2026年人工智能基础知识与应用考试试卷及答案

2026年人工智能基础知识与应用考试试卷及答案一、单项选择题（本大题共20小题，每小题1分，共20分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.1956年，约翰·麦卡锡等科学家在达特茅斯会议上首次提出了“人工智能”这一术语，标志着人工智能学科的诞生。下列哪一项不属于该会议确立的早期人工智能研究核心领域？A.逻辑推理B.机器学习C.自然语言处理D.量子计算2.在深度学习的神经网络中，用于解决梯度消失问题或梯度爆炸问题，从而允许训练非常深的网络的技术是？A.DropoutB.BatchNormalizationC.ReLU激活函数D.残差连接3.在决策树算法中，用于衡量数据集纯度的指标有很多。ID3算法使用信息增益作为划分标准，而C4.5算法使用信息增益率。以下关于CART（ClassificationandRegressionTree）算法的描述，正确的是？A.使用信息增益率B.使用基尼系数C.只能用于分类任务D.只能处理离散特征4.Transformer模型是现代自然语言处理（NLP）的基石。它引入了一种全新的注意力机制，该机制通过查询、键和向量的计算来捕捉序列中长距离的依赖关系。请问Transformer中核心的“自注意力”机制的数学计算公式是？A.AB.AC.AD.A5.在强化学习中，智能体通过与环境交互来学习策略。Q-learning是一种经典的基于价值的算法。在Q-learning中，Q值的更新遵循贝尔曼方程。以下关于Q-learning中“探索与利用”困境的描述，错误的是？A.利用是指选择当前Q值最大的动作B.探索是指随机选择动作以发现更优策略C.ϵ-greedy策略中，ϵ值越大，探索的可能性越小D.随着训练进行，通常会逐渐减小ϵ的值6.计算机视觉中的卷积神经网络（CNN）通常包含卷积层、池化层和全连接层。关于池化层的作用，下列说法最准确的是？A.增加模型的参数数量，提高模型表达能力B.引入非线性，使网络能够拟合复杂函数C.降低特征图的空间尺寸，减少计算量并提取主要特征D.防止过拟合7.支持向量机（SVM）是一种强大的监督学习模型。在处理非线性可分数据时，SVM通过引入“核技巧”将数据映射到高维空间。下列哪种核函数对应于将数据映射到无限维空间？A.线性核B.多项式核C.径向基核（RBF/Gaussian核）D.Sigmoid核8.在生成式对抗网络中，包含两个相互对抗的模型：生成器和判别器。训练GAN的最终目标是达到一种纳什均衡。在理想状态下，生成器生成的数据分布和判别器的判断结果应该是？A.生成器生成的数据无法被区分，判别器输出概率为0.5B.生成器生成的数据非常逼真，判别器输出概率为1.0C.生成器生成的数据质量很差，判别器输出概率为0.0D.判别器始终能够正确区分真实数据和生成数据9.在聚类分析中，K-Means算法是一种广泛使用的迭代算法。该算法的主要局限性包括？A.无法处理数值型数据B.必须预先指定聚类簇的数量KC.计算复杂度随数据量呈指数级增长D.只能用于分类任务，不能用于降维10.关于大语言模型（LLM）中的“温度”参数，下列说法正确的是？A.温度越高，模型输出的随机性越低，结果越确定B.温度越低，模型输出的随机性越高，结果越多样C.温度设置为0时，模型将进行确定性采样，总是选择概率最大的词D.温度参数通常在0到1之间，不能大于111.在机器学习模型评估中，混淆矩阵是分析分类模型性能的重要工具。对于一个二分类问题，如果精确率和召回率都很高，则说明？A.模型将所有样本都预测为正类B.模型将所有样本都预测为负类C.模型对正类的识别既准确又全面D.模型对负类的识别既准确又全面12.下列哪项技术属于“提示工程”中的常用技巧，用于引导大模型输出特定格式的结构化数据？A.Few-shotLearning（少样本学习）B.Zero-shotLearning（零样本学习）C.ChainofThought（思维链）D.JSONMode/XMLTagging13.在计算机视觉的目标检测任务中，YOLO（YouOnlyLookOnce）系列算法以其速度快而著称。YOLO算法将目标检测任务视为？A.图像分割问题B.回归问题C.分类问题D.生成问题14.自动微分是深度学习框架的核心功能之一。与数值微分和符号微分相比，现代深度学习框架（如PyTorch、TensorFlow）主要采用哪种自动微分方式？A.前向模式自动微分B.反向模式自动微分C.符号微分D.数值微分15.在自然语言处理中，BERT（BidirectionalEncoderRepresentationsfromTransformers）模型的主要创新点在于？A.使用了单向的自回归语言建模B.使用了双向的Transformer编码器和掩码语言模型（MLM）C.引入了生成式的预训练任务D.仅使用了卷积神经网络结构16.知识图谱是人工智能的重要分支，它以图的形式存储知识。知识图谱的基本组成单元是？A.实体和属性B.节点和边C.三元组（头实体，关系，尾实体）D.键值对17.在处理图像数据时，数据增强技术可以有效扩充数据集，防止过拟合。下列哪项操作不属于几何变换类的数据增强？A.随机旋转B.随机裁剪C.水平翻转D.添加高斯噪声18.降维算法中，主成分分析（PCA）通过线性变换将数据映射到低维空间。PCA试图保留数据的？A.类别标签信息B.最大方差信息C.最小均方误差D.样本间的距离19.在联邦学习中，多个参与方在本地训练模型，仅交换模型参数而不交换原始数据。这主要解决了什么问题？A.模型的计算速度问题B.数据隐私和安全问题C.模型的过拟合问题D.数据的标注成本问题20.AlphaFold2在蛋白质结构预测领域取得了突破性进展。该模型主要利用了哪种深度学习架构来捕捉氨基酸序列中的空间关系？A.TransformerB.CNNC.RNND.GAN二、多项选择题（本大题共10小题，每小题2分，共20分。在每小题给出的四个选项中，有两项或两项以上是符合题目要求的。多选、少选、错选均不得分）21.下列关于人工智能发展阶段的描述，正确的有？A.符号主义主张用逻辑符号模拟人类思维B.连接主义主张构建人工神经网络模拟大脑结构C.行为主义主张通过感知-动作循环在与环境的交互中进化智能D.统计主义完全独立于上述三者，不依赖概率论22.深度学习中的正则化技术用于防止过拟合，常见的正则化方法包括？A.L1正则化B.L2正则化C.EarlyStopping（早停法）D.增加网络层数23.自然语言处理（NLP）中的文本预处理通常包含哪些步骤？A.分词B.去除停用词C.词干提取或词形还原D.词向量化24.下列哪些属于无监督学习算法？A.K-Means聚类B.主成分分析（PCA）C.逻辑回归D.自编码器25.在使用大语言模型进行应用开发时，RAG（检索增强生成）架构的主要优势包括？A.能够减少模型幻觉，提高回答准确性B.无需微调模型即可利用外部最新知识C.降低了推理时的计算成本D.提高了模型的数据隐私安全性26.计算机视觉中的语义分割任务，常用的评价指标包括？A.像素准确率B.交并比C.平均精度D.混淆矩阵27.强化学习中的策略梯度方法可以直接优化策略。下列哪些属于策略梯度算法或其改进？A.REINFORCEB.Actor-Critic（演员-评论家）C.DQN（DeepQ-Network）D.PPO（ProximalPolicyOptimization）28.下列关于Python在人工智能领域应用的描述，正确的有？A.NumPy主要用于高效的数值计算B.Pandas主要用于数据处理和分析C.Scikit-learn提供了丰富的传统机器学习算法接口D.PyTorch和TensorFlow主要用于深度学习模型的构建和训练29.人工智能伦理问题日益受到关注，下列哪些属于当前AI伦理讨论的核心议题？A.算法偏见与公平性B.模型的可解释性C.自动化武器系统的安全性D.AI创作内容的版权归属30.在时序数据分析中，循环神经网络（RNN）存在长距离依赖问题。为了解决这个问题，研究者提出了哪些改进模型？A.LSTM（长短期记忆网络）B.GRU（门控循环单元）C.AttentionMechanism（注意力机制）D.ResNet三、判断题（本大题共10小题，每小题1分，共10分。请判断各题描述的正确性，正确的填“A”，错误的填“B”）31.在机器学习中，训练误差越低，模型的泛化能力一定越强。32.梯度下降算法中，学习率过大可能导致无法收敛，学习率过小可能导致收敛速度过慢。33.卷积神经网络（CNN）中的卷积核参数在训练过程中是固定不变的，不需要通过反向传播更新。34.所有的机器学习模型都需要对输入数据进行归一化或标准化处理。35.在贝叶斯分类器中，朴素贝叶斯假设特征之间是相互独立的。36.Transformer模型完全摒弃了循环和卷积结构，仅依靠注意力机制处理序列信息。37.过拟合是指模型在训练集上表现很好，但在测试集上表现较差的现象。38.生成式AI（GenerativeAI）只能生成文本内容，无法生成图像或音频。39.A*算法是一种启发式搜索算法，当启发函数满足可采纳性时，它一定能找到最优解。40.迁移学习是指将一个领域学到的知识应用到另一个相关领域，通常可以解决目标领域数据不足的问题。四、填空题（本大题共10小题，每小题2分，共20分。请将答案写在横线上）41.在神经网络中，__________函数常用于二分类问题的输出层，将输出映射到(0,1)区间；而__________函数常用于多分类问题的输出层，确保所有输出类别的概率之和为1。42.在评估回归模型时，__________指标衡量预测值与真实值差值的平方和的均值，而__________指标衡量预测值与真实值差值绝对值的均值。43.在深度学习中，__________是一种常用的优化器，它通过动量项来加速梯度下降并抑制震荡。44.__________学习是指模型在学习过程中，只有部分输入数据有标签，其余数据无标签的学习范式，它介于监督学习和无监督学习之间。45.在图像处理中，__________操作是指将图像的像素点坐标进行变换，使得输出图像的像素点对应于输入图像中某些位置的插值结果。46.__________是一种基于图论的聚类算法，它通过构建邻居图并切断图中的边来形成簇。47.在自然语言处理中，__________模型通过预测上下文来生成文本，常用于文本生成任务（如GPT系列）。48.为了提高模型的鲁棒性，可以在输入数据中故意添加微小的、人眼无法察觉的扰动，这种对抗性攻击方法被称为__________方法。52.在推荐系统中，__________算法通过分析用户的历史行为和物品的特征来预测用户对未见过物品的评分。53.__________是指机器系统能够理解、解释和生成人类语言的能力，是AI的一个重要分支。五、简答题（本大题共4小题，每小题5分，共20分。请简要回答下列问题）54.请简述梯度下降法的基本原理，并对比批量梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降的优缺点。55.请解释什么是过拟合，并列举至少三种防止过拟合的技术手段。56.请简述卷积神经网络（CNN）中卷积层、池化层和全连接层的主要作用。57.请解释Transformer模型中的“位置编码”的作用，并说明为什么Transformer需要它。六、计算与分析题（本大题共2小题，每小题10分，共20分）58.已知一个简单的二分类问题，数据集包含3个样本。真实标签：y模型预测概率（属于正类的概率）：=（1）请写出二分类交叉熵损失函数的公式。（2）请计算该模型在该数据集上的交叉熵损失。（结果保留三位小数，ln（3）若设定阈值为0.5，请计算该模型的准确率。59.给定一个数据集S=（1）请计算该数据集的均值μ和方差（使用无偏估计，即分母为n−1（2）若对该数据集进行Z-score标准化，请计算数据点“6”标准化后的值。（3）简述Z-score标准化在机器学习预处理中的作用。七、综合应用题（本大题共1小题，共20分）60.随着大语言模型（LLM）的快速发展，企业希望构建一个基于LLM的智能客服系统。该系统需要能够回答用户关于公司产品的具体问题，并且回答必须基于公司内部更新的产品手册，不能编造信息。同时，系统需要保护用户隐私，不能将用户对话数据直接用于第三方模型的训练。请根据上述需求，设计一套完整的技术方案，内容需涵盖：（1）整体架构设计：画出或描述系统的核心组件及其数据流向（如用户输入、检索、推理、输出）。（2）关键技术选型：说明你会选择哪种技术架构（如Fine-tuning或RAG）来解决“基于内部手册回答”的问题，并阐述理由。（3）数据处理：说明如何处理公司内部的产品手册数据（如文本分割、向量化、存储）。（4）隐私与安全：针对“保护用户隐私”的需求，提出至少两项具体的技术或管理措施。（5）评估指标：列举至少三个用于评估该智能客服系统效果的关键指标。参考答案及解析一、单项选择题1.D【解析】量子计算不是达特茅斯会议的核心内容，会议主要关注逻辑推理、机器学习、自然语言处理等。2.D【解析】残差连接通过引入跳跃连接，缓解了深层网络中的梯度消失/爆炸问题，使得训练极深网络成为可能。BatchNormalization也有助于缓解梯度问题，但ResNet是针对深层网络结构的关键设计。3.B【解析】CART算法使用基尼系数作为划分标准，它既可以用于分类也可以用于回归。4.A【解析】这是Transformer论文中定义的ScaledDot-ProductAttention的标准公式。5.C【解析】在ϵ-greedy策略中，ϵ值越大，随机选择动作（探索）的概率越大。6.C【解析】池化层的主要作用是下采样，减少特征图尺寸、计算量和参数数量，同时保持一定的不变性。7.C【解析】径向基核（RBF）将数据映射到无限维空间。8.A【解析】GAN的理想状态是纳什均衡，此时生成器生成的数据分布与真实数据分布一致，判别器无法区分，对任何输入输出概率均为0.5。9.B【解析】K-Means必须预先指定簇数K，且对初始质心敏感。10.C【解析】温度为0时，模型退化为贪婪解码，总是选择概率最大的词；温度越高，分布越平缓，随机性越高。11.C【解析】精确率高说明查准，召回率高说明查全，两者都高说明模型对正类的识别既准确又全面。12.D【解析】JSONMode或XMLTagging是提示工程中引导模型输出结构化数据的技术。思维链主要用于推理。13.B【解析】YOLO将目标检测视为回归问题，直接在图像上回归边界框和类别概率。14.B【解析】深度学习框架主要采用反向模式自动微分，即反向传播，因为通常输入维度远大于输出维度，反向计算更高效。15.B【解析】BERT的核心特征是双向上下文理解和掩码语言模型（MLM）预训练任务。16.C【解析】知识图谱的基本单元是三元组（头实体，关系，尾实体）。17.D【解析】添加高斯噪声属于颜色/光度变换，不属于几何变换。18.B【解析】PCA旨在保留数据投影后方差最大的方向，即保留最多的信息。19.B【解析】联邦学习的核心优势在于数据不出本地，解决了数据隐私和孤岛问题。20.A【解析】AlphaFold2大量使用了基于Attention的Evoformer模块（属于Transformer架构变体）来处理蛋白质序列和结构信息。二、多项选择题21.ABC【解析】符号主义、连接主义、行为主义是人工智能的三大主要流派。统计主义并非完全独立，常作为工具融入其他流派。22.ABC【解析】L1/L2正则化、早停法、Dropout（未列出但也是）都是防止过拟合的手段。增加网络层数通常增加模型复杂度，易导致过拟合。23.ABCD【解析】分词、去停用词、词形还原、词向量化都是NLP预处理的标准步骤。24.ABD【解析】逻辑回归是监督学习算法。25.ABD【解析】RAG利用外部知识减少幻觉，利用最新知识，且数据不出域（相对安全）。RAG通常会增加检索步骤，推理成本不一定降低。26.AB【解析】语义分割常用像素准确率和mIoU（平均交并比）。27.ABD【解析】REINFORCE、Actor-Critic、PPO都是策略梯度方法。DQN是基于值的方法。28.ABCD【解析】NumPy、Pandas、Scikit-learn、PyTorch/TensorFlow分别是Python生态中数值计算、数据处理、传统机器学习、深度学习的核心库。29.ABCD【解析】偏见、可解释性、安全、版权都是当前AI伦理的核心议题。30.ABC【解析】LSTM、GRU、Attention都是为了解决长距离依赖问题。ResNet主要用于CV中的深层网络退化问题。三、判断题31.B【解析】训练误差低不代表泛化能力强，可能发生了过拟合。32.A【解析】学习率是梯度下降中最重要的超参数之一，过大导致震荡发散，过小导致收敛慢。33.B【解析】卷积核参数是网络权重的一部分，需要通过反向传播进行学习和更新。34.B【解析】并非所有模型都必须归一化，例如基于树的模型（决策树、随机森林）对特征尺度不敏感。35.A【解析】朴素贝叶斯的核心假设就是特征条件独立性。36.A【解析】Transformer完全基于注意力机制，没有RNN的循环结构或CNN的卷积结构。37.A【解析】过拟合的定义即为训练集表现好，测试集表现差。38.B【解析】生成式AI可以生成文本、图像、音频、视频、3D模型等多种模态的内容。39.A【解析】A*算法的可采纳性保证当启发函数h(40.A【解析】迁移学习正是为了利用源域知识解决目标域数据不足的问题。四、填空题41.Sigmoid；Softmax42.均方误差（MSE）；平均绝对误差（MAE）43.动量法（或SGDwithMomentum）44.半监督45.几何变换（或AffineTransformation）46.SpectralClustering（谱聚类）47.Causal（或自回归）48.FGSM（或FastGradientSignMethod）49.协同过滤50.自然语言处理（NLP）五、简答题54.【参考答案】基本原理：梯度下降法是一种迭代优化算法，通过沿着损失函数关于参数的负梯度方向更新参数，以逐步逼近损失函数的最小值。对比：(1)批量梯度下降（BGD）：每次迭代使用所有样本计算梯度。优点是收敛稳定，容易陷入全局最优；缺点是速度慢，大数据集无法内存装载。(2)随机梯度下降（SGD）：每次迭代仅使用一个样本计算梯度。优点是更新快，跳出局部最优能力强；缺点是收敛震荡，难以稳定。(3)小批量梯度下降：每次迭代使用一小批样本计算梯度。结合了BGD和SGD的优点，收敛较稳定且利用了矩阵加速运算，是目前最常用的方式。55.【参考答案】过拟合是指模型在训练数据上学习得过于精细，甚至将噪声也当作特征学习，导致在训练集上误差很小，但在测试集或新数据上误差很大，泛化能力差。防止技术：(1)正则化（L1,L2）：在损失函数中加入惩罚项，限制参数规模。(2)Dropout：在训练过程中随机丢弃部分神经元，防止神经元共适应。(3)数据增强：扩充训练集，增加数据多样性。(4)早停法：在验证集误差不再下降时停止训练。(5)交叉验证：更充分地利用数据评估模型性能。56.【参考答案】(1)卷积层：通过卷积核在输入上滑动进行特征提取，利用局部感知野和权值共享提取图像的局部特征（如边缘、纹理）。(2)池化层：对特征图进行下采样（如最大池化、平均池化），减少参数量和计算量，同时保持特征的不变性（如平移、旋转）。(3)全连接层：将前面提取的分布式特征映射到样本标记空间，通常用于输出分类或回归结果。57.【参考答案】作用：由于Transformer完全摒弃了循环结构，无法像RNN那样通过序列的先后顺序捕捉位置信息。如果不注入位置信息，Transformer会将输入序列视为一个集合（BagofWords），失去词序的语义。位置编码通过向输入嵌入中添加与位置相关的向量，使模型能够区分不同位置的词。原因：为了保留序列的顺序信息，确保模型理解词语在句子中的相对或绝对位置关系。六、计算与分析题58.【参考答案】（1）二分类交叉熵损失公式：L（2）计算过程：样本1(y=1样本2(y=0样本3(y=1总损失L（3）准确率计算：预测结果（阈值0.5）：样本1(0.9>0.5->预测1)，样本2(0.2<0.5->预测0)，样本3(0.8>0.5->预