2025年智慧树知到《人工智能》考试题库及答案解析

2025年智慧树知到《人工智能》考试题库及答案解析一、单选题（每题2分，共40分）1.下列关于人工智能分类的表述，符合2025年产业落地现状的是（）A.具备自我意识的强人工智能已经实现商业化落地B.当前主流应用的人工智能均为仅能完成特定任务的弱人工智能C.通用人工智能（AGI）已经在医疗、金融领域实现规模化应用D.弱人工智能不具备实用价值，将被通用人工智能全面替代【答案】B【解析】当前全球人工智能产业所有落地应用均为弱人工智能，仅能在特定领域完成预设任务，强人工智能、通用人工智能（AGI）尚未有明确的实现路径，也未实现商业化落地，弱人工智能是当前产业价值的核心载体，因此ACD表述错误。2.2025年主流生成式AI应用的核心技术底座是（）A.专家系统B.生成式预训练大模型C.卷积神经网络D.传统知识图谱【答案】B【解析】生成式预训练大模型通过大规模数据预训练获得跨场景的内容生成、理解能力，是AIGC（人工智能生成内容）应用的核心技术底座，其余选项均为传统人工智能技术，不是2025年生成式AI的核心支撑。3.Transformer架构的核心组件是（），也是当前大模型的技术核心支撑。A.卷积层B.循环神经网络层C.自注意力机制D.池化层【答案】C【解析】Transformer于2017年提出，核心为自注意力机制，可实现并行计算、捕捉长距离依赖关系，解决了传统RNN系列模型训练速度慢、长距离信息丢失的问题，是当前所有大模型的基础架构。卷积层、池化层是卷积神经网络的核心组件，适用于计算机视觉任务。4.检索增强生成（RAG）技术的核心作用是（）A.大幅提升大模型的生成速度B.降低大模型的参数规模，减少部署成本C.解决大模型的幻觉问题，降低事实性错误D.提升大模型的多模态交互能力【答案】C【解析】RAG技术的核心逻辑是将用户查询与外部知识库的相关内容匹配后，拼接至提示词输入大模型，让大模型基于准确的外部事实生成回答，可大幅降低大模型因训练数据缺失、错误导致的事实性幻觉，是2025年企业级大模型落地的核心技术之一。RAG不会改变大模型参数、也不会显著提升生成速度或多模态能力，ABD表述错误。5.下列机器学习算法中，属于无监督学习范畴的是（）A.逻辑回归B.K-Means聚类C.随机森林D.DQN强化学习【答案】B【解析】无监督学习的核心特征是训练数据无标注标签，算法自主挖掘数据的内在规律。K-Means聚类通过计算数据特征的相似度实现自动分类，属于无监督学习；逻辑回归、随机森林属于监督学习，需要标注好的训练数据；DQN属于强化学习，基于环境奖励信号迭代策略，不属于无监督学习范畴。6.下列计算机视觉任务中，属于语义分割范畴的是（）A.识别图片中是否存在汽车B.用boundingbox框出图片中所有汽车的位置C.对图片中每个像素进行分类，标注为汽车、道路、行人等类别D.识别图片中汽车的品牌型号【答案】C【解析】A为图像分类任务，B为目标检测任务，C为语义分割任务，D为细粒度图像分类任务。7.我国《生成式人工智能服务管理暂行办法》规定，生成式AI服务提供者的义务不包括（）A.对生成内容进行合规审核，避免违法违规内容输出B.留存用户操作日志不少于6个月C.未经用户同意收集个人生物识别信息用于模型训练D.对生成的AI内容进行可溯源标识【答案】C【解析】我国法律法规明确禁止未经用户授权收集个人生物识别信息、隐私信息用于人工智能模型训练，其余选项均为生成式AI服务提供者需要履行的法定义务。8.当前大模型训练的主流算力载体是（）A.中央处理器（CPU）B.图形处理器（GPU）C.现场可编程门阵列（FPGA）D.专用集成电路（ASIC）【答案】B【解析】GPU具备强大的并行计算能力，可适配大模型训练过程中的高密度矩阵运算需求，是当前大模型训练的主流算力载体；CPU串行计算能力强、并行能力弱，不适合大模型训练；FPGA、ASIC多用于边缘端推理场景，不是训练的主流载体。9.下列人工智能应用中，属于强化学习落地场景的是（）A.垃圾邮件分类B.AlphaGo围棋对弈C.人脸支付验证D.语音转文字【答案】B【解析】强化学习的核心是智能体通过与环境交互获得奖励信号迭代优化策略。AlphaGo通过与环境对弈获得胜负奖励优化下棋策略，属于典型的强化学习应用；垃圾邮件分类、人脸支付属于监督学习应用，语音转文字属于多模态识别应用。10.下列关于多模态大模型的表述，错误的是（）A.可同时理解、生成文本、图像、语音等多种模态的内容B.是2025年人工智能产业的主流发展方向C.仅能处理单一模态的输入输出D.可支撑图文问答、语音交互、视频理解等多类场景【答案】C【解析】多模态大模型的核心特征是可实现跨模态的理解与生成，支持多种模态的输入输出，C表述错误，其余选项均符合多模态大模型的特征与产业现状。11.自动驾驶分级中，完全不需要人类驾驶员介入的级别是（）A.L2B.L3C.L4D.L5【答案】D【解析】L2为部分辅助驾驶，L3为有条件自动驾驶、需人类随时接管，L4为特定场景下的高度自动驾驶，L5为全场景完全自动驾驶，无需人类介入。12.下列技术中，可实现“数据可用不可见”，解决跨机构AI训练的隐私保护问题的是（）A.联邦学习B.模型微调C.RAG技术D.知识图谱【答案】A【解析】联邦学习属于隐私计算技术范畴，可在不共享原始数据的前提下完成多机构联合模型训练，有效保护数据隐私，其余选项均不具备该功能。13.生成式对抗网络（GAN）的核心组件是（）A.编码器与解码器B.生成器与判别器C.卷积层与池化层D.注意力层与全连接层【答案】B【解析】GAN的核心逻辑是生成器生成仿真内容，判别器判断内容真伪，二者通过对抗博弈迭代提升生成效果，是早期AIGC的核心技术。14.下列关于具身智能的表述，错误的是（）A.指具备实体形态、可与物理世界交互的人工智能B.人形机器人是具身智能的核心载体C.仅能在虚拟环境中运行，无法适配真实物理场景D.被认为是实现通用人工智能的重要路径【答案】C【解析】具身智能的核心特征是可在真实物理环境中感知、交互、行动，C表述错误，其余选项均符合具身智能的定义与产业价值。15.知识图谱的核心作用是（）A.提升大模型的生成速度B.存储结构化的事实知识，提升大模型的推理准确性C.降低大模型的参数规模D.提升大模型的多模态生成能力【答案】B【解析】知识图谱是结构化的事实知识库，将实体、关系、属性以网状结构存储，与大模型结合可有效降低幻觉、提升逻辑推理能力，是2025年大模型优化的核心方向之一。二、多选题（每题3分，共30分，多选、少选、错选均不得分）1.下列属于人工智能核心研究范畴的有（）A.自然语言处理B.计算机视觉C.机器人学与具身智能D.知识推理与知识图谱【答案】ABCD【解析】上述四个方向均为人工智能的核心研究分支，覆盖了感知、认知、交互、推理等人工智能核心能力维度。2.大模型幻觉问题的产生原因包括（）A.训练数据规模不足、内容存在错误或偏见B.预训练阶段未充分学习事实性知识C.生成阶段的采样策略导致随机错误D.用户查询指令描述模糊，模型无法准确理解需求【答案】ABCD【解析】大模型幻觉是指输出内容存在事实性错误、逻辑矛盾的问题，上述四个选项均为幻觉的常见产生原因，也是2025年大模型技术优化的核心方向。3.下列属于AIGC应用场景的有（）A.人工智能生成营销海报与短视频脚本B.人工智能辅助代码开发与漏洞检测C.人工智能生成3D工业模型与数字人素材D.人工智能辅助医疗影像诊断【答案】ABC【解析】AIGC即人工智能生成内容，覆盖文本、图像、音频、视频、3D模型、代码等多类内容生成场景，ABC均属于AIGC范畴；医疗影像诊断属于计算机视觉识别应用，不属于内容生成范畴。4.下列属于监督学习算法的有（）A.支持向量机B.朴素贝叶斯C.主成分分析（PCA）D.XGBoost【答案】ABD【解析】监督学习需要基于标注的训练数据迭代模型，支持向量机、朴素贝叶斯、XGBoost均为典型的监督学习算法；主成分分析（PCA）属于无监督学习范畴的降维算法，不需要标注数据。5.人工智能发展面临的伦理风险包括（）A.训练数据非法收集导致的隐私泄露风险B.训练数据偏见导致的算法歧视问题C.深度伪造技术带来的虚假信息传播、侵权风险D.人工智能替代劳动岗位带来的失业风险【答案】ABCD【解析】上述选项均为当前人工智能发展面临的核心伦理风险，也是全球监管的重点方向。6.Transformer架构的优势包括（）A.支持并行计算，训练速度远高于传统RNN系列模型B.可有效捕捉长距离序列的依赖关系C.仅适用于自然语言处理任务，不支持跨模态应用D.是当前大模型的核心基础架构【答案】ABD【解析】Transformer架构目前已延伸至计算机视觉、语音、多模态等多类领域，并非仅适用于自然语言处理，C表述错误，其余选项均为Transformer的核心优势。7.RAG技术的核心流程包括（）A.外部知识库文档切分、向量化存储至向量数据库B.对用户查询进行向量化，检索匹配知识库中的相关内容片段C.将用户查询与检索到的相关片段拼接为提示词输入大模型D.大模型基于检索内容生成准确回答【答案】ABCD【解析】上述四个步骤为RAG技术的标准落地流程，无需调整大模型参数即可实现知识的快速更新与事实性输出的优化。8.下列属于弱人工智能范畴的有（）A.ChatGPT等聊天机器人B.L4级自动驾驶汽车C.AlphaFold蛋白质结构预测模型D.具备自我意识的通用人工智能【答案】ABC【解析】弱人工智能仅能完成特定领域的预设任务，当前所有落地的人工智能应用均属于弱人工智能范畴，通用人工智能尚未实现，D不符合要求。9.2025年我国人工智能产业的重点发展方向包括（）A.通用大模型与垂直行业大模型研发B.具身智能与人形机器人落地C.国产AI芯片与算力基础设施建设D.生成式AI在工业、医疗、金融等重点行业的落地应用【答案】ABCD【解析】上述方向均为我国人工智能产业“十四五”规划的后续重点落地方向，也是2025年产业政策支持的核心领域。10.大模型微调技术的核心优势包括（）A.相比从零训练大模型，算力成本、数据成本更低B.可让通用大模型快速适配特定行业的需求C.可学习特定领域的风格、逻辑规则，输出更贴合场景需求D.知识更新速度远快于RAG技术【答案】ABC【解析】微调是指在预训练大模型的基础上用领域小数据集调整模型参数，适配场景需求，相比从零训练成本更低、适配速度快，可学习特定领域的风格与逻辑，但知识更新需要重新训练，速度慢于RAG技术，D表述错误。三、判断题（每题1分，共15分，对的打√，错的打×）1.当前已经实现具备自我意识、可完成所有人类任务的强人工智能。（）【答案】×【解析】当前所有落地的人工智能均为弱人工智能，强人工智能尚未有明确的实现路径，未达到可用状态。2.大模型的参数规模越大，生成效果一定越好。（）【答案】×【解析】大模型效果与参数规模、训练数据质量、训练策略均相关，盲目扩大参数规模会导致训练成本激增，效果提升边际效益递减，甚至出现过拟合问题。3.RAG技术可以完全解决大模型的幻觉问题。（）【答案】×【解析】RAG可大幅降低事实性幻觉，但如果检索到的知识库内容本身存在错误，或大模型对检索内容的理解存在偏差，仍然可能出现幻觉，无法完全解决。4.卷积神经网络（CNN）仅适用于计算机视觉任务，无法应用于自然语言处理。（）【答案】×【解析】CNN擅长提取局部特征，除计算机视觉外，也可应用于文本分类等自然语言处理任务。5.自然人主导的、利用生成式人工智能创作的内容，符合著作权法要求的，依法享有著作权。（）【答案】√【解析】我国著作权法及生成式AI相关管理规定明确了该原则，AI生成内容的合法权益受法律保护。6.强化学习的训练过程不需要标注数据，仅需要环境给出的奖励信号即可迭代策略。（）【答案】√【解析】强化学习的核心是智能体与环境交互获得奖励/惩罚信号优化策略，无需预先标注的训练数据集。7.知识图谱可通过结构化的事实存储，提升大模型的推理能力与事实准确性。（）【答案】√【解析】知识图谱与大模型结合是2025年大模型优化的核心方向之一，可有效降低幻觉、提升逻辑推理能力。8.生成式AI服务提供者可随意收集公开网络的用户内容用于模型训练，无需获得授权。（）【答案】×【解析】我国《个人信息保护法》明确要求，收集用户个人信息用于AI训练需要获得用户授权，不得非法收集、使用个人信息。9.L3级自动驾驶属于有条件自动驾驶，需要人类驾驶员随时准备接管车辆。（）【答案】√【解析】自动驾驶分级中，L3为有条件自动驾驶，在特定场景下可实现自动驾驶，但需要人类驾驶员随时接管；L5为完全自动驾驶，无需人类介入。10.可解释AI是指可解释模型决策的逻辑与原因，是医疗、金融、司法等高风险AI应用的必备要求。（）【答案】√【解析】高风险领域的AI应用需要避免黑箱决策，可解释性是合规的核心要求之一。11.提示词工程（PromptEngineering）是指通过优化用户输入的提示词，提升大模型的输出质量，不需要调整大模型参数。（）【答案】√【解析】提示词工程是大模型应用层的核心技术之一，成本低、见效快，是普通用户提升大模型使用效果的核心方式。12.小样本学习技术可让模型仅用少量标注数据即可完成场景适配，解决了传统监督学习需要大量标注数据的痛点。（）【答案】√【解析】小样本、零样本学习是大模型的核心能力之一，大幅降低了AI落地的标注成本。13.多模态大模型可以实现跨模态的语义理解，例如根据文本描述生成对应图像、根据图像内容生成文字描述。（）【答案】√【解析】跨模态语义对齐是多模态大模型的核心能力，可实现不同模态内容的转换与理解。14.我国禁止未获得安全评估的生成式AI服务面向公众提供服务。（）【答案】√【解析】根据《生成式人工智能服务管理暂行办法》，面向公众提供服务的生成式AI需要通过安全评估，否则不得上线运营。15.具身智能只能应用于工业场景，无法应用于家庭服务、商业服务等民用场景。（）【答案】×【解析】2025年具身智能已经开始向家庭陪护、餐饮服务、物流配送等民用场景落地，应用范畴覆盖一、二、三产业。四、简答题（每题5分，共10分）1.请简述大模型微调技术与RAG技术的异同点及各自适用场景。【答案】相同点：二者均为大模型行业落地的核心适配技术，目的是让通用大模型适配特定领域需求，提升输出质量、降低幻觉。不同点：①技术原理不同：微调通过领域小数据集调整大模型参数，更新模型内部知识；RAG通过检索外部知识库内容拼接至提示词，不改变模型参数，依赖外部知识输出。②成本不同：微调的算力成本、数据成本更高，尤其是全参数微调；RAG仅需对知识库进行向量化处理，成本更低。③知识更新速度不同：微调更新知识需要重新训练，周期长；RAG仅需更新外部知识库即可完成知识更新，速度快。适用场景：微调适用于知识更新频率低、需要学习特定领域风格与逻辑的场景，如特定品牌客服话术生成、专属风格文案创作；RAG适用于知识更新频率高、对事实准确性要求高的场景，如企业内部知识库问答、政策咨询、法律服务等。【解析】本题为2025年高频考点，考查考生对大模型落地核心技术的掌握程度，需要结合产业实践作答。2.请简述生成式人工智能的伦理风险与应对措施。【答案】伦理风险：①内容风险：深度伪造、虚假信息生成导致谣言传播、诈骗、侵权等问题；②隐私风险：训练阶段非法收集用户隐私，生成阶段泄露训练数据中的隐私内容；③算法歧视：训练数据存在偏见，导致输出内容存在性别、种族、地域等歧视；④知识产权风险：训练数据使用未授权内容，生成内容的著作权归属不清晰；⑤就业风险：替代部分劳动岗位，带来失业问题。应对措施：①立法层面：完善相关法律法规，明确各方权利义务、侵权责任与著作权归属；②技术层面：研发内容水印、溯源技术，隐私计算、偏见检测技术，从技术层面规避风险；③监管层面：建立内容审核机制，对高风险AI应用实行准入管理，严厉打击AI违法犯罪行为；④社会层面：加强公众AI素养教育，建立职业转型培训体系，降低就业风险。【解析】本题为政策类高频考点，需要结合我国生成式AI监管要求作答。五、案例分析题（共15分）某制造企业2025年计划引入人工智能技术升级生产体系，提出三类需求：①工业质检：生产线实时识别20类产品外观缺陷，识别准确率要求≥99.5%；②内部知识库问答：员工查询