2026年人工智能四级考试题及答案

2026年人工智能四级考试题及答案一、单项选择题（本大题共20小题，每小题2分，共40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.在人工智能的发展历程中，1956年的达特茅斯会议被公认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.在深度学习的优化算法中，Adam优化器结合了动量法和RMSProp算法的特点。关于Adam算法，下列说法错误的是？A.Adam算法自适应地计算学习率B.Adam算法对梯度的对角尺度不变C.Adam算法在非稳态目标函数上通常表现优于RMSPropD.Adam算法不需要设置初始学习率3.在卷积神经网络（CNN）中，为了减少全连接层的参数量并防止过拟合，常使用全局平均池化（GlobalAveragePooling）代替展平操作。关于全局平均池化，下列描述正确的是？A.它对每个特征图取最大值B.它对每个特征图取所有位置值的平均值C.它会保留空间位置信息D.它通常用于卷积层之前4.在自然语言处理中，Transformer模型完全基于注意力机制。为了解决序列位置信息的问题，Transformer引入了位置编码。假设位置编码使用正弦和余弦函数，对于位置pos和维度A.PB.PC.PD.P5.在决策树算法中，ID3算法使用信息增益作为分裂准则，C4.5算法使用信息增益率。下列关于信息增益率的描述，正确的是？A.信息增益率=信息增益/固有值B.信息增益率=固有值/信息增益C.信息增益率=信息增益固有值D.信息增益率倾向于选择取值较多的属性6.支持向量机（SVM）在处理非线性可分问题时，通过核技巧将数据映射到高维空间。下列哪个核函数对应的映射空间是无穷维的？A.线性核函数B.多项式核函数C.高斯径向基核函数（RBF）D.拉普拉斯核函数7.在强化学习中，策略梯度方法可以直接优化策略。REINFORCE算法是策略梯度的经典实现。关于REINFORCE算法，下列说法正确的是？A.它是基于价值函数的方法B.它需要环境模型C.它使用蒙特卡洛采样来估计梯度D.它只能处理离散动作空间8.生成对抗网络由生成器和判别器组成。在训练过程中，判别器D试图最大化目标函数，生成器G试图最小化目标函数。其原始的极小极大博弈目标函数为miA.迅速趋近于0B.迅速趋近于1C.保持震荡D.梯度消失9.在聚类算法中，DBSCAN是一种基于密度的聚类算法。与K-Means相比，DBSCAN的主要优势在于？A.计算复杂度更低B.可以发现任意形状的簇，且能处理噪声点C.对初始中心点的选择不敏感D.必须预先指定簇的数量10.在评估分类模型时，精确率和召回率往往是矛盾的。F1分数是精确率和召回率的调和平均数。当精确率为0.8，召回率为0.6时，F1分数约为？A.0.68B.0.70C.0.75D.0.7211.深度信念网络（DBN）是由多层受限玻尔兹曼机（RBM）堆叠而成的生成模型。RBM是一种能量模型。关于RBM中的可见层单元v和隐藏层单元h，下列哪个条件成立？A.给定v时，h的各单元之间条件独立B.给定h时，v的各单元之间条件相关C.v和h之间无条件独立D.给定v时，h的各单元之间条件相关12.在目标检测任务中，非极大值抑制（NMS）用于去除冗余的检测框。假设IoU阈值为0.5，对于两个检测框A和B，若IoU(A.保留A和BB.保留A，去除BC.保留B，去除AD.去除A和B13.在长短期记忆网络（LSTM）中，遗忘门的作用是控制细胞状态的遗忘程度。遗忘门的输出通常通过下列哪个激活函数计算？A.ReLUB.SigmoidC.TanhD.Softmax14.知识图谱是人工智能的重要分支。在知识图谱的表示学习中，TransE模型是一种基础的方法。对于三元组(hA.hB.hC.hD.h15.在计算机视觉中，图像分割是将图像划分为若干个特定的、具有独特性质的区域。语义分割和实例分割的主要区别在于？A.语义分割区分类别，实例分割区分个体B.实例分割区分类别，语义分割区分个体C.语义分割需要边界框，实例分割不需要D.没有区别，只是叫法不同16.模型压缩技术中，知识蒸馏是指训练一个紧凑的学生网络来模仿一个复杂的教师网络。在蒸馏过程中，通常使用的损失函数包含哪两部分？A.硬标签损失和软标签损失B.L1损失和L2损失C.交叉熵损失和均方误差损失D.结构化损失和非结构化损失17.在贝叶斯网络中，条件独立性假设极大地简化了计算。若贝叶斯网络结构为A→B→C，则给定B时，A.条件独立B.条件相关C.边缘独立D.无法确定18.在图像增强任务中，超分辨率重建旨在从低分辨率图像恢复出高分辨率图像。基于GAN的超分辨率方法（如SRGAN）中，判别器的作用主要是？A.判断图像是否清晰B.判断图像是真实的高分辨率图像还是生成的图像C.提取图像特征D.计算像素级损失19.集成学习中，Bagging和Boosting是两种主要的策略。随机森林属于Bagging，而GBDT（梯度提升决策树）属于Boosting。关于两者的区别，下列说法错误的是？A.Bagging主要降低方差，Boosting主要降低偏差B.Bagging的基模型可以并行训练，Boosting的基模型只能串行训练C.Bagging对异常值不敏感，Boosting对异常值敏感D.Bagging通过调整样本权重训练基模型，Boosting通过自助采样法训练基模型20.AlphaGoZero是AlphaGo的升级版，它不再使用人类棋谱数据，而是通过自我对弈进行学习。它主要结合了蒙特卡洛树搜索和？A.深度Q网络B.策略梯度和价值网络C.生成对抗网络D.变分自编码器二、多项选择题（本大题共10小题，每小题3分，共30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3分，选对得部分分，有选错得0分）21.下列哪些属于人工智能的主要研究领域？A.机器学习B.计算机视觉C.自然语言处理D.数据库管理系统22.关于过拟合及其缓解措施，下列说法正确的有？A.增加训练数据量可以缓解过拟合B.使用L1正则化可以诱导模型产生稀疏解，从而缓解过拟合C.增大模型的复杂度（如增加网络层数）可以缓解过拟合D.Dropout在训练时随机丢弃部分神经元，可以缓解过拟合23.在深度学习中，常用的激活函数及其特性包括？A.Sigmoid函数的导数在两端趋近于0，容易导致梯度消失B.ReLU函数的计算简单，且能缓解梯度消失问题，但存在神经元死亡现象C.Tanh函数的输出范围是(0,1)D.Softmax函数常用于多分类问题的输出层24.卷积神经网络中的卷积层具有哪些特性？A.局部连接B.权值共享C.平移不变性D.全连接25.下列哪些属于无监督学习算法？A.K-Means聚类B.主成分分析（PCA）C.支持向量机（SVM）D.自编码器26.关于循环神经网络（RNN）的梯度消失和爆炸问题，下列描述正确的有？A.梯度消失会导致RNN难以学习长距离的依赖关系B.梯度爆炸通常会导致数值溢出C.梯度裁剪是解决梯度爆炸的常用方法D.LSTM通过引入门控机制完全解决了梯度消失问题27.在自然语言处理中，Word2Vec是一种将词语转换为向量的技术。它包含两种训练模型，分别是？A.CBOW（ContinuousBag-of-Words）B.Skip-gramC.TF-IDFD.Bag-of-N-grams28.评估回归模型性能的常用指标包括？A.均方误差（MSE）B.均方根误差（RMSE）C.平均绝对误差（MAE）D.R平方（）29.生成式AI在2022年后取得了爆发式发展，下列哪些模型属于大规模生成式模型？A.GPT-4B.BERTC.MidjourneyD.StableDiffusion30.在人工智能伦理与安全方面，下列哪些问题是当前社会关注的焦点？A.算法偏见与歧视B.隐私泄露C.深度伪造D.可解释性差三、填空题（本大题共10小题，每小题2分，共20分）31.在感知机算法中，如果样本是线性可分的，感知机学习算法具有________性，即能在有限次迭代内收敛。32.在逻辑回归中，假设函数(x)=g(x)，其中g33.在主成分分析（PCA）中，我们希望找到一个新的坐标系，使得数据投影到第一主成分上的________最大。34.在卷积操作中，若输入图像大小为5×5，卷积核大小为35.在深度学习中，批归一化通常在全连接层或卷积层的________操作之后，激活函数之前应用。36.随机梯度下降法每次迭代只使用________个样本进行参数更新。37.在隐马尔可夫模型（HMM）中，有三个基本问题：评估问题、解码问题和学习问题。其中Baum-Welch算法用于解决________问题。38.在注意力机制中，查询、键、值分别用Q,K,V表示。缩放点积注意力计算的公式为39.在计算机视觉中，对于目标检测任务，mAP（meanAveragePrecision）是衡量模型性能的重要指标。mAP是所有类别的________的平均值。40.联邦学习是一种分布式机器学习技术，其核心特征是数据保留在本地，通过交换________来更新全局模型。四、简答题（本大题共5小题，每小题6分，共30分）41.简述梯度下降法、随机梯度下降法和小批量梯度下降法的区别。42.简述卷积神经网络中池化层的主要作用。43.解释朴素贝叶斯分类器中的“朴素”假设是什么，并说明为什么该假设在实际中往往不成立，但模型依然有效？44.简述Transformer模型中“多头注意力机制”的作用。45.什么是A/B测试？在人工智能系统上线前，为什么要进行A/B测试？五、计算与分析题（本大题共3小题，每小题10分，共30分）46.已知一个简单的二分类问题，数据集包含两个样本：样本1：=样本2：=假设使用线性可分支持向量机，且松弛变量=0。优化目标为min(1)请在草稿纸上绘制样本点，并求出最优超平面的法向量w和截距b。(2)计算间隔的大小。47.给定一个简单的神经网络结构：输入层x，一个隐藏层h，输出层y。激活函数使用Sigmoid函数σ(损失函数使用均方误差L=权重(输入到隐藏)=0.5，偏置=0.1。权重(隐藏到输出)=0.4，偏置=0.2。输入x=0.8，真实标签(1)进行一次前向传播，计算输出。(2)计算损失L。(3)计算损失函数对权重的梯度。48.现有关于天气和是否去打网球的数据集如下：OutlookTemperatureHumidityWindyPlayTennisSunnyHotHighWeakNoSunnyHotHighStrongNoOvercastHotHighWeakYesRainMildHighWeakYesRainCoolNormalWeakYesRainCoolNormalStrongNoOvercastCoolNormalStrongYesSunnyMildHighWeakNoSunnyCoolNormalWeakYesRainMildNormalWeakYesSunnyMildNormalStrongYesOvercastMildHighStrongYesOvercastHotNormalWeakYesRainMildHighStrongNo请根据ID3算法（计算信息增益），构建决策树的根节点。(1)计算数据集的总熵H((2)计算属性“Outlook”的信息增益Ga(3)根据计算结果，根节点应该选择哪个属性？六、综合应用题（本大题共2小题，每小题20分，共40分）49.某电商平台希望构建一个商品推荐系统，以提高用户的点击率和购买转化率。该平台拥有海量的用户行为日志（浏览、点击、购买、加购等）、商品属性信息（类别、品牌、价格等）以及用户基本信息。(1)请设计一个推荐系统的技术架构，要求包含数据层、召回层、排序层和重排层，并简述各层的主要功能。(2)在召回层，请列举至少三种不同的召回策略，并简要说明其原理。(3)在排序层，如果使用深度学习模型（如DeepFM或DIN），请说明模型如何融合用户特征和商品特征。(4)如何评估该推荐系统的效果？请列举至少三个离线指标和两个在线指标。50.随着大语言模型（LLM）的广泛应用，PromptEngineering（提示工程）变得至关重要。假设你正在开发一个基于LLM的智能法律助手，旨在帮助普通用户理解简单的法律合同条款。(1)请设计一个Prompt模板，要求包含角色设定、任务描述、输入数据和输出格式要求。(2)为了提高模型回答的准确性，可以采用Few-ShotLearning（少样本学习）。请在你的Prompt模板中加入Few-Shot示例。(3)在实际应用中，模型可能会产生“幻觉”，即编造不存在的法律条款。请提出至少两种技术手段或策略来缓解幻觉问题。(4)除了提示工程外，为了增强模型处理长合同的能力，可以采用RAG（检索增强生成）技术。请简述RAG的工作流程及其在法律助手场景下的优势。参考答案及详细解析一、单项选择题1.【答案】D【解析】阿兰·图灵是计算机科学与人工智能之父，提出了图灵测试，但他于1954年去世，未参加1956年的达特茅斯会议。该会议由麦卡锡、明斯基、罗切斯特和香农组织。2.【答案】D【解析】Adam算法虽然自适应调整学习率，但仍需设置初始学习率（通常建议为0.001），D选项说法错误。3.【答案】B【解析】全局平均池化对每个特征图计算所有位置像素的平均值，结果是一个一维向量，常用于替代全连接层。A是最大池化，C错误因为它丢失了具体空间坐标信息，D通常用于卷积层之后。4.【答案】A【解析】Transformer位置编码公式中，偶数维度（2i）使用正弦函数，奇数维度（2i+5.【答案】A【解析】信息增益率定义为信息增益除以分裂信息（固有值），即Ga6.【答案】C【解析】高斯径向基核函数（RBF）K(7.【答案】C【解析】REINFORCE是蒙特卡洛策略梯度，它基于完整轨迹采样回报，直接优化策略。它不是基于价值函数（虽然涉及价值），不需要环境模型。8.【答案】B【解析】训练初期，生成器生成的样本很差，判别器很容易区分真假样本，因此判别器会将真实样本判为1（概率高），生成样本判为0（概率低），判别器的损失（二分类交叉熵）会迅速趋近于0。9.【答案】B【解析】DBSCAN基于密度，不需要指定簇数，能发现任意形状的簇并识别噪声。A错误，其复杂度取决于实现，通常不比K-Means低；C错误，K-Means对初始中心敏感；D错误，DBSCAN不需要指定簇数。10.【答案】A【解析】F111.【答案】A【解析】RBM的关键特性是：给定可见层状态，隐藏层单元之间条件独立；给定隐藏层状态，可见层单元之间条件独立。12.【答案】B【解析】IoU为0.6大于阈值0.5，且A的分数更高，因此保留高分框A，抑制低分框B。13.【答案】B【解析】遗忘门、输入门、输出门的输出通常在0到1之间，因此使用Sigmoid激活函数。候选细胞状态通常使用Tanh。14.【答案】A【解析】TransE基于平移假设，即头实体向量+关系向量≈尾实体向量。15.【答案】A【解析】语义分割只对像素进行分类（如“人”、“车”），不区分个体；实例分割既要分类又要区分不同的个体（如“人1”、“人2”）。16.【答案】A【解析】知识蒸馏通常包含两部分损失：一是学生网络对真实标签的预测损失（硬标签损失），二是学生网络对教师网络输出的软标签的预测损失（通常带温度参数）。17.【答案】A【解析】在贝叶斯网络中，给定中间节点B，A和C是条件独立的（D-Separation原理）。18.【答案】B【解析】在SRGAN等GAN中，判别器用于区分生成的高分辨率图像和真实的高分辨率图像，以此逼迫生成器生成更逼真的纹理。19.【答案】D【解析】Bagging使用自助采样法，每个基模型权重一样；Boosting通过调整样本权重（增加错误分类样本的权重）来训练基模型。D选项把两者的机制说反了。20.【答案】B【解析】AlphaGoZero结合了MCTS、策略网络和价值网络。二、多项选择题21.【答案】ABC【解析】数据库管理系统属于计算机科学传统领域，不属于AI的核心研究领域。22.【答案】ABD【解析】增加模型复杂度通常会加剧过拟合，C错误。23.【答案】ABD【解析】Tanh函数的输出范围是(-1,1)，C错误。24.【答案】ABC【解析】卷积层是局部连接、权值共享，具有平移不变性（某种程度上）。全连接是全连接层的特性。25.【答案】ABD【解析】SVM是监督学习算法。26.【答案】ABC【解析】LSTM缓解了梯度消失，但并未完全解决，在极长序列上仍可能发生，D说法过于绝对。27.【答案】AB【解析】Word2Vec包含CBOW和Skip-gram两种模型。TF-IDF和N-gram是传统统计方法。28.【答案】ABCD【解析】四个选项均为回归评估指标。29.【答案】ACD【解析】BERT是预训练语言模型，主要用于理解任务（如分类、实体识别），虽然可以生成，但通常不被归类为2022年后爆发的生成式AI（如ChatGPT,Midjourney）的主流代表，或者更准确地说，BERT是Encoder-only架构，GPT-4是Decoder-only生成式。但在更广泛的语境下，GPT-4,Midjourney,StableDiffusion是典型的生成式模型。这里选择ACD。注：BERT主要用于判别式任务，虽然可以做生成，但通常不作为“生成式AI爆发”的代表。30.【答案】ABCD【解析】四个选项均为当前AI伦理与安全的热点问题。三、填空题31.【答案】收敛32.【答案】133.【答案】方差34.【答案】3【解析】(535.【答案】线性变换（或加权求和）36.【答案】137.【答案】学习（或参数估计）38.【答案】键（Key）39.【答案】平均精确率40.【答案】模型参数（或梯度）四、简答题41.【答案】(1)梯度下降法：在每次迭代中，使用所有训练样本来计算梯度并更新参数。收敛稳定，但数据量大时速度慢，且无法跳出局部极小值。(2)随机梯度下降法（SGD）：每次迭代仅使用一个样本来计算梯度并更新参数。更新速度快，但收敛震荡，损失函数波动大。(3)小批量梯度下降法：每次迭代使用一小批（如32、64、128个）样本来计算梯度。结合了前两者的优点，计算效率高，收敛相对稳定，是深度学习中最常用的方法。42.【答案】(1)降维：通过池化（如最大池化、平均池化）减小特征图的尺寸（宽度和高度），从而减少参数量和计算量。(2)引入不变性：池化操作使模型对输入的微小平移、旋转等变化具有一定的鲁棒性（局部不变性）。(3)防止过拟合：在一定程度上去除了冗余信息，提取主要特征。43.【答案】(1)“朴素”假设是指：在已知类别标签的情况下，假设各个特征之间是相互独立的。(2)该假设在现实世界中很少成立，因为特征之间往往存在相关性（例如，身高和体重是相关的）。(3)尽管假设不成立，朴素贝叶斯在文本分类、垃圾邮件过滤等实际应用中依然表现良好。原因在于：它并不追求准确的概率估计，而是追求概率排序的正确性；或者特征之间的相关性可能在某种程度上相互抵消；且该模型简单、高偏差，在数据量有限时不易过拟合。44.【答案】多头注意力机制将输入的查询、键、值通过线性映射分别映射到h个不同的子空间中，然后在这些子空间上分别进行注意力缩放点积计算，最后将结果拼接起来再进行一次线性映射。作用：(1)增强表达能力：允许模型在不同的表示子空间中关注不同位置的信息，捕捉更丰富的特征依赖关系（如句法结构和语义关联）。(2)并行计算：多头机制可以并行计算，提高效率。45.【答案】(1)A/B测试是一种对比实验方法，将用户随机分为两组（A组和B组），A组使用旧版本或策略，B组使用新版本或策略，在相同环境下对比两组的关键指标。(2)原因：验证效果：离线评估指标（如准确率）提升并不总是意味着在线业务指标（如点击率、留存）提升，A/B测试能直接反映对业务的影响。控制风险：在小流量下验证新系统的稳定性，避免全量上线导致严重故障。科学决策：排除偶然因素和外部环境干扰，提供statisticallysignificant的决策依据。五、计算与分析题46.【答案】(1)样本1(1,2)为正类(y=支持向量正好是这两个样本。根据SVM的约束条件：1·−1由于样本关于直线y=x对称，最优超平面应该垂直于平分线，即超平面方向为可以推测=。代入式1和式2：33这显然矛盾，说明≠q重新解方程组：式1：+式2：2式1式2：−为了最小化||由于只有两个点，且异类，最优超平面就是这两个点的垂直平分线。两点中点：=(两点连线向量：(1超平面法向量w应平行于连线向量(1,−代入式1：k代入式2：2联立b的表达式：1+所以w=b=验证：式1：−1式2：2(所以w=(2)间隔大小Ma||Ma47.【答案】(1)前向传播：输入层到隐藏层：=h隐藏层到输出层：==(2)计算损失：L(3)计算梯度：链式法则：==≈48.【答案】总样本数D=正例数Yes=(1)计算总熵H(H≈H(2)计算属性“Outlook”的信息增益：Outlook取值有Sunny,Overcast,Rain。Sunny:样本数5(2Yes,3No)。熵H(Overcast:样本数4(4Yes,0No)。熵H(Rain:样本数5(3Yes,2No)。熵H(Outlook的经验熵H(H==信息增益Ga(3)为了确定根节点，理论上需要计算所有属性的信息增益。根据ID3经典数据集结果（PlayTennis），Outlook的信息增益通常是最大的（0.247），高于Humidity(0.151),Windy(0.048),Temperature(0.029)。因此，根节点应该选择Outlook属性。六、综合应用题49.【答案】(1)推荐系统技术架构：数据层：负责收集、清洗、存储用户行为日志、物品属性等数据，构建特征仓库。召回层：从海量物品库中快速筛选出用户可能感兴趣的几百到几千个候选集，侧重于高召回率和低延迟。排序层：对召回的候选集进行精细化打分，利用复杂模型预测用户对物品的点击率或转化率，并按分数排序。重排层：在排序结果基础上，结合业务规则（如去重、打散、多样性、运营干预）调整最终展示的列表。(2)召回策略：协同过滤召回：基于用户历史行为找相似用户或相似物品。向量召回：将用户和物品映射到同一向量空间，通过近似最近邻搜索（ANN）查找相似向量。基于内容的召回：根据用户画像标签匹配物品属性标签。(3)模型融合特征：DeepFM或DIN等模型通过Embedding层将稀疏的用户特征（ID、历史行为序列）和商品特征（ID、类别）映射为低维稠密向量。组合特征：通过因子分解机（FM）部分自动捕捉二阶特征交互，或者通过深度学习部分（DNN）捕捉高