2026年人工智能概论试题及答案

2026年人工智能概论试题及答案1.单项选择题（每题2分，共20分）1.1在深度学习中，ReLU激活函数相对于Sigmoid的主要优势是A.输出范围更宽B.计算导数时不会出现梯度消失C.输出以0为中心D.可导性在整个定义域内成立答案：B1.2下列哪一项不是强化学习的基本要素A.策略B.奖励C.损失函数D.环境答案：C1.3在卷积神经网络中，使用1×1卷积核的主要目的是A.增大感受野B.降低计算量并实现跨通道信息整合C.提高图像分辨率D.抑制过拟合答案：B1.4关于Transformer的位置编码，下列说法正确的是A.可训练参数与序列长度无关B.采用绝对正弦余弦函数编码C.仅在解码器端使用D.完全替代了注意力机制答案：B1.5在联邦学习中，中央服务器聚合本地模型时最常用的算法是A.FedAvgB.SGDC.AdamD.MapReduce答案：A1.6下列哪种方法最适合处理小样本图像分类任务A.线性回归B.模型无关元学习（MAML）C.批量归一化D.Dropout答案：B1.7在生成对抗网络中，判别器的损失函数通常采用A.交叉熵B.均方误差C.对抗损失（负对数似然）D.Huber损失答案：C1.8关于LSTM，下列说法错误的是A.包含输入门、遗忘门和输出门B.梯度流通过细胞状态传递C.无法解决梯度爆炸问题D.比标准RNN更擅长捕捉长距离依赖答案：C1.9在自动驾驶感知系统中，激光雷达点云常用的体素化表示主要是为了A.提高颜色分辨率B.将不规则数据转换为规则三维网格C.降低时间同步精度要求D.减少IMU噪声答案：B1.10关于AI伦理，欧盟《人工智能法案》将实时生物识别系统划分为A.最小风险B.有限风险C.高风险D.禁止类答案：D2.多项选择题（每题3分，共15分；多选少选均不得分）2.1以下哪些技术可用于缓解深度网络过拟合A.数据增强B.早停C.权重衰减D.增加网络深度答案：A、B、C2.2关于自监督学习，正确的描述包括A.无需人工标注B.预训练任务由数据自身属性生成C.下游任务性能通常优于纯监督学习D.对比学习是其代表性范式之一答案：A、B、D2.3在AlphaGoZero中，以下哪些组件被联合训练A.策略网络B.价值网络C.蒙特卡洛树搜索D.特征工程规则库答案：A、B、C2.4下列属于可解释AI（XAI）方法的有A.LIMEB.SHAPC.Grad-CAMD.BatchNorm答案：A、B、C2.5关于DiffusionModel，下列说法正确的有A.前向过程为固定马尔可夫链B.反向过程通过神经网络学习C.训练目标为最大化证据下界（ELBO）D.采样过程可并行一步完成答案：A、B、C3.填空题（每空2分，共20分）3.1在注意力机制中，Query与Key进行________运算后再经过Softmax得到权重。答案：缩放点积3.2强化学习中，满足________方程的策略称为最优策略。答案：贝尔曼最优3.3当学习率过大时，随机梯度下降会在最小值附近________而无法收敛。答案：震荡3.4在联邦学习中，上传________而非原始数据可保护用户隐私。答案：模型参数/梯度3.5神经架构搜索（NAS）中，________网络通过共享权重降低搜索成本。答案：超网/权重共享3.6使用________损失可使目标检测模型在存在大量简单负样本时更关注难例。答案：Focal3.7在VisionTransformer中，图像块线性投影后的向量维度称为________尺寸。答案：嵌入/embedding3.8深度强化学习的样本效率低，常采用________回放机制重复利用历史数据。答案：经验3.9生成模型中，________散度用于衡量生成分布与真实分布的差异。答案：KL3.102016年，OpenAI推出的________平台首次让大规模强化学习实验走向云端。答案：Universe4.判断题（每题1分，共10分；正确写“T”，错误写“F”）4.1批量归一化层在训练和测试阶段使用相同的均值和方差。答案：F4.2残差连接使得非常深的网络训练成为可能。答案：T4.3模型压缩中的知识蒸馏只能用于相同架构的师生网络。答案：F4.4图神经网络的消息传递机制与卷积神经网络的权重共享思想类似。答案：T4.5在模仿学习中，专家数据质量越高，策略性能上限越高。答案：T4.6VAE的编码器输出的是潜在变量的确定值而非分布。答案：F4.7使用混合精度训练可加速GPU计算并减少显存占用。答案：T4.8深度Q网络（DQN）直接输出动作概率分布。答案：F4.9在公平性研究中，EqualizedOdds指标同时考虑真正率和假正率。答案：T4.10自注意力机制的计算复杂度与序列长度呈线性关系。答案：F5.简答题（封闭型，每题6分，共18分）5.1简述梯度消失与梯度爆炸的产生原因，并各给出一个缓解方法。答案：梯度消失：深层网络链式求导导致小于1的因子连乘，使梯度指数级减小；可用ReLU、残差连接缓解。梯度爆炸：大于1的因子连乘使梯度指数级增大；可用梯度裁剪、权重初始化缓解。5.2说明Transformer中多头注意力的计算流程及其作用。答案：将Query、Key、Value线性投影h次，得到h组低维向量；每组独立计算缩放点积注意力；将h组输出拼接再线性变换。作用：允许模型在不同子空间并行捕捉多种依赖关系，提升表达能力。5.3列举联邦学习面临的三种主要安全威胁并给出对应防御思路。答案：1.模型投毒：服务器采用鲁棒聚合如Median、TrimmedMean。2.成员推理：添加噪声或采用差分隐私。3.梯度泄露：使用安全多方计算或同态加密。6.简答题（开放型，每题8分，共16分）6.1大语言模型涌现能力（EmergentAbility）引发“唯扩展论”争议。请结合具体实验或论文，陈述支持方与反对方的各两条核心论据，并给出你的观点。答案：支持方：1.GPT-3、PaLM等实验显示参数过百亿后下游任务性能突增，出现Few-shotCoT推理。2.Kaplan2020提出幂律关系，预测更大模型将解锁更多能力。反对方：1.2023年Stanford论文指出部分“涌现”源于评价指标非线性或数据污染，换平滑指标后能力连续。2.反缩放任务（InverseScaling）显示某些伦理任务性能随规模下降。观点：扩展带来统计优势，但真正的“理解”需结合符号、因果与对齐技术，单一扩展无法通向通用人工智能。6.2DiffusionModel在图像生成上已超越GAN。请从训练稳定性、模式覆盖、采样速度、可控性四个维度对比二者优劣，并预测未来两年内工业界落地趋势。答案：训练稳定性：Diffusion前向过程固定无对抗，训练易收敛；GAN需小心平衡判别器与生成器。模式覆盖：Diffusion似然建模覆盖所有模式，GAN易崩溃丢失模式。采样速度：Diffusion需百步迭代，GAN单步生成更快。可控性：Diffusion可通过条件引导精确编辑，GAN需额外编码器。趋势：Diffusion将主导高保真内容创作，但实时场景催生蒸馏或一步模型；GAN仍用于低延迟边缘设备，二者融合（如Diffusion-GAN混合）或成新热点。7.应用题（计算类，共15分）7.1给定一个三分类问题，softmax输出为[0.5,0.3,0.2]，真实标签为第2类（one-hot编码[0,1,0]）。（1）计算交叉熵损失（ln取自然对数）。（3分）（2）若使用标签平滑ε=0.1，求新标签分布与修正后的损失。（4分）（3）推导softmax关于第二层线性输入z的梯度表达式，并计算本例中z=[1.0,0.5,0.2]时梯度向量。（8分）答案：（1）L=−ln(0.3)=1.2040（2）新标签=[0.05,0.9,0.05]，L=−0.9×ln(0.3)−0.05×ln(0.5)−0.05×ln(0.2)=0.9×1.2040+0.05×0.6931+0.05×1.6094=1.1561（3）梯度=预测−目标=[0.5,0.3,0.2]−[0,1,0]=[0.5,−0.7,0.2]8.应用题（分析类，共16分）8.1某城市部署人脸识别门禁，训练数据80%来自中青年群体，20%来自老年群体。测试发现老年群体误识率FAR=5%，中青年FAR=0.5%。（1）指出该现象的专业术语并分析产生原因。（4分）（2）从数据、模型、后处理三个角度提出改进方案。（6分）（3）若法规要求FAR≤0.1%且对任何年龄组差异≤0.05%，请给出量化评估指标与统计检验方法。（6分）答案：（1）术语：算法偏见/公平性差异；原因：训练数据分布不均衡，模型对老年特征欠拟合，决策阈值统一。（2）数据：收集平衡老龄数据，使用数据增强与重采样。模型：引入公平性约束，如EqualizedOdds正则项，或多任务学习共享年龄无关特征。后处理：对老年组单独校准阈值，使FAR平等。（3）指标：组间FAR差异Δ=FAR_old−FAR_young；检验：使用Bootstrap1000次重采样计算Δ的95%置信区间，若上限>0.05%则拒绝公平性假设；或采用Two-proportionz-test，p<0.05视为显著差异。9.应用题（综合类，共20分）9.1设计一个基于边缘计算的老人跌倒检测系统。要求：a.在资源受限的嵌入式GPU（算力1TOPS，内存2GB）上运行；b.检测延迟<200ms；c.隐私数据不出家庭局域网；d.支持后续在线增量学习。任务：（1）给出传感器选型与数据模态，并说明理由。（4分）（2）设计轻量化模型架构，说明参数量、计算量、推理延迟估算过程。（6分）（3）阐述本地增量学习策略，包括灾难遗忘避免、隐私保护机制。（5分）（4）提出系统级评估指标与测试场景，给出接受标准。（5分）答案：（1）选型：毫米波雷达+IMU。理由：雷达无需拍摄图像，隐私友好；对光照、衣物遮挡鲁棒；IMU提供加速度、角速度，互补判断跌倒姿态。（2）架构：1D-CNN+轻量GRU混合。输入：雷达点云微多普勒谱图64×32×1，IMU6轴200Hz×2s→2400×6。CNN部分：3层可分离卷积，通道32-64-128，核5×5/3×3，后接全局平均池化；GRU部分：隐藏单元64，单层；分类头：全连接32→2（跌倒/正常）。参数量：CNN0.18M，GRU0.05M，全连接0.002M，总计≈0.23M。计算量：CNN45MMAC+GRU15MMAC=60MMAC，1TOPS≈1000MMAC/s，理论延迟60ms，加前后处理<100ms，满足<200ms。（3）增量策略：采用回放buffer保