蒙特卡洛树搜索C.遗传算法与支持向量机D.贝叶斯网络与决策树二、多项选择题（本大题共10小题，每小题2分，共20分。在每小题给出的四个选项中，有多项是符合题目要求的。全部选对得2分，选错得0分，漏选得1分）1.下列哪些是人工智能的研究与应用领域？A.机器人B.计算机视觉C.自然语言理解D.专家系统2.盲目搜索算法包括以下哪些？A.深度优先搜索(DFS)B.广度优先搜索(BFS)C.A算法C.A算法D.最佳优先搜索3.产生式系统的基本组成部分包括？A.综合数据库B.产生式规则库C.控制策略D.解释机制4.机器学习中常见的正则化方法有哪些，用于防止过拟合？A.L1正则化B.L2正则化C.DropoutD.增加数据集5.下列哪些属于深度学习的典型网络结构？A.卷积神经网络(CNN)B.循环神经网络(RNN)C.生成对抗网络(GAN)D.限制玻尔兹曼机(RBM)6.在聚类分析中，常见的算法包括？A.K-Means算法B.层次聚类算法C.DBSCAN算法D.逻辑回归算法7.关于人工智能中的知识表示方法，以下哪些是正确的？A.一阶谓词逻辑具有严谨的推理能力B.语义网络擅长表示节点间的关联关系C.框架表示法适合表示具有固定属性的复杂对象D.产生式规则适合表示启发式知识8.强化学习的基本要素包括？A.Agent（智能体）B.Environment（环境）C.Reward（奖励）D.Policy（策略）9.在自然语言处理中，分词技术面临的难点包括？A.歧义切分B.未登录词识别C.词性标注D.语义理解10.人工智能伦理中讨论的主要问题包括？A.隐私保护B.算法偏见C.责任归属D.就业影响三、填空题（本大题共15空，每空1分，共15分）1.著名的物理学家________提出了“机器思维”的概念，并设计了图灵测试。2.在搜索策略中，________搜索利用问题的启发性信息来引导搜索，以减少搜索范围。3.谓词逻辑中，合取公式P与≠g4.若一个产生式系统的规则库中有N条规则，综合数据库中的事实为M个，则最坏情况下推理复杂度与________有关。5.在机器学习中，________通常用来衡量模型预测值与真实值之间的差异，是模型优化的目标。6.感知机是一种最简单的神经网络模型，它只能解决________问题。7.在反向传播算法中，权值的更新量与________成正比。8.卷积神经网络中，卷积核在图像上滑动进行________运算。9.隐马尔可夫模型（HMM）包含两个核心假设：一是马尔可夫假设，二是________假设。10.在遗传算法中，________操作通过随机改变个体染色体上的某些基因值来维持种群的多样性。11.K-近邻算法（KNN）是一种________型的机器学习算法。12.在评估分类器性能时，________曲线可以展示真正率和假正率之间的权衡关系。13.深度信念网络（DBN）是由多层________组成的生成模型。14.Transformer模型中引入了________机制，极大地提升了模型对长距离依赖的捕捉能力。15.在人工智能的应用中，________是指机器模拟人类进行创造性工作的能力，如绘画、作曲等。四、判断题（本大题共10小题，每小题1分，共10分。正确的打“√”，错误的打“×”）1.弱人工智能是指能够真正像人一样思考、拥有自我意识的智能。()2.A算法在启发函数h(n)满足可采纳性条件（即h(n)不超过节点n到目标节点的实际代价）时，一定能找到最优解。()2.A算法在启发函数h(n)满足可采纳性条件（即h(n)不超过节点n到目标节点的实际代价）时，一定能找到最优解。()3.贝叶斯网络是一种有向无环图，用于表示变量间的概率依赖关系。()4.在决策树生成过程中，预剪枝比后剪枝通常更不容易导致欠拟合。()5.梯度下降算法总是能保证找到全局最优解。()6.CNN中的全连接层通常用于将提取的特征映射到样本标记空间。()7.LSTM（长短期记忆网络）是为了解决RNN的梯度消失问题而提出的。()8.蒙特卡洛方法是一种基于随机采样的计算方法，常用于模拟和积分计算。()9.所有的机器学习算法都需要显式地提取特征。()10.人工智能的发展已经完全成熟，不存在任何技术瓶颈和伦理风险。()五、简答题（本大题共6小题，每小题5分，共30分）1.简述人工智能、机器学习和深度学习三者之间的关系。2.什么是启发式搜索？请说明A算法的可采纳性条件。2.什么是启发式搜索？请说明A算法的可采纳性条件。3.简述产生式系统的推理过程（包括匹配、冲突消解、操作）。4.请解释支持向量机（SVM）中“核技巧”的作用及其原理。5.简述卷积神经网络（CNN）中卷积层、池化层和全连接层的主要功能。6.什么是强化学习中的马尔可夫决策过程（MDP）？它由哪五元组组成？六、计算与分析题（本大题共4小题，每小题10分，共40分）1.A算法应用题设有一个八数码问题，初始状态S和目标状态G如下（0表示空格）：初始状态S:283104765目标状态G:123804765设启发函数h(n)为“不在位”的数码个数（即当前状态中与目标状态相比位置不同的数码数量）。请画出A算法搜索开始的前两步扩展过程（Open表和Closed表的变化情况），并写出f(n),g(n),h(n)的值。请画出A算法搜索开始的前两步扩展过程（Open表和Closed表的变化情况），并写出f(n),g(n),h(n)的值。2.贝叶斯分类计算题现有训练数据如下：Day1:Outlook=Sunny,Temperature=Hot,Humidity=High,PlayTennis=NoDay2:Outlook=Sunny,Temperature=Hot,Humidity=Normal,PlayTennis=NoDay3:Outlook=Overcast,Temperature=Hot,Humidity=High,PlayTennis=YesDay4:Outlook=Rain,Temperature=Mild,Humidity=High,PlayTennis=YesDay5:Outlook=Rain,Temperature=Cool,Humidity=Normal,PlayTennis=YesDay6:Outlook=Rain,Temperature=Cool,Humidity=Normal,PlayTennis=NoDay7:Outlook=Overcast,Temperature=Cool,Humidity=Normal,PlayTennis=YesDay8:Outlook=Sunny,Temperature=Mild,Humidity=High,PlayTennis=NoDay9:Outlook=Sunny,Temperature=Cool,Humidity=Normal,PlayTennis=YesDay10:Rain,Mild,Normal,Yes请使用朴素贝叶斯分类器，计算新样本X={Outlook=Sunny,Temperature=Cool,Humidity=High}属于PlayTennis=Yes和PlayTennis=No的后验概率，并判断该样本属于哪一类。（注意平滑处理，假设拉普拉斯平滑参数为1，且各属性取值集合已知：Sunny,Overcast,Rain;Hot,Mild,Cool;High,Normal）。3.决策树ID3计算题给定如下数据集D，包含14个样本，目标属性是“Play”（Yes/No），属性包括Outlook（Sunny,Overcast,Rain），Wind（Strong,Weak）。数据统计如下：总样本数：14Outlook=Sunny:5个(2Yes,3No)Outlook=Overcast:4个(4Yes,0No)Outlook=Rain:5个(3Yes,2No)Wind=Strong:6个(3Yes,3No)Wind=Weak:8个(6Yes,2No)请计算属性Outlook和Wind的信息增益，并指出哪个属性更适合作为根节点。（提示：信息熵公式H(D)4.神经网络反向传播计算题设有一个简单的神经网络，包含一个输入节点x，一个隐含节点h，一个输出节点y。权值设置如下：=0.5，=偏置设置如下：=0.1，=激活函数均为Sigmoid函数：f(给定输入x=0.8，真实标签损失函数为均方误差：E=请完成一次前向传播，计算输出y和损失E。（后续步骤：计算输出层误差信号和隐含层误差信号，以及权值更新量，本题仅要求前向传播及损失计算）。七、综合应用题（本大题共2小题，每小题15分，共30分）1.知识表示与推理系统设计某动物园需要构建一个简单的动物识别专家系统。已知规则如下：R1:如果有毛发则是哺乳动物R2:如果有奶则是哺乳动物R3:如果有羽毛则是鸟R4:如果会飞且生蛋则是鸟R5:如果是哺乳动物且有蹄则是有蹄类动物R6:如果是哺乳动物且反刍则是有蹄类动物R7:如果是哺乳动物且是肉食动物且有黄褐色且有黑色条纹则是老虎R8:如果是有蹄类动物且有长腿且有长脖子且有黄褐色且有暗斑点则是长颈鹿R9:如果是肉食动物且有黄褐色且有黑色条纹则是老虎R10:如果是哺乳动物且有利爪且有犬齿且眼睛向前则是肉食动物已知事实库包含：有毛发，有黄褐色，有黑色条纹，是肉食动物。请使用产生式系统的正向推理策略，推导该动物是什么？请写出详细的推理步骤（匹配规则、触发规则、更新事实库的过程）。2.深度学习模型应用分析在自然语言处理任务中，Transformer模型取代了RNN成为主流架构。(1)请简述Transformer模型中“自注意力机制”的计算过程（包括Query,Key,Value的概念及计算公式）。(2)相比于RNN（如LSTM），Transformer在处理长序列时有哪些优势？(3)假设你要设计一个基于Transformer的文本分类模型，输入为“人工智能改变世界”，请描述数据在模型内部的大致流向（从输入到输出预测结果）。参考答案及解析一、单项选择题1.B2.B3.D4.B5.B6.A7.1.C8.B9.C10.A11.B12.C13.C14.A15.B16.A17.D18.C19.D20.B二、多项选择题1.ABCD2.AB3.ABC4.ABC5.ABCD6.ABC7.ABCD8.ABCD9.AB10.ABCD三、填空题1.艾伦·图灵2.启发式3.Nil（空子句）4.N和M5.损失函数6.线性可分7.梯度（或学习率与梯度的乘积）8.卷积9.观测独立性（或输出独立性）10.变异11.实例12.ROC13.受限玻尔兹曼机（或RBM）14.自注意力15.生成式AI（或计算创造力）四、判断题1.×（这是强人工智能的定义）2.√3.√4.×（预剪枝更容易导致欠拟合，后剪枝风险通常更小）5.×（容易陷入局部最优）6.√7.√8.√9.×（深度学习可以自动提取特征）10.×（仍处于发展中，存在诸多瓶颈）五、简答题1.答：人工智能是一个广泛的学科，致力于创造能够模拟人类智能的机器。机器学习是人工智能的一个子集，它关注让计算机通过数据学习而不需要显式编程。深度学习又是机器学习的一个子集，它利用多层人工神经网络来模拟人脑进行学习和处理复杂模式。三者关系为：人工智能⊇机器学习⊇深度学习。2.答：启发式搜索是指在搜索过程中，利用与问题有关的启发信息（即经验法则）来指导搜索方向，以加速找到解的过程。A算法的可采纳性条件是：搜索树中每一个节点n的启发函数值h(n)都不超过节点n到目标节点的最小实际代价h(n)，即h(n)≤h(n)。满足此条件的A算法一定能找到最优解。A算法的可采纳性条件是：搜索树中每一个节点n的启发函数值h(n)都不超过节点n到目标节点的最小实际代价h(n)，即h(n)≤h(n)。满足此条件的A算法一定能找到最优解。3.答：产生式系统的推理过程主要包括三个步骤：(1)匹配：将当前综合数据库中的事实与产生式规则库中的规则前提条件进行比较，找出所有可被触发的规则。(2)冲突消解：如果有多条规则同时被触发（即发生冲突），则按照一定的策略（如优先级、最近使用原则等）从中选择一条规则执行。(3)操作：执行选定的规则，将规则的后件（结论或动作）加入到综合数据库中，或执行相应的操作，然后重复上述过程，直到问题解决或无规则可用。4.答：核技巧的作用是将低维空间的非线性可分数据映射到高维空间，使其变得线性可分，同时避免直接在高维空间进行复杂的计算。其原理是利用核函数K(,)5.答：卷积层：通过卷积核在输入数据上滑动，提取局部特征（如边缘、纹理），是特征提取的核心层。池化层：通常在卷积层之后，对特征图进行下采样（如最大池化、平均池化），用于减小特征图的尺寸和参数量，提取主要特征并增强模型的平移不变性。全连接层：通常在网络的末端，将前面提取的二维或三维特征图展平为一维向量，通过矩阵运算进行高维特征的整合，最终输出分类或回归结果。6.答：马尔可夫决策过程（MDP）是强化学习中描述序贯决策问题的数学框架。它假设环境的下一个状态仅取决于当前状态和当前动作，而与历史状态无关（马尔可夫性）。MDP由五元组(SS：状态空间，所有可能状态的集合。A：动作空间，所有可能动作的集合。P：状态转移概率，P(|s,a)表示在状态R：奖励函数，R(s,a)或Rγ：折扣因子，取值范围[0,1)，用于平衡当前奖励和未来奖励的重要性。六、计算与分析题1.解：初始状态S:283104765目标状态G:123804765计算初始状态S的h(n):不在位的数码有：2(应在(0,1)在(0,0)),8(应在(1,0)在(0,1)),1(应在(0,0)在(1,0))。具体比对：S(0,0)=2,G(0,0)=1(不匹配)S(0,1)=8,G(0,1)=2(不匹配)S(0,2)=3,G(0,2)=3(匹配)S(1,0)=1,G(1,0)=8(不匹配)S(1,1)=0,G(1,1)=0(匹配)S(1,2)=4,G(1,2)=4(匹配)S(2,0)=7,G(2,0)=7(匹配)S(2,1)=6,G(2,1)=6(匹配)S(2,2)=5,G(2,2)=5(匹配)故h(g(f(第一步扩展：Open表初始：[S(f=3)]取出S扩展，放入Closed表：{S}。S的子节点（空格移动）：上移：不可能（空格在(1,1)）。下移：移动6，状态S1。S1:283164705h(2,8,1,6,5位置不对。0位置(2,1)不对。细数：1,2,5,6,8,0。共6个。g(左移：移动1，状态S2。S2:283014765h(g(右移：移动4，状态S3。S3:283140765h(g(Open表更新（按f值排序）：[S2(f=4),S3(f=5),S1(f=7)]第二步扩展：取出S2扩展，放入Closed表：{S,S2}。S2:283014765扩展S2的子节点（空格在(1,0)）：上移：移动2，状态S4。S4:083214765h(g(下移：移动7，状态S5。S5:283714065h(g(右移：移动1，回到S（已在Closed表），忽略。Open表更新：[S3(f=5),S4(f=5),S1(f=7),S5(f=9)](S3和S4f值相同，顺序可互换)结果：初始Open:[S(3)]第一步扩展S后:Closed:{S}Open:[S2(4),S3(5),S1(7)]第二步扩展S2后:Closed:{S,S2}Open:[S3(5),S4(5),S1(7),S5(9)]2.解：首先统计训练集中各类别的先验概率及条件概率。总样本数N=Yes样本数=6No样本数=4先验概率（拉普拉斯平滑，类别数K=PP属性取值数量：Outlook:3种(Sunny,Overcast,Rain)Temperature:3种(Hot,Mild,Cool)Humidity:2种(High,Normal)计算条件概率：对于PlayTennis=No:Outlook=Sunny:在No类中出现2次(Day1,2)。PTemperature=Cool:在No类中出现1次(Day6)。PHumidity=High:在No类中出现2次(Day1,8)。P对于PlayTennis=Yes:Outlook=Sunny:在Yes类中出现1次(Day9)。PTemperature=Cool:在Yes类中出现2次(Day5,7)。PHumidity=High:在Yes类中出现2次(Day3,4)。P计算待测样本X=P=P=比较：0.0255故该样本被分类为No。3.解：首先计算数据集D的熵H(=9/HH计算属性Outlook的信息增益：H(5样本:2Yes,3No):H(4样本:4Yes,0No):H(5样本:3Yes,2No):HHG计算属性Wind的信息增益：H(6样本:3Yes,3No):H(8样本:6Yes,2No):HHG结论：GG因为0.247>4.解：前向传播计算：1.计算隐含层输入nen2.计算隐含层输出h：h3.计算输出层输入nen4.计算最终输出y：y5.计算损失E：E结果：隐含层输出h最终输出y损失E七、综合应用题1.解：推理过程如下