人工智能导论-技术、应用及伦理 习题答案 倪波

23321第1章人工智能概况：智能时代的必修课一、选择题1、D2、B3、C4、C5、B二、填空题1、弱（专用）2、安全性（隐私保护、鲁棒性均可，标准答案优先填：安全性）3、服务实体经济（产业落地、应用实践）4、连接主义5、数据、算法、算力（顺序可互换）三、场景题（参考）第1题智慧农业的“新农具”（1）对应人工智能三要素数据：无人机、卫星拍摄的作物影像，土壤传感器采集的湿度、养分等环境数据，是AI运行的基础。算法：作物长势分析算法、土壤湿度判断算法、自动灌溉控制算法、AI育种筛选算法，依靠算法实现数据分析与决策。算力：手机APP、后台服务器、智能设备承载数据运算、图像解析、模型计算，为系统运行提供算力支撑。（2）如何解决传统“看天、摸土”的经验问题传统农业依靠农户个人经验、肉眼观察、手工触摸判断作物与土壤状况，主观性强、误差大、效率低。智慧农业系统依靠实时、量化的客观数据替代主观经验，通过AI算法自动分析环境与作物状态，精准判断灌溉需求、筛选良种，做到数据驱动、精准预判、自动执行，摆脱了对个人务农经验的依赖，让农业生产更科学、高效。第2题医院里的“第二双眼睛”（1）属于弱人工智能理由该AI系统仅专注于医学影像识别、文献检索这两类特定任务，只能完成专项辅助工作，不具备通用认知、自主思考、跨领域解决复杂问题的能力，也没有自我意识，符合弱人工智能（专用人工智能）的特征，因此不属于强人工智能。（2）医疗领域AI与人类医生的关系二者是辅助协作、优势互补的关系，而非替代关系。AI的可为：擅长海量影像筛查、快速检索文献、数据统计、重复化标准化工作，提升诊断效率、减少人为疏漏。AI的不可为：无法理解复杂病情、缺乏临床经验、不能完成伦理判断、人文关怀、综合诊疗决策。总结：AI是医生的辅助工具，负责初筛、检索、数据处理；人类医生凭借专业经验、临床判断、人文素养做出最终诊断、治疗方案与医患沟通，人机配合提升医疗质量。四、思考题（通用答题参考模板）1.本专业会出现的AI助手未来十年，行业内会出现专业智能工具类AI、办公辅助AI、数据分析AI、内容创作/设计AI、流程管理AI等。例如：智能资料检索助手、自动化数据处理工具、专业文案/图纸/代码辅助生成器、会议纪要与方案梳理助手、智能学习答疑助手等。AI会替代的工作主要替代重复性高、流程标准化、机械性、低创意、低决策的工作：基础数据录入、整理、统计与报表制作；简单文案撰写、格式排版、常规资料搜集检索；标准化流程操作、基础模板生成、简单重复的事务性工作。3.需要培养、AI无法替代的核心能力（结合AI三大不擅长）原创创新能力：AI难以产生真正的原创思维、突破性创意与个性化方案，要培养独立构思、创新设计的能力。情感沟通与人本思维：AI不具备共情、人文关怀、复杂人际交往能力，需提升沟通协作、团队管理、情绪感知能力。综合判断与伦理决策能力：AI只能基于数据输出结果，无法结合复杂场景、道德、风险、价值做出综合判断，要锻炼独立思考、深度分析、临场应变与价值抉择能力。终身学习与自主规划能力：主动更新知识、规划职业发展，持续适应行业变化。

第2章生成式大模型：内容生成的技术引擎 一、选择题1、C2、B3、C4、C5、B二、填空题1、训练2、自然语言需求/想法3、视频4、预训练5、交叉验证/事实核查三、场景题第1题课程论文的“AI助手”1）提示词对应模板第一步：使用大纲/框架生成模板，用来梳理文章整体结构与核心内容。第二步：使用文本润色与逻辑检查模板，优化语句表达、排查逻辑问题。2）存在风险与规避措施风险：大模型存在生成虚假数据、编造信息的问题，直接引用未核验的数据，会造成论文内容失真，同时违背学术诚信要求。规避措施：遇到数据、观点、文献类内容，先向AI追问信息出处，再前往官方平台、学术数据库、正规书籍等权威渠道逐一核对，确认内容真实准确后再使用。第2题社团活动的“策划帮手”参考提示词本次需要创作校园科技节宣传标语与海报创意，面向全体在校大学生，内容积极正向、紧扣科技主题；整体风格青春活泼、简约潮流，贴合校园氛围；请产出6条宣传标语、4组不同的海报创意构思，内容描述清晰易懂。开启新一轮对话，明确指出现存问题，补充具体要求和参考方向。可以这样表述：本次的宣传标语效果不错，但海报创意脱离日常校园场景，不够接地气。请结合课堂学习、科创比赛、社团实践、实验室探索等大学生真实生活场景重新设计，保留青春活力的风格，保证创意简单易落地，重新输出方案。后续可根据返回结果继续补充细节，反复调整直至达到要求。四、思考题（参考）1）个人AI使用原则结合便利性与可持续性，区分使用场景，合理节制使用：坚决不用AI的场景：独立思考类作业、闭卷练习、个人原创写作、考试作答、需要深度思辨和原创观点的任务，依靠自身能力完成，锻炼思维。谨慎有限使用AI的场景：论文写作、课题研究，仅用来梳理框架、搜集素材、润色语句，所有数据、观点、核心内容自主完成并逐一核查。放心使用AI的场景：资料检索、格式排版、基础翻译、会议纪要整理、简单文案初稿、创意头脑风暴等重复性、辅助性工作，高效节约时间。额外原则：非必要不频繁进行无意义闲聊、反复生成图片/视频等高能耗操作，减少资源浪费。2）“绿色AI”三条可操作建议精简提问，减少交互：组织好完整需求再提问，不拆分问题反复追问、不随意发送无效指令，降低模型调用次数。按需使用，杜绝浪费：不频繁批量生成图片、视频、长文本等高能耗内容，不用AI做无意义娱乐创作。优先人工，合理替代：简单抄写、整理、计算等基础工作，能手动完成就不依赖AI；仅在复杂检索、辅助分析等场景使用AI，做到物尽其用。

第3章低代码开发智能体：人人皆可开发的AI应用一、单选题1、B2、B3、C4、B5、B二、填空题1、感知、思考（决策）、行动、学习（反馈）2、降低开发门槛3、多模态数据4、节点5、三、场景分析题第1题企业客服智能体1）需要感知模块、决策模块、行动模块、知识库模块、反馈模块。最重要的是决策模块。用户提问内容繁杂，需要依靠该模块识别问题类型、匹配对应答案、区分咨询、售后、查单等不同业务场景，直接决定客服应答是否准确有效。2）可调用问答检索工具、订单查询接口、流程指引工具。知识库存放产品使用说明、操作教程、售后政策、退换货流程、订单查询规则以及日常高频问题和标准回复内容第2题PPT创作助手智能体选择Coze（扣子）平台。该平台主打低代码可视化操作，不用编写复杂代码，自带丰富插件与工作流配置功能，个人和学生使用门槛低，能够快速搭建内容创作类智能体。核心测试场景根据主题生成PPT整体大纲、撰写页面正文内容、给出版式搭配建议、提供图文排版思路。常见问题：生成内容偏离主题、文字冗余不符合PPT精简要求、大纲逻辑混乱。优化方式：在配置中限定内容风格与字数要求，增加逻辑校验环节，搭配排版类插件规范输出样式。四、实操思考题1.文档整理智能体新增多语言摘要功能需要添加文档解析插件、文本摘要插件、多语言翻译插件。配置逻辑：先通过解析插件读取文档完整内容，再调用摘要插件提炼文档核心信息，最后根据用户选择的语种完成翻译，整合所有内容后统一输出结果。2.新员工入职引导智能体（HR视角）1）需要收集的数据/特征员工姓名、部门、岗位、入职日期、考勤规则、组织架构、岗位职责、办公地点、权限账号、规章制度、培训安排、福利政策等。2）智能体输出内容入职流程指引、办公软件使用说明、部门介绍、考勤与薪酬答疑、培训通知、常见问题解答。3）智能体类型问答服务类/流程引导类专用智能体。五、论述题（参考）低代码开发大幅降低了应用开发的技术门槛，就算没有深厚的编程基础，普通学生也能动手实践，把课堂上学到的人工智能知识落地。在使用平台搭建智能体的过程中，还能锻炼逻辑梳理、需求拆解、问题排查的能力，丰富个人实践经历，也能激发创新想法。同时，我们可以借助低代码工具解决学习、社团活动里的实际问题，做到学以致用。我希望开发一款校园自习室查询智能体。平时课余想找自习座位时，经常出现跑空、不清楚场馆开放时间的情况。这款智能体可以实时同步各教学楼、图书馆的座位空余情况、开放时段，还能根据学生位置推荐就近自习地点，切实解决大家找座位难的问题，服务全体在校师生。

第4章机器学习：让机器学会“思考”一、选择题1、C解析：训练集用于训练、调参；验证集辅助调优；测试集全程不参与训练调参，仅做最终评估。训练集占比远高于10%~15%。2、C解析：F1分数综合精确率与召回率；MSE、MAE、R²均为回归任务评价指标。3、D解析：逻辑斯蒂回归不使用均方误差作为损失函数，其损失函数为对数损失。4、B解析：K均值聚类迭代核心是计算样本与簇中心距离，重新划分样本归属；初始中心仅首次随机选取，聚类不使用交叉熵，新簇中心取均值而非中位数。5、B解析：模型出现虚假特征、偏见问题，大多源于训练数据本身存在偏差，和数据密切相关。二、填空题1、参数；超参数2、FP；FN（两空顺序可互换）3、Sigmoid4、余弦距离5、奖励（回报）三、场景题第1题1）该任务属于有监督学习中的文本分类任务。可选用逻辑斯蒂回归算法。2）选用精确率、召回率、F1分数。新闻分类要求栏目划分准确，精确率可以衡量分类结果的准确程度，召回率能判断是否遗漏对应栏目稿件，F1分数综合两项指标，全面评价模型整体分类效果。第2题1）计算小张到两个中心点的欧氏距离2）计算更新后的簇中心A簇学生：小张(8,72)、小王(12,78)、小李(15,80)B簇学生：小赵(18,82)、小刘(22,88)、小陈(25,90)四、思考题应用创意：校园食堂就餐人流预测系统1）解决问题校园用餐高峰期食堂拥挤、排队时间长，部分时段座位闲置。该系统可以预测不同时段食堂人流量，帮助学生错峰就餐，也方便食堂工作人员提前调配物资、安排值守人员。2）机器学习范式属于监督学习。我们会收集历史就餐数据并标注对应人流等级，用标注好的数据训练模型，根据时间、日期、天气等特征预测人流情况，符合监督学习的特征。3）数据与输出结果收集特征：日期（工作日/周末）、具体时段、天气状况、是否节假日、周边课程安排。模型输出结果：各时段食堂人流等级（空闲、正常、拥挤）、预估排队时长。

第5章人工神经网络：深度学习的基石一、选择题1、B解析：交叉熵损失会严厉惩罚高置信度的错误预测；数值越小代表模型效果越好，多用于分类任务。2、C解析：传统机器学习依赖人工设计特征，神经网络依靠多层结构自动学习特征，二者核心思路存在明显区别。3、C解析：激活函数核心作用是引入非线性，提升模型表达能力；加权求和是神经元前置运算，计算误差由损失函数完成。4、B解析：反向传播依托链式法则计算参数梯度，以此更新网络权重；前向传播负责传递数据，Dropout用于抑制过拟合。5、C解析：Dropout随机停用部分神经元，有效降低过拟合、提升泛化能力；一味增加模型复杂度、设置过大学习率都会恶化模型效果。二、填空题1、数据驱动2、激活函数3、前向传播4、反向传播5、Dropout（随机失活）三、场景题第1题1）计算过程：单张图片尺寸64×64，RGB图像包含红、绿、蓝3个通道。神经元数量=64×64×3=12288答：输入层神经元个数为12288个。2）搭配Softmax输出，输出层选择Softmax激活函数。3）该任务属于二分类图像识别，使用交叉熵损失函数。第2题原因：梯度下降依靠学习率控制参数更新的步长。学习率设置过大时，参数每次调整的幅度过大，无法沿着损失最小的方向稳步收敛，会在最优值附近来回跳动，甚至不断偏离最优位置，最终出现损失震荡、持续上升的情况。调整建议：适当减小学习率，从小数值开始逐步调试，保证参数平稳更新、损失稳步下降。四、思考题1）很多时候我会死记硬背知识点、例题答案，只机械记住内容，不去理解原理。一旦题目形式、条件稍作变化，就无从下手。这种情况和模型过拟合十分相似：死记硬背相当于模型死抠训练数据里的细节、特例，只适配见过的内容；面对新题目就如同模型面对陌生测试数据，表现大幅下滑，无法灵活运用。2）运用奥卡姆剃刀原理优化学习，可以做到这几点：第一，学习时优先梳理知识核心框架与基本原理，不纠结细枝末节；第二，理解公式、定理背后的逻辑，而不是单纯背诵文字和题型；第三，做题侧重总结通用解题思路，不盲目刷题、死记题目答案；第四，定期精简知识体系，剔除无用的冗余内容，抓住主干规律，做到学以致用。3）本质区别：神经网络只能依托标注数据做模式匹配、特征归纳，学习局限在已有数据范围内；人类可以主动思考、归纳提炼事物本质，脱离现有样本进行推理。人类的优势来源于神经网络尚不具备的能力：一是自主抽象总结能力，能从大量案例中提炼核心规律；二是逻辑推理与联想能力，可以举一反三、迁移运用知识；三是主观理解与顿悟能力，能挖掘表象背后的本质；四是常识与经验积累，结合过往认知判断新问题。

第6章深度学习：让机器学会“深度”思考一、选择题1、C解析：深度学习的“深度”不单纯指代隐藏层数量，核心是可稳定训练、能完成层次化特征抽象的网络范式。2、C解析：权值共享可减少参数、提升运算效率，让模型具备平移不变性；处理序列数据并非该机制的作用。3、B解析：RNN依靠循环结构记录历史信息，这是它最核心的特点；局部连接、池化层属于CNN特性，RNN不主打图像识别。4、C解析：机器翻译属于输入、输出长度均不固定的序列转换任务，编码器-解码器的Seq2Seq结构是最优选择。5、B解析：Transformer依靠自注意力机制支持并行计算，训练速度远优于串行执行的RNN；它并非只能处理文本，参数量通常也多于传统RNN。二、填空题1、海量数据、强大算力2、池化3、循环（反馈）；梯度消失（梯度爆炸）4、局部连接；权值共享5、一对一三、场景题第1题1）选用卷积神经网络CNN。语音波形可转化为频谱图这类类图像数据，CNN擅长提取空间局部特征，能高效完成语音转文本的特征提取与识别工作。2）选用循环神经网络RNN（或Transformer）。指令文本属于典型序列数据，这类网络可以捕捉文字前后的语义关联，精准区分不同用户意图。第2题1）局限性参数数量：MLP会把整张图像像素展平为一维向量，图像像素点多，会造成参数量急剧膨胀，训练难度大、效率低。空间结构保留：MLP打乱了像素原本的位置关系，完全丢失图像的空间布局、相邻像素关联等关键信息，面对偏移、变形的数字识别效果很差。2）解决方式局部连接：卷积层神经元只和图像局部区域像素相连，不用和全部像素建立连接，直接大幅减少参数量。权值共享：同一卷积核在整张图像上复用参数，进一步压缩参数量；同时该机制让模型不受目标位置偏移影响，保留图像空间结构特征，应对倾斜、移位的手写数字识别更稳定。四、思考题1）生活与学习实例背诵英语单词时，我曾按单词表顺序死记硬背，效率低还容易混淆。后来结合单词的词性、语境、词根词缀来记忆，明显事半功倍。英语单词存在词义关联、构词规律，词根词缀记忆法贴合单词本身的构词特点，不是孤立记忆单个词汇，而是抓住内在规律，和为数据定制网络结构提升效率是同一个道理。2）学习策略参考第一：定期复盘梳理。仿照LSTM存储关键信息的思路，每隔一段时间回顾旧知识，强化记忆，避免长期不复习导致遗忘。第二：搭建知识关联体系。像Transformer的注意力机制一样，建立新旧知识点之间的联系，学习新知识时主动联想过往内容，做到知识互通。第三：区分知识主次。重点内容深度理解、反复巩固，次要内容简单了解，合理分配精力，保证长程关键知识可以随时调取使用。第四：间隔重复学习。不要集中一次性背诵记忆，分多次、分时段温习，模拟模型对长序列信息的持续捕捉能力。

第7章人工智能的未来挑战与责任：技术向善的边界与责任一、单选题1、C解析：价值对齐属于AI伦理与目标导向问题