人工智能基础实践教程 习题及答案 刘伟 第1、2章

第1章习题

1.1随着研究的深入，人工智能的内涵不断发展，当我们说用机器模拟生物智能时，请

分析机器具体包括哪些？生物智能包括哪些？

答：人工智能是指用机器模拟生物智能。其中，机器是由人制造出来的，具体包拈计算

机，以及由计算机控制的软件、硬件或集成系统等；生物智能是人类和某些生物体特有的一

种能力，包括生物个体感知环境，并进行判断、预测和行为决策，以及开展群体合作等能力。

1.2人工智能赋能学科研究在哪些学科领域获得了广泛应用？

答：AIforScience在数学、物理学、生物医学、材料科学等领域取得了一系列突破。

在基础研究中，人工智能通过分析海量文献与实验数据，能够自主提出科学假设并设计验证

路径，推动科学发现从被动验证走向主动探索；在复杂系统研究中，人工智能融合多源多维

数据构建数字季生体，实现物理世界与虚拟空间的实时交互与动态优化。这场由人工智能驱

动的科研范式变革，正推动科学研究从经验试错迈向智能引领，为破解重大科学难题、催生

颠覆性创新开辟了全新路径。例如，在航天领域，AI能帮助火箭自动调整飞行路线：在电

子和光电方面•，它可以快速设计更小更快的芯片或新型传感器；对数学和物理而言，AI能

从大量数据里发现人眼看不到的规律；在化学中，它甚至能预测分子结构，帮助科学家更快

找到新药或新材料。

1.3人工智能实现的主要途径有哪些？

答：从人工智能的演进过程，可以将人工智能的实现途径归纳为三种：一是设计的A1,

二是学习的AL三是进化的AI。

设计的AI是通过“知识符号化”与“方法算法化”为机器赋能。经典算法包括状态空间图

与通用图搜索、形式逻辑与推理、博弈树与极小极大搜索、语义网络与知识图谱等。人为机

器赋能，有多少“人工”就有多少“智能

学习的AI是通过“数据投喂-模型调优”的机器学习为机器赋能。人为机器事先准备好领

域内的数据和设定预设结构和参数的模型，机器通过学习算法不断地优化模型。比如统计学

习、神经网络与深度学习方法等。通过学习赋能，给什么数据就学什么知识，有多大规模的

模型就有多大的能力边界，

进化的AI是通过智能体与环境的交互自主持续学习为机器赋能。比如智能体、具身智

能、强化学习、迁移学习、持续学习等。智能体在开放域通过主动探索生成数据，基于目标

与奖惩不断优化感知、决策与行为。数字分身在虚拟环境中持续学习，虚实个体间的迁移学

习、能力共享和交互迭代实现个体智能的不断进化。

1.4简述人工智能发展历程中的主要时期和代表性技术。

答：按照研究热点的变换，人.L智能从20世纪5()年代至今主要经历了二个时期：20

世纪50年代到60年代中后期的推理期，以符号推理为核心，代表性技术是基于符号表示的

搜索和演绎推理；20世纪60年代后期到80年代中期的知识期，强调知识的作用，代表性

技术是知识工程和专家系统；20世纪80年代后期至今的学习期，以数据驱动为特点，两大

代表性技术是统计学习和基于人工神经网络的连接主义学习。

1.5人工智能三大学派的联系和区别是什么？

答：人工智能的三大学派是符号主义、连接主义和号为主义。三大学派的区别在于：

(1)研究途径不同。符号主义用符号系统模拟人的思维过程和认知过程，核心是符号

演算与机器推理；连接主义根据人脑的生理结构和工作机理来模拟人类智能，核心是人工神

经网络与深度学习；行为主义认为智能取决于感知和行为，推崇控制、自适应与进化计算。

（2）擅长处理的问题不同。符号主义方法擅长处理符号演算和逻辑推理问题；连接主

义方法更适合进行大规模、非结构化的感知信息处理；行为主义方法擅长处理反应式自动控

制问题。

三大学派的联系在于：

（1）具有一定的互补性和兼容性。符号主义方法直接利用人类已有知识进行推理，可

解释性好，但是过于依赖专家知识；而连接主义方法可以从数据自动发现知识，但是可解释

性差，过于依赖数据。发挥符号主义与连接主义的各自优势，可以利用连接主义方法帮助进

行自动知识提取，用于大规模知识图谱构建等，也可以用符号主义方法帮助进行深度学习模

型的解释，通过加入语义约束提高网络对于数据噪声的敏感性。行为主义中基于Agent的研

究方法与符号主义和连接主义有良好的兼容性，其从感知到行动的内部处理机制既可以使用

符号主义方法，又可以使用连接主义方法。

（2）可在实际人工智能系统中共同使用。在人工智能的一些最新应用技术和学科分支

中，已经很难区分其所属学派，如机器学习就兼而使用了三大学派的思想方法。在具体应用

场景中，可以综合运用各个学派的方法以获得更好的性能表现。例如，自动驾驶技术通常涉

及模式识别、图像分割和运动控制，需要综合应用三大学派方法。

1.6当前国际上性能领先的AI大模型是否已经通过图灵测试？

答：1950年,艾伦・图灵（AlanTuring）发表了题为《Computingmachineryandintelligence））

的论文，提出了著名实验“图灵测试”（Turingtest）o在测试者与被测试者（•个人和一台机

器）隔开的情况下，通过一姥装置（如键盘）向被测试者随意提问，在一段规定时间后（如

5分钟）由测试者做出判断，与其对话的是人还是机器。经过多次测试，如果机器让测试者

平均做出超过30%的误判，那么这台机器就通过了测试，并被认为具有智能。图灵测试提

供了•个检验机器是否具有智能的可操作的标准。2025年4月3日，美国加州大学圣地亚

哥分校提供了人工智能系统能够通过标准三方图灵测试的实证证据。该研究选择了四种AI

系统：GPT-4.5、LLaMa-3.1-405B、GPT-4o和ELIZA<,实验设计为每轮对话中，裁判与两

个人类和一个AI系统进行对话，以判断何者为人类。其中，GPT-4.5被判断为人类的比例

高达73%,显著高于真实人类参与者被选中的比例。

1.7目前中美人工智能发展有没有明显差距？

答：当前中美人工智能发展的差距已从“数年代差”缩小至“逐月竞争双方在技术路径

和优势上各有所长，整体呈现美国强基础、中国强应用格局。中国优势体现在工程优化与商

业落地。面对芯片限制，中国通过算法创新大幅降低成本，如DccpScckV3训练费用不到

600万美元，仅为美国的十分之一。同时，庞大的市场为AI提供了丰富应用场景，推动技

术快速迭代。2026年初，中国大模型的周调用量已超越美国，且主要由美国开发者贡献。

美国优势则在「基础研究与硬件底座。美国掌握全球约90%的高端AI芯片市场，算力基础

设施规模超中国一到两个数量级。同时，Transformer等颠覆性基础创新均诞生于美国，其

在顶尖人才和原始创新上仍具领先地位。

1.8相比人类智能，现阶段人工智能有哪些局限性？

答：人类智能的特点是：人类智能具有独有的逻辑和思考能力；人类智能的能力范围较

广，经过一定时间的训练能掌握多种技能；人类智能可处理不确定的、偏主观的问题，在工

作过程中可根据需要改变要实现的目标：可预测与之前完全不同的、预想不到的事态，具有

想象力和创造性。

人工智能需要明确的目标设定，其任务环境通常是已知的或可观测的，行动规则较为明

确。人工智能从已有知识和规则出发进行推理，或者从数据中学习规律并建立预测模型，它

无法预测从未出现的新情况，也难以创造出过去从未存在过的事物。因此，人工智能系统很

难完成需要创造性思维、多方协调与快速响应能力的复杂任务。在鲁棒性、迁移性、能效比、

自适应和可解释性方面，人工智能与人类智能相比还存在较大差距。

第2章习题

2.1请简述Python中for、while、if、def、return的用法。

答：for：对序列、可迭代对象中的元素进行迭代（或者遍历可迭代对象，适合明确次

数的循环）：

while：当表达式为真时重复执行（条件为真时循环，适合次数不确定）；

if：有条件地执行逻辑代码；

def：定义函数;

return：返回数据并结束函数。

2.2请使用NumPy库创建一个5x5的随机整数矩阵，数值范围为1到100,然后计算

该矩阵的行均值、列均值和整体均值。

答：代码如下。

importnumpyasnp

#创建随机矩阵

np.random.seed(42)

matrix=np.random.randint(1,101,size=(5,5))

print("原始矩阵：\n",matrix)

#计算均值

row_mean=np.mean(matrix,axis=l)

col_mean=np.mean(matrix,axis=0)

total_mcan=np.mcan(matrix)

print("行均值："，row_mean)

print("列均值：",col_mean)

print。'整体均值:",totalmean)

运行结果如卜

原始矩阵:

[[5293157261]

[2183877575]

[88KX)24322]

[532883038J

[264602133]]

彳亍均值：[58.668.247.442.236.]

列均值：[43.268.454.840.245.8]

整体均值：50.48

2.3请使用Pandas库读取scores.csv文件内数据（学生成绩表），并计算每个学生的总

分和平均分。scores.csv文件内数据如下：

姓语数英

名文学语

张89

78

52

李87

95

四86

王98

85

五28

赵78

90

六85

答：示例代码如下。

importpandasaspd

df=pd.read_csv（"scores.csv"）

dfT总分”]=df[”语文]+df[“数学”]+df「英语”]

df[“平均分"]=dfT总分"]/3

#输出：方式一拼接

print（F总分：\n{dfT总分R\n平均分：\n{dfT平均分R"）

#或者：方式二直接输出

print（df["总分”]）

prim（dfT平均分”]）

运行结果：

方式一：

总分：

0255

1259

2265

3253

Name:总分，diype:ini64

平均分:

085.00000()

186.333333

288.333333

384.333333

Name:平均分,dtype:Aoat64

方式二：

0255

1259

2265

3253

Name:总分，dtypc:int64

085.000000

186.333333

288.333333

384.333333

Name:平均分，dtype:float64

2.4请使用Matplotlib库绘制正弦函数y=sin(x)和余弦函数y=cos(x)在区间［0,2元］上的曲

线。要求：使用不同颜色和线型，添加图例和标题，设置x轴和y轴标签。

答：示例代码如下。

importnumpyasnp

importmatplotlib.pyplotaspit

x=np,linspace(0.2*np.pi,100)

y_sin=np.sin(x)

y_cos=np.cos(x)

plt.plot(x,y_sin,'r-',label='sin(x),)#设置颜色为红色，实线

plt.plot(x,y_cos,'b-',label='cos(x),)#设置颜色为蓝色，虚线

pll.xlabelCx')#设置x轴标签

plt.ylahel('y')#设置y轴标签

plt.titlcfSincandCosineCurves')#设置标题

plt.legend()#设置为图例

plt.show()

运行结果如下图所示,

2.5请使用NumPy库中的函数对二维数组arr进行按行求和及按列求平均值。其中数

组an定义为air=np.airay([[l,2,3J,[4,5,6],[7,8,9]])o

答：示例代码如下。

importnumpyasnp

arr=np.array([[l,2,3],[4,5,6],[7,8,9]])

np.sum(arr,axis=0)#为按行求和方法

np.niean(arr,axis=l)#为按列求平均值方法

或者：

inipurtnumpyasnp

arr=np.array([[l,2,3],[4,5,6],[7,8,9]])

arr.sum(O)#为按行求和方法

arr.m