2025年CAIE人工智能工程师LevelⅠ试题及答案

2025年CAIE人工智能工程师LevelⅠ试题及答案单项选择题（共20题，每题2分，总分40分，每题只有1个正确答案）1.根据CAIELevelⅠ考纲对人工智能的官方定义，下列表述准确的是（）A.能够执行通常需要人类智能参与的任务的计算机系统B.仅包含机器学习技术分支的计算机系统C.仅能处理计算机视觉、自然语言处理两类任务的系统D.必须基于大语言模型构建的系统答案：A解析：CAIE人工智能知识体系明确人工智能是一个宽泛的技术领域，核心是研发能够模拟人类智能执行任务的计算机系统，涵盖机器学习、计算机视觉、自然语言处理、机器人、专家系统等多个分支，大语言模型只是当前人工智能的主流落地技术之一，并非必要组成部分。2.下列选项中，不属于CAIE人工智能伦理框架四大核心原则的是（）A.公平性B.透明性C.商业化优先D.问责制答案：C解析：2024年更新的CAIE人工智能伦理框架四大核心原则为公平性、透明性、问责制、隐私保护，明确禁止将商业利益置于用户合法权益之上，高风险场景的AI系统必须优先保障用户安全与权益。3.下列机器学习任务中，属于监督学习范畴的是（）A.基于用户行为数据进行用户群体分群B.基于历史房产交易数据（含房价标签）预测新楼盘售价C.强化学习智能体在游戏环境中自主学习通关策略D.基于交易数据识别无标注的异常欺诈交易答案：B解析：监督学习的核心特征是训练数据包含明确的标注标签，模型学习输入到标签的映射关系。选项A、D为无监督学习任务，选项C为强化学习任务。4.线性回归模型的标准损失函数是（）A.交叉熵损失B.均方误差（MSE）C.Hinge损失D.Dice系数答案：B解析：线性回归是典型的回归任务，采用均方误差衡量预测值与真实标签的差值，最小化均方误差是线性回归的训练目标。交叉熵损失多用于分类任务，Hinge损失多用于支持向量机，Dice系数多用于图像分割任务。5.下列选项中，属于深度学习模型出现过拟合的常见诱因的是（）A.训练样本数量过少B.训练轮次不足C.模型复杂度过低D.加入了过强的正则化项答案：A解析：过拟合指模型过度学习了训练集的噪声特征，导致在训练集上表现优异、在测试集上表现糟糕的现象，常见诱因包括训练样本量不足、模型复杂度过高、训练轮次过多、未加正则化或正则化强度不足等。6.下列关于ReLU激活函数的优点，表述正确的是（）A.能够有效缓解深层网络的梯度消失问题B.求导计算复杂度远高于Sigmoid激活函数C.会不可避免地导致梯度爆炸问题D.输出值范围为(-1,1)答案：A解析：ReLU激活函数的表达式为f(x)=max(0,x)，在x>0区间导数为1，能够有效缓解深层网络的梯度消失问题，求导计算简单，输出范围为[0,+∞)，合理设置学习率的情况下不会导致梯度爆炸。7.卷积神经网络中，用于通过下采样降低特征图尺寸、减少参数量、防止过拟合的网络层是（）A.池化层B.全连接层C.卷积层D.激活层答案：A解析：池化层（如最大池化、平均池化）通过对特征图的局部区域进行聚合运算，降低特征图的空间维度，进而减少后续层的参数量，同时引入一定的噪声，起到防止过拟合的作用。8.下列Python人工智能常用库中，主要用于高性能数值计算、作为其他AI库底层依赖的是（）A.NumPyB.PandasC.MatplotlibD.Scikit-learn答案：A解析：NumPy是Python生态的核心数值计算库，提供了高性能的多维数组运算接口，是Pandas、Scikit-learn、PyTorch等几乎所有AI库的底层依赖。Pandas主要用于结构化数据处理，Matplotlib用于数据可视化，Scikit-learn用于传统机器学习算法实现。9.GPT系列生成式大语言模型的核心预训练任务是（）A.因果语言建模（CLM）B.掩码语言建模（MLM）C.图像分类D.语音识别答案：A解析：GPT类自回归大模型采用因果语言建模作为预训练目标，每次基于前文token预测下一个token，实现生成能力。掩码语言建模是BERT类双向编码器模型的预训练任务。10.若某结构化数据集服从正态分布，某数值型特征的缺失值占比为4.7%，最适合的缺失值处理方式是（）A.均值填充B.直接删除包含缺失值的样本C.众数填充D.最大值填充答案：A解析：正态分布数据的中心趋势由均值代表，缺失值占比低于5%时，采用均值填充对数据分布的影响最小，不会引入显著偏差。众数填充多用于类别型特征，删除样本会减少训练数据量，仅在缺失值占比极高时使用。11.二分类任务的混淆矩阵中，精确率的计算公式为（）A.TP/(TP+FP)B.TP/(TP+FN)C.TN/(TN+FP)D.(TP+TN)/(TP+TN+FP+FN)答案：A解析：精确率（Precision）衡量模型预测为正的样本中，真实为正样本的比例，核心是减少误报，适用于医疗诊断、垃圾邮件分类等对误判容忍度低的场景。选项B为召回率，选项C为真负类率，选项D为准确率。12.下列人工智能应用中，不属于计算机视觉任务范畴的是（）A.图像分类B.目标检测C.机器翻译D.语义分割答案：C解析：机器翻译属于自然语言处理任务，目标是实现不同语言之间的自动转换。图像分类、目标检测、语义分割均属于计算机视觉的典型任务，处理对象为图像、视频等视觉数据。13.L1正则化的核心作用是（）A.实现特征稀疏化，自动完成特征选择B.限制权重的数值范围，防止权重过大C.加快模型的训练收敛速度D.提升模型的拟合能力答案：A解析：L1正则化通过在损失函数中加入权重绝对值的惩罚项，会促使部分不重要特征的权重变为0，实现特征稀疏化，自动完成特征选择。L2正则化的作用是限制权重大小，防止过拟合。14.强化学习框架中，奖励信号的核心作用是（）A.指导智能体优化策略，最大化长期累积奖励B.为模型提供训练标注C.增加训练数据的多样性D.降低模型的参数量答案：A解析：强化学习的核心逻辑是智能体与环境交互，根据环境反馈的奖励信号调整行为策略，目标是最大化长期累积奖励，不需要提前标注的训练数据，属于和监督学习、无监督学习并列的第三类机器学习范式。15.某企业训练人脸识别门禁系统时，训练集中白人样本占比92%，黄种人、黑种人样本合计占比8%，上线后黑种人用户的识别错误率是白人用户的3.2倍，该伦理问题属于（）A.数据偏见B.算法偏见C.部署偏见D.问责缺失答案：A解析：数据偏见指训练数据的分布和真实场景分布不一致，导致模型对少数群体的表现显著差于多数群体，是AI伦理问题中最常见的类型，CAIE考纲明确要求高风险AI系统的训练数据必须覆盖所有目标群体，保证数据分布均衡。16.下列关于Adam优化器的特点，表述正确的是（）A.具备自适应学习率机制，收敛速度快，调参难度低B.需要手动频繁调整学习率，不适合新手使用C.仅适用于小型深度学习模型D.收敛速度远慢于随机梯度下降（SGD）答案：A解析：Adam优化器结合了动量优化和自适应学习率的优势，能够自动调整不同参数的学习率，收敛速度快，对超参数的敏感度低，是当前绝大多数深度学习任务的首选优化器，适用于各类大小模型。17.运行以下Python代码，输出结果正确的是（）```pythonimportnumpyasnpa=np.array([[1,2],[3,4]])print(a.shape)```A.(2,2)B.(4,)C.(2,1)D.(1,4)答案：A解析：代码构建的是2行2列的二维NumPy数组，shape属性返回数组的维度元组，结果为(2,2)。18.大语言模型对齐人类价值观的核心技术RLHF的全称是（）A.基于人类反馈的强化学习B.监督微调C.指令微调D.持续预训练答案：A解析：RLHF（ReinforcementLearningfromHumanFeedback）即基于人类反馈的强化学习，通过人工标注模型输出的优劣排序，训练奖励模型，再用强化学习微调大模型，使其输出符合人类价值观和需求，是当前大模型对齐的主流技术，属于2025年CAIELevelⅠ新增考点。19.K-Means聚类算法中的参数K指的是（）A.预先设定的聚类簇的数量B.训练样本的数量C.特征的维度D.最大迭代次数答案：A解析：K-Means是典型的无监督聚类算法，参数K为用户预先设定的聚类簇的数量，算法会将所有样本划分到K个簇中，使得簇内样本的相似度最高，簇间样本的相似度最低。20.下列关于Prompt注入攻击的表述，正确的是（）A.通过构造特殊输入诱导大模型忽略预设安全规则，执行未授权指令B.攻击目标是窃取大模型的训练数据C.攻击目标是破坏大模型的参数结构D.仅会影响开源大模型，闭源大模型不会受到该攻击影响答案：A解析：Prompt注入是当前大模型最常见的安全攻击方式，攻击者通过构造特殊的输入提示符，绕过大模型预设的安全防护规则，诱导大模型输出违规内容、执行危险操作，开源和闭源大模型均可能受到该类攻击，属于2025年CAIELevelⅠ新增的AI安全考点。简答题（共4题，每题10分，总分40分）1.请简述CAIE人工智能伦理框架中AI系统可解释性的核心要求，以及3种实现可解释性的常用方法。参考答案：核心要求（4分）：①对AI系统的决策逻辑、输入输出关联能够向利益相关方做出清晰、易懂、无误导性的解释，不得存在黑箱决策损害用户合法权益的情况；②医疗、教育、金融、司法等高风险场景的AI系统，必须提供决策依据的可追溯路径，满足监管审计要求；③解释内容需如实披露模型的局限性、潜在误差范围以及决策的置信度，不得夸大模型能力误导用户。常用实现方法（6分，每点2分）：①特征贡献度分析：采用SHAP、LIME等可解释性方法，计算每个输入特征对模型输出结果的贡献度，直观展示主导决策的核心特征；②可视化分析：对卷积神经网络的特征图、大语言模型的注意力权重等进行可视化，直观展示模型感知输入的核心区域和决策依据；③白盒模型选型：高风险场景优先选择决策树、线性模型、规则引擎等本身具备可解释性的白盒模型，替代不可解释的黑盒深度模型。2.请对比监督学习和无监督学习的核心差异，分别列举2种典型算法和2种适用场景。参考答案：核心差异（3分）：①训练数据要求不同：监督学习使用带明确标注的训练数据，每个样本对应已知的标签值；无监督学习使用无标注的训练数据，仅依靠样本自身的特征分布进行学习。②学习目标不同：监督学习的目标是学习输入到标签的映射关系，实现对新样本的预测；无监督学习的目标是挖掘数据内部的分布规律、关联关系或结构特征。③适用场景侧重不同：监督学习适用于有明确预测目标的场景，无监督学习适用于探索性数据分析、未知模式挖掘的场景。典型算法（3分）：监督学习典型算法：线性回归、逻辑回归、支持向量机、决策树、卷积神经网络等（任举2种即可得1.5分）；无监督学习典型算法：K-Means聚类、主成分分析（PCA）、DBSCAN聚类、关联规则挖掘等（任举2种即可得1.5分）。适用场景（4分）：监督学习适用场景：房价预测、医疗影像诊断、垃圾邮件分类、人脸识别等（任举2种，每个场景说明匹配逻辑得1分，共2分）；无监督学习适用场景：用户群体分群、异常交易检测、数据降维、关联商品推荐等（任举2种，每个场景说明匹配逻辑得1分，共2分）。3.简述深度学习中批次归一化（BatchNormalization,BN）的核心作用和工作流程。参考答案：核心作用（4分，每点1分）：①加速模型收敛：通过归一化每层的输入分布，降低内部协变量偏移，允许使用更大的学习率，大幅缩短训练时间；②缓解梯度消失：将输入分布映射到激活函数的非饱和区域，避免深层网络的梯度消失问题，支持构建更深的网络结构；③提升模型泛化性：每个批次的均值和方差存在一定波动，相当于引入了噪声，具备正则化效果，降低过拟合风险；④降低调参难度：减少对权重初始化、学习率等超参数的敏感度，降低模型调参的工作量。工作流程（6分，每点2分）：①针对每个训练批次，计算该批次内所有样本在当前层输入特征的均值和方差；②用计算得到的均值和方差对该批次的特征进行归一化处理，得到均值为0、方差为1的标准化特征；③引入可学习的缩放参数γ和平移参数β，对标准化后的特征进行线性变换，恢复数据的原有表达能力，避免归一化破坏特征的有效信息。4.请说明AI项目数据预处理阶段的核心步骤，以及每个步骤的作用。参考答案：共5个核心步骤，每点2分：①数据清洗：处理缺失值、异常值、重复值，修正数据中的错误记录，消除噪声对模型训练的干扰，保证数据的准确性；②数据集成：将多来源、多格式的原始数据合并为统一的数据集，消除不同数据源之间的不一致性，保证数据的完整性；③数据转换：对数据进行标准化、归一化、离散化、特征编码（如独热编码、标签编码）等处理，将不同量纲、不同类型的特征转换为模型可接受的数值格式；④特征工程：通过特征选择、特征组合、特征提取等方式，筛选出对模型预测有强相关性的特征，降低特征维度，减少冗余信息，提升模型训练效率和效果；⑤数据集划分：将预处理完成的数据集划分为训练集、验证集、测试集，训练集用于模型拟合，验证集用于超参数调整和模型选择，测试集用于评估模型的最终泛化性能，保证评估结果的客观性。实操题（共1题，总分20分）题目：给定一份包含5000条用户消费行为的结构化数据集，包含特征：用户年龄（数值型）、月均消费金额（数值型）、消费频次（数值型）、是否为会员（类别型），标签为是否会复购（二分类：0=不复购，1=复购）。请使用Python完成以下任务：1.写出数据预处理的核心代码（8分）；2.选择合适的分类模型进行训练，写出模型训练和评估的核心代码（8分）；3.说明你选择该模型的原因（4分）。参考答案：1.数据预处理核心代码（8分，得分点：缺失值处理2分、特征编码2分、数据集划分2分、特征标准化2分）：```pythonimportpandasaspdfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardScaler,OneHotEncoderfromposeimportColumnTransformerfromsklearn.pipelineimportPipelinedf=pd.read_csv('user_consume.csv')num_features=['年龄','月均消费金额','消费频次']cat_features=['是否为会员']df[num_features]=df[num_features].fillna(df[num_features].mean())df[cat_features]=df[cat_features].fillna(df[cat_features].mode().iloc[0])X=df.drop('是否复购',axis=1)y=df['是否复购']X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42,stratify=y)preprocessor=ColumnTransformer(transformers=[('num',StandardScaler(),num_features),('cat',OneHotEncoder(drop='first'),cat_features)])```2.模型训练与评估代码（8分，得分点：模型选型2分、管道构建2分、训练与预测2分、多指标评估2分）：本任务选择逻辑回归作为二分类模型，代码如下：```pythonfromsklearn.linear_modelimportLogisticRegressionfromsklearn.metricsimportaccuracy_score,precision_score,recall_score,f1_score,roc_auc_scoremodel=Pipeline(steps=[('preprocessor',preprocessor),('cla