2026年人工智能基础与应用知识普及试卷及答案

2026年人工智能基础与应用知识普及试卷及答案1.单项选择题（每题1分，共20分）1.1在深度学习中，用于防止过拟合且会在训练阶段随机将部分神经元输出置零的技术是A.Dropout B.BatchNormalization C.L1正则化 D.早停法答案：A1.2下列关于Transformer架构的描述，正确的是A.仅使用卷积操作提取特征 B.完全舍弃了位置编码 C.解码器在训练阶段可以并行计算 D.编码器与解码器均使用自注意力机制答案：D1.3联邦学习的核心安全目标是A.降低通信开销 B.保护数据隐私 C.提高模型精度 D.减少参数量答案：B1.4在强化学习中，Q-learning更新公式中的α通常指A.折扣因子 B.学习率 C.探索率 D.奖励衰减系数答案：B1.5下列哪种激活函数在x=0处不可导A.Sigmoid B.Tanh C.ReLU D.LeakyReLU答案：C1.6在目标检测任务中，YOLOv8相较于YOLOv5的主要改进之一是A.引入FPN B.采用Anchor-Free检测头 C.使用Soft-NMS D.移除数据增强答案：B1.7若某卷积层输入尺寸为224×224×3，卷积核尺寸为3×3，步长为2，填充为1，输出通道数为64，则输出特征图尺寸为A.112×112×64 B.113×113×64 C.111×111×64 D.110×110×64答案：A1.8在Python中使用PyTorch时，tensor.backward()的作用是A.清空梯度 B.反向传播计算梯度 C.更新权重 D.冻结网络答案：B1.9下列关于GPT-4的说法，符合公开技术报告的是A.采用纯编码器结构 B.最大上下文长度为2ktokens C.使用MoE稀疏结构 D.仅支持英文答案：C1.10在模型压缩技术中，知识蒸馏的损失函数通常包含A.仅硬标签交叉熵 B.仅软标签KL散度 C.硬标签与软标签的加权和 D.L2正则化答案：C1.11下列哪项不是AIGC（生成式AI）的典型应用A.文本到图像生成 B.蛋白质结构预测 C.实时股票撮合 D.代码自动补全答案：C1.12在DiffusionModels中，前向过程的主要作用是A.最大化似然 B.逐步添加噪声 C.学习去噪网络 D.优化VAE编码器答案：B1.13若某模型在ImageNet上的Top-1准确率为85.3%，则其错误率为A.14.7% B.85.3% C.100%–85.3%×2 D.无法确定答案：A1.14在自动驾驶感知系统中，激光雷达点云常用的体素化表示是为了A.增加分辨率 B.降低计算量 C.提高反射强度 D.消除运动模糊答案：B1.15下列关于AI伦理原则《欧盟AI法案》的说法，正确的是A.禁止所有生物识别系统 B.高风险系统需通过CE认证 C.对开源模型豁免全部义务 D.仅适用于欧盟企业答案：B1.16在联邦平均算法(FedAvg)中，服务器端聚合权重通常与哪项成正比A.客户端损失值 B.客户端数据量 C.客户端延迟 D.客户端算力答案：B1.17若某GAN训练出现模式崩塌(modecollapse)，可尝试的缓解策略是A.减小生成器学习率 B.使用Wasserstein损失 C.增加批大小 D.移除判别器答案：B1.18在NLP任务中，子词(tokenization)算法BPE的第一步是A.构建词汇频率表 B.训练Transformer C.应用动态规划 D.计算TF-IDF答案：A1.19下列关于国产AI芯片“昇腾910B”的描述，官方公开信息提到其算力为A.256TFLOPS(FP16)B.320TFLOPS(FP16)C.512TFLOPS(FP16)D.680TFLOPS(FP16)答案：B1.20在Python中，使用torch.cuda.amp自动混合精度训练时，需调用的上下文管理器是A.torch.no_grad() B.torch.cuda.amp.autocast C.torch.enable_grad() D.torch.jit.trace答案：B2.多项选择题（每题2分，共20分，多选少选均不得分）2.1下列属于无监督学习任务的有A.K-means聚类 B.自编码器降维 C.生成对抗网络 D.逻辑回归答案：ABC2.2关于VisionTransformer(ViT)，正确的有A.将图像分块为patches B.完全舍弃卷积操作 C.使用可学习的位置编码 D.在小数据集上通常优于CNN答案：ABC2.3以下措施可缓解深度网络梯度消失的有A.残差连接 B.使用ReLU C.合适的权重初始化 D.增加池化层答案：ABC2.4在LLM推理加速中，可行的KV-Cache优化包括A.窗口缓存淘汰 B.低比特量化 C.并行解码 D.动态批处理答案：ABCD2.5下列属于AI安全对抗攻击手段的有A.FGSM B.PGD C.Backdoor触发器 D.梯度裁剪答案：ABC2.6关于国产大模型“文心一言”，公开资料提到的能力有A.多模态理解 B.插件系统 C.支持API调用 D.单模态仅文本答案：ABC2.7在推荐系统中，用于解决冷启动问题的策略有A.利用用户注册信息 B.迁移学习 C.探索-利用平衡 D.增加L2正则答案：ABC2.8下列属于可解释AI(XAI)方法的有A.LIME B.SHAP C.Grad-CAM D.Dropout答案：ABC2.9在Diffusion模型采样阶段，可加速的技术有A.DDIM B.DPM-Solver C.隐空间扩散 D.增加扩散步数答案：ABC2.10关于AIforScience的应用，已见诸顶级期刊的案例有A.AlphaFold2预测蛋白质结构 B.DeepMind控制核聚变等离子体 C.神经网络求解偏微分方程 D.GAN生成艺术画作答案：ABC3.填空题（每空2分，共20分）3.1在卷积神经网络中，感受野(ReceptiveField)是指________到输出特征图中一个像素对应的输入图像区域大小。答案：输入图像3.2若学习率设为0.001，使用Adam优化器时，其二阶矩估计的衰减系数β2默认取________。答案：0.9993.3GPT系列模型采用的位置编码公式中，对于位置pos与维度i，正弦函数的频率分母为________。答案：10000^(2i/d)3.4在联邦学习中，客户端上传的模型梯度可能泄露隐私，常用的保护机制除同态加密外还有________。答案：差分隐私3.5ImageNet数据集包含大约________张带标签的高分辨率图像。答案：1.28×10^73.6在PyTorch中，若需冻结某层参数，应设置该层参数的requires_grad属性为________。答案：False3.7YOLOv8的损失函数中，分类分支通常采用________损失。答案：BCE（二元交叉熵）3.8在强化学习中，满足Bellman最优方程的策略称为________策略。答案：最优3.9若某模型参数量为7B，使用FP16存储，则理论显存占用约为________GB。答案：143.10在AIGC领域，StableDiffusionv2.1默认的隐空间维度为________。答案：44.判断题（每题1分，共10分，正确写“T”，错误写“F”）4.1在Transformer中，自注意力机制的复杂度与序列长度呈线性关系。答案：F4.2使用混合精度训练一定导致模型精度下降。答案：F4.3ResNet的残差连接可以加速深层网络的收敛。答案：T4.4联邦学习允许数据不出本地即可完成联合建模。答案：T4.5GAN的判别器损失越小，生成器性能一定越好。答案：F4.6在Python中，NumPy数组默认使用GPU加速。答案：F4.7扩散模型的反向过程是一个马尔可夫链。答案：T4.8使用LoRA微调大模型时，可训练参数量通常低于原模型的10%。答案：T4.9在CV领域，数据增强仅适用于训练阶段，推理阶段绝不使用。答案：T4.10目前公开法规要求所有AI系统都必须可解释。答案：F5.简答题（封闭型，每题6分，共18分）5.1简述BatchNormalization在训练与推理阶段的不同行为，并说明原因。答案：训练阶段，BN使用当前批的均值和方差进行标准化，同时通过移动平均更新全局均值与方差；推理阶段，BN使用训练阶段累积的全局均值与方差，以保证单样本或小子集也能获得稳定输出，避免批间差异导致推理波动。5.2列举三种主流的大模型参数高效微调方法，并指出各自核心思想。答案：(1)LoRA：在原始权重旁引入低秩可训练矩阵，冻结原权重；(2)AdaLoRA：动态调整LoRA秩，资源自适应；(3)PromptTuning：仅训练连续提示向量，保持模型主体不变。5.3说明梯度爆炸在RNN中的成因，并给出两种常用解决方案。答案：成因：反向传播时时间步上的雅可比矩阵连乘导致梯度呈指数增长。方案：(1)梯度裁剪，限制梯度范数上限；(2)使用LSTM或GRU等门控机制，缓解长期依赖带来的梯度指数放大。6.简答题（开放型，每题8分，共16分）6.1结合实例论述Diffusion模型在文本到图像生成中如何平衡生成质量与采样速度，并指出两种加速策略的优缺点。答案：以StableDiffusion为例，质量与速度的矛盾体现在扩散步数与噪声调度。DDIM加速：将随机采样改为确定性，步数减至50步以内，优点为速度快、可逆，缺点为多样性下降；DPM-Solver：利用高阶ODE求解器，在20步内逼近1000步质量，优点为质量高、速度极快，缺点为实现复杂、需调参。实际部署常结合VAE隐空间压缩与TensorRT优化，在A100上单张512×512图像生成时间可降至0.4s，FID保持<10。6.2针对医疗影像AI落地，讨论数据隐私、模型可解释性与法规合规三者之间的冲突与协同，并提出一条可行的技术-治理融合路径。答案：冲突：隐私保护（联邦学习、差分隐私）降低数据可用性，影响精度；可解释性（如Grad-CAM）可能泄露病灶细节，与隐私冲突；法规（GDPR、HIPAA）要求可审计，却增加技术复杂度。协同：采用隐私计算+可解释后处理，如联邦训练后，在服务端使用SHAP生成全局解释模板，客户端仅获得加密后的特征贡献图；技术-治理融合路径：1.建立多中心联邦联盟链，记录模型版本与审计日志；2.引入第三方合规节点，运行同态加密下的可解释模块；3.制定动态知情同意机制，患者可随时撤销数据使用权；4.通过监管沙盒试点，逐步放宽可解释粒度，实现精度-隐私-合规三角平衡。7.应用题（综合类，共56分）7.1计算题（10分）已知某Transformer模型隐藏维度d=512，序列长度n=1024，批大小b=32，注意力头数h=8，前馈层维度4d。计算一次完整Self-Attention层的参数总量与峰值激活显存（FP16），并给出公式推导。答案：参数：WQ,WK,WV∈R^(d×d)，WO∈R^(d×d)，共4d²=4×512²=1.05×10^6；FeedForward：W1∈R^(d×4d)，W2∈R^(4d×d)，共8d²=2.10×10^6；总计：1.05×10^6+2.10×10^6=3.15×10^6。激活：Q/K/V：(b×n×d)×3=32×1024×512×3=50.33×10^6；AttentionScore：(b×h×n×n)=32×8×1024×1024=268.44×10^6；Out投影输入：(b×n×d)=16.78×10^6；FFN中间：(b×n×4d)=67.11×10^6；峰值总和≈402.66×10^6×2Byte(FP16)≈805MB。7.2分析题（12分）某电商公司使用双塔召回模型，用户塔特征含稀疏ID与密集统计特征，商品塔仅含商品ID。上线后发现新商品冷启动召回率极低。请分析原因并提出三项改进方案，要求给出数据与模型层面的具体措施。答案：原因：商品塔仅依赖ID，新商品ID嵌入未充分训练，导致向量远离用户兴趣分布。改进：1.数据层面：引入商品文本、图像多模态内容特征，使用预训练CLIP文本编码器，固定权重输入商品塔；2.模型层面：采用Meta-TransferLearning，先在大规模公开商品语料上预训练商品塔，再在小数据上微调；3.训练策略：引入温度调节的对比学习，对新商品样本放大温度系数τ=0.1，增强梯度更新；离线实验显示新商品召回率由11.2%提升至27.8%，线上A/B测试CTR提升+3.4%。7.3设计题（14分）设计一个边缘-云协同的实时工业缺陷检测系统，要求：1.边缘延迟<50ms；2.云端可更新模型；3.网络断连时边缘可独立运行。给出系统架构图文字描述、模型轻量化方案、更新机制与故障降级策略。答案：架构：边缘侧为NVIDIAJetsonOrinNano，运行轻量化YOLOv8-nano(1.2M参数)+TensorRTFP16，摄像头通过GMSL2接入；云端为K8s集群，存储全量YOLOv8-x模型与自动标注平台；模型轻量化：使用量化感知训练将权重压缩至INT8，激活采用KL校准，mAP下降<0.5%；更新机制：云端生成OTA差分包（仅含权重差异<200kB），通过MQTT下发，边缘使用双分区A/B安全启动，下载完成后CRC校验，重启切换；故障降级：若连续3次推理置信度<0.3，触发边缘规则引擎（传统OpenCV模板匹配），同时上报云端标注请求，网络恢复后自动回传可疑帧，实现闭环迭代。7.4综合题（20分）某市计划部署城市级大模型服务平台，支持政务问答、交通预测、应急指挥三大场景，并发峰值10万请求/秒，平均响应<500ms，预算约束下GPU卡