2026年专业技术人员继续教育公需科目人工智能及应用试题及答案

2026年专业技术人员继续教育公需科目人工智能及应用试题及答案一、单项选择题（共40题，每题1分）1.在人工智能的发展历程中，哪一年被广泛认为是“人工智能”这一术语的诞生年份？A.1946年B.1956年C.1960年D.1980年2.2026年的AI技术趋势中，哪种范式被认为是继大语言模型（LLM）之后的下一个重要发展方向，强调智能体能够自主规划、调用工具并执行复杂任务？A.判别式AIB.生成式AIC.具身智能D.符号主义AI3.在机器学习中，用于衡量模型预测值与真实值之间差异的函数，通常在训练过程中通过最小化该函数来优化模型参数，这个函数被称为？A.激活函数B.损失函数C.传递函数D.核函数4.下列哪项技术是Transformer模型的核心机制，它允许模型在处理序列数据时，能够并行计算并捕捉长距离依赖关系？A.卷积运算B.循环反馈C.自注意力机制D.池化层5.在深度学习中，为了防止模型过拟合，除了增加数据量外，最常用的正则化技术是？A.DropoutB.ReLU激活C.BatchNormalizationD.梯度下降6.人工智能的三大学派分别是以符号主义为核心的连接主义、行为主义以及？A.统计主义B.符号主义C.进化主义D.逻辑主义7.在计算机视觉领域，用于图像分类任务最经典的深度神经网络架构是？A.ResNet（残差网络）B.RNN（循环神经网络）C.LSTM（长短期记忆网络）D.Transformer8.在自然语言处理（NLP）中，将文本转换为向量表示的技术，使得计算机能够理解词语之间的语义关系，这种技术被称为？A.词嵌入B.语音识别C.情感分析D.命名实体识别9.生成式人工智能（GenerativeAI）在处理图像生成任务时，常用的扩散模型主要基于什么原理？A.对抗训练B.逐步去噪C.马尔可夫决策过程D.变分推断10.关于“强人工智能”与“弱人工智能”的描述，下列正确的是？A.弱人工智能具备人类所有的认知能力B.强人工智能目前已经在实际应用中普及C.强人工智能是指具备像人类一样全面的智能，能处理各种未见过的问题D.现有的所有AI应用都属于强人工智能11.在神经网络的反向传播算法中，核心目的是？A.计算输入数据的特征B.计算损失函数C.计算梯度并更新权重D.初始化网络参数12.在监督学习中，如果数据集中标签缺失，我们通常采用哪种学习策略？A.监督学习B.无监督学习C.半监督学习D.强化学习13.AlphaGo之所以能战胜人类围棋冠军，关键在于结合了策略网络和？A.价值网络B.卷积网络C.生成对抗网络D.信念网络14.在知识图谱技术中，最基本的组成单元是？A.表格B.实体和关系C.向量D.图像15.下列关于伦理与AI的描述中，哪项不属于AI伦理的主要关注范畴？A.算法偏见与公平性B.隐私保护C.计算速度优化D.透明度与可解释性16.在推荐系统中，常用的协同过滤算法基于哪种假设？A.用户具有相同的属性B.物品具有相同的特征C.具有相似兴趣的用户可能对相同的物品感兴趣D.物品被购买的频率是恒定的17.2026年，多模态大模型在处理图文对齐任务时，常用的对比学习目标是？A.最小化同类样本的距离，最大化不同类样本的距离B.最大化所有样本的距离C.最小化所有样本的距离D.随机调整样本距离18.在强化学习中，智能体通过与环境交互，目标是最大化什么？A.即时奖励B.累计折扣奖励C.惩罚最小化D.步数最小化19.下列哪项激活函数是目前深度神经网络中最常用，用于解决梯度消失问题的非线性函数？A.SigmoidB.TanhC.ReLUD.Softmax20.在人工智能应用中，RPA（机器人流程自动化）与AI的结合，主要解决了什么问题？A.仅能处理结构化数据的自动化B.能够处理非结构化数据并决策的自动化C.完全取代人类决策D.增加硬件处理速度21.在医疗AI领域，利用AI辅助诊断影像时，医生最看重的模型性能指标通常是？A.运行速度B.模型参数量C.召回率和特异性D.训练数据量22.量子计算与人工智能的结合，主要优势在于？A.增加存储空间B.在特定问题上（如组合优化）提供指数级的计算加速C.提高网络带宽D.替代GPU23.在自动驾驶技术中，负责感知周围环境、构建三维场景的模块通常被称为？A.决策规划模块B.控制模块C.感知模块D.定位模块24.提示工程是指通过优化输入文本来引导大模型生成更准确结果的技术。在Prompt设计中，使用“少样本学习”是指？A.不给任何例子B.给出一个例子C.给出多个例子供模型参考D.让模型自己生成例子25.下列关于数据预处理的描述，错误的是？A.数据归一化有助于加速模型收敛B.缺失值填充可以采用均值、中位数或预测填充C.数据增强仅适用于图像数据，不适用于文本数据D.特征选择可以去除冗余特征，防止过拟合26.在评估分类模型时，精确率和召回率往往是矛盾的。F1-Score指标的作用是？A.只关注精确率B.只关注召回率C.综合考虑精确率和召回率的调和平均数，用于评估整体性能D.计算模型的准确率27.大语言模型出现“幻觉”现象，指的是？A.模型产生了自我意识B.模型输出了看似合理但实际上错误或不存在的事实C.模型运行速度变慢D.模型无法理解指令28.在金融风控领域，利用机器学习构建反欺诈模型时，面临的最大数据挑战通常是？A.数据量过大B.样本类别极度不平衡（欺诈样本极少）C.特征维度太少D.标签过多29.下列关于联邦学习的描述，正确的是？A.数据需要集中到一台服务器训练B.数据保留在本地，仅交换模型参数或梯度，保护数据隐私C.只能用于移动设备D.训练速度比集中式训练快30.在图像分割任务中，SemanticSegmentation（语义分割）和InstanceSegmentation（实例分割）的主要区别是？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.两者没有区别D.语义分割精度更高31.为了提高大模型在特定垂直领域（如法律、医疗）的表现，通常采用的技术是？A.从零开始训练B.指令微调C.减少模型层数D.增加噪声32.在AI芯片领域，GPU相比CPU更适合深度学习训练的主要原因是？A.GPU的主频更高B.GPU拥有更多的核心，适合并行计算C.GPU的内存更大D.GPU的架构更简单33.下列哪项技术属于可解释人工智能（XAI）的范畴？A.SHAP值B.随机森林C.梯度下降D.卷积运算34.智慧城市中，利用AI进行交通流量预测时，时间序列分析模型如LSTM或Transformer主要捕捉数据的？A.空间特征B.频率特征C.时间依赖特征D.统计分布特征35.在自然语言处理中，BERT模型采用的是哪种架构？A.仅EncoderB.仅DecoderC.Encoder-DecoderD.纯循环层36.GPT系列模型采用的是哪种架构？A.仅EncoderB.仅DecoderC.Encoder-DecoderD.纯卷积层37.在智能制造中，预测性维护主要利用AI分析设备数据，目的是？A.增加设备能耗B.预测设备何时可能发生故障，提前维护C.自动修理设备D.减少设备产量38.下列关于算法偏见的来源，描述不正确的是？A.训练数据本身存在历史偏见B.算法设计者的主观假设C.模型参数过多D.数据采集过程中的样本偏差39.在大模型推理加速技术中，量化是指？A.增加模型参数数量B.将模型参数从高精度（如FP32）转换为低精度（如INT8），以减少计算量和显存C.增加模型层数D.压缩输入数据40.AIforScience（人工智能驱动的科学研究）在2026年取得了突破，主要应用于？A.仅用于社会科学B.蛋白质结构预测、新材料发现、气象预报等基础科学领域C.仅用于文学创作D.仅用于市场营销二、多项选择题（共15题，每题2分）41.人工智能目前主要的应用领域包括哪些？A.智能制造与工业互联网B.智慧医疗与药物研发C.自动驾驶与智慧交通D.金融科技与风险控制E.内容创作与数字娱乐42.机器学习的主要类型包括？A.监督学习B.无监督学习C.半监督学习D.强化学习E.逆向学习43.深度学习相比于传统机器学习算法，其显著特点有？A.能够自动提取特征，无需人工特征工程B.依赖海量数据进行训练C.模型通常具有更深层的网络结构D.计算资源消耗极大E.无法处理非结构化数据44.下列哪些属于卷积神经网络（CNN）的常用组件？A.卷积层B.池化层C.全连接层D.激活函数E.循环层45.在构建人工智能系统时，数据治理的关键环节包括？A.数据清洗B.数据标注C.数据安全与隐私保护D.数据血缘追踪E.数据质量评估46.大语言模型（LLM）常见的应用场景有？A.智能客服与对话机器人B.代码自动生成与补全C.机器翻译D.文本摘要与生成E.逻辑推理与数学计算47.面临人工智能伦理挑战时，业界普遍遵循的原则包括？A.公平性B.可解释性C.隐私性与安全性D.责任与问责E.人类监督与控制48.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.支持向量机（SVM）D.逻辑回归E.自编码器49.在自然语言处理中，预训练语言模型的优势在于？A.学习到了通用的语言知识B.可以通过少量样本微调适应下游任务C.减少了从头训练的资源消耗D.完全解决了模型的幻觉问题E.提高了模型的泛化能力50.计算机视觉的任务包括？A.图像分类B.目标检测C.图像分割D.人脸识别E.光学字符识别（OCR）51.强化学习在游戏AI中的应用非常成功，其核心要素包括？A.智能体B.环境C.状态D.动作E.奖励52.为了提升大模型的推理能力，研究人员采用了哪些技术？A.思维链提示B.树搜索C.增加上下文窗口长度D.混合专家模型E.减少训练数据53.下列关于Transformer模型中的位置编码，描述正确的有？A.用于给模型输入序列中的每个token提供位置信息B.因为自注意力机制本身不具备捕捉顺序信息的能力C.可以是正弦余弦函数D.可以是可学习的位置向量E.对模型性能没有影响53.边缘计算与人工智能的结合（EdgeAI），主要优势在于？A.降低数据传输延迟B.保护数据隐私，数据不出本地C.减轻云端服务器负载D.能够离线运行E.必须联网才能工作54.在进行AI项目开发时，模型评估的常用指标有哪些？A.准确率B.精确率C.召回率D.F1-ScoreE.AUC值55.2026年人工智能技术发展的前沿方向包括？A.具身智能与机器人B.世界模型C.神经符号人工智能D.生物启发计算E.通用人工智能（AGI）的早期探索三、判断题（共20题，每题1分）56.图灵测试是测试机器是否具有人类智能的经典方法，如果机器能让人类无法区分其回答是来自人还是机器，则认为机器通过测试。57.深度学习中的“深度”指的是神经网络中非线性变换的层数非常多。58.所有的机器学习算法都需要数据标注才能进行训练。59.过拟合是指模型在训练数据上表现很好，但在测试数据上表现很差的现象。60.梯度消失问题通常发生在深层网络中使用Sigmoid或Tanh等激活函数时，ReLU可以有效缓解此问题。61.生成式AI只能生成文本内容，无法生成图像或音频。62.在神经网络中，BatchNormalization（批归一化）层通常用于加速训练并提高模型稳定性。63.数据增强技术可以通过对现有数据进行变换（如旋转、裁剪、噪声添加）来人为增加训练集大小。64.AI模型的决策过程总是完全透明且可解释的。65.强化学习中的“探索与利用”困境是指智能体在尝试新动作（探索）和选择已知最优动作（利用）之间寻找平衡。66.迁移学习是指将一个领域训练好的模型应用到另一个相关领域，通常可以减少目标领域的数据需求。67.在目标检测算法中，YOLO（YouOnlyLookOnce）属于单阶段检测器，速度通常比FasterR-CNN等两阶段检测器快。68.聚类分析是一种典型的监督学习算法，用于预测离散标签。69.人工智能完全不会犯错，其决策总是优于人类。70.大模型的“涌现能力”是指模型参数量达到一定规模后，突然出现了一些小模型不具备的能力。71.在推荐系统中，冷启动问题是指新用户或新物品缺乏历史数据，难以进行准确推荐。72.知识蒸馏是指将一个大而复杂的教师模型的知识迁移到一个轻量级的学生模型中。73.AI伦理中的“算法歧视”完全是由数据引起的，与算法设计无关。74.5G技术与AI的结合，主要促进了高带宽、低延迟的AI应用场景落地，如远程手术。75.人类目前的脑科学研究已经完全解密了大脑运作机制，AI只是对人脑的简单模拟。四、简答题（共5题，每题5分）76.请简述监督学习、无监督学习和强化学习三者的主要区别，并各举一个典型的应用场景。77.在深度神经网络训练中，什么是“梯度消失”和“梯度爆炸”问题？通常可以采取哪些措施来缓解这些问题？78.请解释大语言模型中的“Zero-shot（零样本）”、“Few-shot（少样本）”和“Fine-tuning（微调）”学习模式的含义及区别。79.随着人工智能技术的广泛应用，数据隐私和安全问题日益突出。请列举至少三种保护数据隐私的AI技术手段，并简述其原理。80.简述Transformer架构的核心组件及其在自然语言处理中取得成功的主要原因。五、计算与分析题（共2题，每题10分）81.假设你正在训练一个二分类的猫狗识别模型。在测试集上，模型的表现结果如下：真实为猫且预测为猫的样本数（TP，TruePositives）为80。真实为狗但预测为猫的样本数（FP，FalsePositives）为20。真实为猫但预测为狗的样本数（FN，FalseNegatives）为10。真实为狗且预测为狗的样本数（TN，TrueNegatives）为90。请：(1)计算该模型的准确率。(2)计算精确率和召回率。(3)计算F1-Score。(4)如果在医疗诊断场景中，我们更看重不漏掉任何一个潜在的“猫”（假设猫代表患病），你会建议侧重优化哪个指标？为什么？82.在构建一个简单的线性回归模型时，假设我们只有一个特征x和一个目标值y。模型预测公式为=wL现有两个样本数据点：(,)=假设当前的参数为w=2，请：(1)计算当前的损失值L。(2)计算损失函数关于参数w的偏导数（注：计算时请使用上述两个样本，即N=2(3)如果学习率α=0.1，请写出使用梯度下降法更新一次后的参数试卷答案与解析一、单项选择题1.B-解析：1956年达特茅斯会议上首次提出“人工智能”术语。2.C-解析：具身智能强调智能体与物理环境的交互，是2026年及未来的重要方向。3.B-解析：损失函数用于衡量预测误差，是优化的目标。4.C-解析：自注意力机制是Transformer的核心，允许模型关注输入序列的不同位置。5.A-解析：Dropout在训练过程中随机失活部分神经元，防止过拟合。6.B-解析：AI三大学派为符号主义、连接主义（神经网络）和行为主义。7.A-解析：ResNet是深度残差网络，广泛应用于图像分类。8.A-解析：词嵌入将离散词语映射为连续向量。9.B-解析：扩散模型通过逐步添加噪声破坏数据，再通过学习逆向过程去噪来生成数据。10.C-解析：强人工智能（AGI）具备全面的类人智能，目前尚未实现。11.C-解析：反向传播的核心是计算梯度以更新权重。12.B-解析：无标签数据通常采用无监督学习。13.A-解析：AlphaGo结合了策略网络（落子选择）和价值网络（局势评估）。14.B-解析：知识图谱由实体（节点）和关系（边）组成。15.C-解析：计算速度优化属于工程问题，不属于伦理范畴。16.C-解析：协同过滤基于“物以类聚，人以群分”的思想。17.A-解析：对比学习旨在拉近正样本对距离，推远负样本对距离。18.B-解析：强化学习的目标是最大化长期累积奖励。19.C-解析：ReLU函数计算简单且能有效缓解梯度消失。20.B-解析：RPA+AI能够处理文档、图像等非结构化数据。21.C-解析：医疗诊断中，召回率（不漏诊）和特异性（不误诊）至关重要。22.B-解析：量子计算在特定数学运算上具有指数级加速潜力。23.C-解析：感知模块负责环境信息的采集与理解。24.C-解析：少样本学习是指在提示中给出少量示例。25.C-解析：数据增强也适用于文本（如同义词替换、回译）。26.C-解析：F1是精确率和召回率的调和平均。27.B-解析：幻觉指模型生成一本正经胡说八道的内容。28.B-解析：欺诈样本极少导致正负样本比例失调。29.B-解析：联邦学习核心是数据不动模型动。30.A-解析：语义分割只分类别，实例分割区分同一类别的不同个体。31.B-解析：指令微调是适配垂直领域的主要手段。32.B-解析：GPU拥有数千个核心，适合矩阵运算。33.A-解析：SHAP值用于解释模型特征贡献。34.C-解析：时间序列模型捕捉时间上的依赖关系。35.A-解析：BERT仅使用Transformer的Encoder结构。36.B-解析：GPT仅使用Transformer的Decoder结构。37.B-解析：预测性维护旨在预测故障时间。38.C-解析：参数过多导致过拟合，不直接导致偏见。39.B-解析：量化通过降低数值精度来压缩模型。40.B-解析：AIforScience主要解决基础科学领域的复杂计算问题。二、多项选择题41.ABCDE-解析：AI已渗透至各行各业。42.ABCD-解析：这四项是机器学习的主要分类。43.ABCD-解析：深度学习能处理非结构化数据，且需要大量算力和数据。44.ABCD-解析：循环层属于RNN，不是CNN的典型组件（虽然可以结合，但核心是卷、池、全连）。45.ABCDE-解析：这些都是数据治理的重要环节。46.ABCDE-解析：大模型在语言任务上表现卓越。47.ABCDE-解析：这些都是负责任的AI原则。48.ABE-解析：SVM和逻辑回归通常属于监督学习。49.ABCE-解析：预训练模型能加速收敛和提高泛化，但仍有幻觉问题。50.ABCDE-解析：这些都是CV的核心任务。51.ABCDE-解析：强化学习包含这五个核心要素。52.ABCD-解析：这些技术都能提升推理能力。53.ABCD-解析：位置编码对Transformer理解序列顺序至关重要。54.ABCD-解析：EdgeAI支持离线、低延迟、隐私保护。55.ABCDE-解析：准确率、精确率、召回率、F1、AUC都是常用指标。注：原题号重复，此处顺延56.ABCDE-解析：这些都是2026年前沿方向。三、判断题56.正确-解析：图灵测试定义。57.正确-解析：深度指层数多。58.错误-解析：无监督学习不需要不需要标注。59.正确-解析：过拟合定义。60.正确-解析：ReLU在正区间梯度恒为1，缓解消失。61.错误-解析：生成式AI可生成多模态内容。62.正确-解析：BN层作用。63.正确-解析：数据增强定义。64.错误-解析：深度学习模型常被视为黑盒，可解释性较差。65.正确-解析：探索与利用是RL核心问题。66.正确-解析：迁移学习定义。67.正确-解析：YOLO是单阶段，速度快。68.错误-解析：聚类是无监督学习。69.错误-解析：AI会犯错，且存在局限性。70.正确-解析：大模型涌现能力特性。71.正确-解析：冷启动问题定义。72.正确-解析：知识蒸馏定义。73.错误-解析：算法设计目标也会引入歧视。74.正确-解析：5G+AI赋能远程实时应用。75.错误-解析：大脑机制尚未完全解密。四、简答题76.答案：区别：监督学习：训练数据既有特征又有标签（正确答案），目标是学习从输入到输出的映射。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或模式（如聚类）。强化学习：没有固定的训练数据，智能体通过与环境交互（试错），根据奖励或惩罚来调整策略，目标是最大化累积奖励。应用场景：监督学习：垃圾邮件分类、房价预测。无监督学习：客户分群、异常检测。强化学习：围棋游戏、机器人控制。77.答案：定义：梯度消失：在反向传播过程中，梯度越往前层传递越小，趋近于0，导致前层参数几乎不更新，模型无法学习长距离特征。梯度爆炸：梯度在反向传播中变得非常大，导致权重更新幅度极大，模型参数发散，产生NaN。缓解措施：更换激活函数：使用ReLU、LeakyReLU等代替Sigmoid/Tanh。引入归一化层：如BatchNormalization，规范数据分布。梯度裁剪：设定梯度阈值，防止爆炸。残差连接：如ResNet，提供梯度的直传通路。合理的权重初始化：如Xavier初始化或He初始化。78.答案：Zero-shot（零样本）：不给模型任何具体示例，直接通过指令让模型完成任务。依赖模型预训练时学到的广泛知识。Few-shot（少样本）：在Prompt