2026年人工智能基础知识考试试题及答案

2026年人工智能基础知识考试试题及答案一、单项选择题（共20题，每题2分，总计40分。下列每题给出的4个选项中，只有1个选项符合题目要求）1.人工智能学科正式诞生的标志性事件为1956年召开的达特茅斯会议，2026年是该学科正式诞生的多少周年？A.68B.70C.72D.742.我国2025年12月正式实施的《生成式人工智能服务安全基本要求》强制性国家标准中，明确要求生成式AI训练数据可溯源的最低强制覆盖层级是A.核心训练集全量溯源B.涉及公共权益类内容训练数据溯源C.涉及个人信息类内容训练数据溯源D.高风险场景输入输出全链路溯源3.下列人工智能任务中，属于典型监督学习技术范畴的是A.电商平台基于用户行为数据的消费群体自动分群B.自动驾驶系统通过路测交互完成策略迭代优化C.医疗影像AI通过标注数据集训练实现结节自动识别D.音频处理系统对语音特征执行降维可视化处理4.Transformer架构自2017年被提出后已成为当前主流大模型的基础框架，其标准自注意力计算流程中，对Query矩阵与Key矩阵的乘积结果执行归一化操作所采用的缩放因子是A.Key向量维度的平方根B.Key向量维度的平方值C.输入序列总长度的平方根D.输入序列总长度的平方值5.下列人工智能技术中，属于典型参数高效微调（PEFT）技术，且通过给Transformer注意力层增加低秩分解矩阵实现小算力下的大模型微调的方案是A.PrefixTuningB.LoRAC.AdapterD.PromptTuning6.2026年国内主流端侧AI芯片普遍支持int4精度大模型推理优化，将原本FP16精度的7B大模型量化为int4精度后，模型内存占用将降低为原有的A.1/2B.1/4C.1/8D.1/167.下列AI落地场景中，属于高风险人工智能场景、需按照国家《人工智能服务安全评估办法》要求完成事前安全评估方可上线的是A.电商平台商品推荐系统B.短视频平台内容生成工具C.升学考试智能评分系统D.智能家居语音控制系统8.计算机视觉任务分类中，语义分割技术的核心输出目标是A.识别图片中所有目标物体的分类与边界框坐标B.为图片中每个像素点分配对应类别标签，实现像素级内容划分C.匹配不同图像中的相同物体特征实现跨场景目标跟踪D.基于单张二维图像还原场景三维空间坐标点云9.典型的卷积神经网络（CNN）中，池化（Pooling）操作不能实现的效果是A.降低特征图尺寸、减少后续层计算量B.提升模型特征的平移不变性C.扩大模型的感受野范围D.完全消除模型训练过程中的过拟合问题10.下列关于生成式AI幻觉问题的描述中，准确的是A.幻觉指生成式AI输出内容与事实逻辑不符、无可靠来源支撑的错误内容B.只要将大模型参数规模提升至万亿级即可完全消除幻觉问题C.幻觉问题全部源于训练数据标注错误，与模型架构无关D.幻觉问题仅出现在自然语言生成场景，多模态模型不存在幻觉问题11.联邦学习作为当前隐私计算与人工智能交叉的核心技术，其核心特性是A.参与建模的所有机构必须将原始数据上传至统一算力节点完成训练B.各参与方原始数据不出本地，仅通过加密交互中间梯度参数完成联合建模C.建模过程完全不需要任何加密算法支持即可实现数据隐私保护D.仅支持参与方数据特征完全重叠的场景下的建模任务12.下列机器学习评估指标中，专门用于二分类任务下评估模型对正样本识别准确率的指标是A.召回率（Recall）B.精确率（Precision）C.均方误差（MSE）D.交并比（IoU）13.具身智能作为2026年人工智能领域落地增速最快的分支，其核心技术特征是A.AI系统完全运行在云端、无需对接任何实体硬件设备B.人工智能主体通过物理实体与真实物理环境实时交互、完成感知决策闭环C.仅面向人形机器人场景、无法适配工业机械臂、无人车等其他实体设备D.训练过程完全基于虚拟仿真数据、不需要任何真实环境交互数据14.基于2026年国家版权局发布的《人工智能生成内容知识产权保护操作指引》，下列关于AI生成内容的权属判定规则中，符合现行要求的是A.完全由AI自动生成、无人类用户创造性投入的内容，不构成作品、无法享有著作权B.所有AI生成内容的著作权默认归属于大模型开发厂商所有C.用户只要输入提示词（Prompt）生成的所有内容，著作权全部归属于用户个人D.AI生成内容无需标注生成来源即可直接用于商用出版场景15.下列深度学习框架中，属于国内完全自主研发开源、适配国产AI算力芯片的主流框架是A.TensorFlowB.PyTorchC.PaddlePaddleD.MXNet16.小样本学习（Few-ShotLearning）技术的核心目标是A.在仅提供少量标注样本的场景下实现满足落地精度要求的模型训练B.完全不需要任何样本数据即可完成模型训练C.把大模型的参数量压缩至原本的万分之一以下D.实现模型在所有任务上的精度超过全监督训练模型17.当前大模型对齐（Alignment）技术的核心目标是A.让大模型的输出行为符合人类的价值观、伦理规范与场景使用需求B.尽可能提升大模型的参数规模、实现算力资源最大化利用C.让大模型的训练速度提升10倍以上D.实现大模型完全不需要人类干预即可自动完成所有训练流程18.下列AI安全技术中，属于主动防御技术、可实现AI生成内容全链路溯源的是A.数字水印嵌入技术B.对抗样本攻击技术C.数据投毒技术D.模型窃取技术19.2026年国内通用人工智能（AGI）测评规范中，不属于通用智能基础能力维度的测评项是A.逻辑推理能力B.跨场景泛化能力C.恶意内容生成能力D.多模态感知交互能力20.边缘人工智能（EdgeAI）技术的核心落地优势是A.所有计算任务全部上传至云端超算中心完成，端侧设备仅做数据接收B.数据处理过程在本地边缘设备完成，可大幅降低响应时延、避免敏感数据外传C.端侧设备无需搭载任何算力芯片即可运行千亿参数级大模型D.算力功耗比远低于云端数据中心算力、完全不产生碳排放单项选择题答案及解析：1.答案：B解析：1956年达特茅斯会议正式提出“人工智能”概念，2026-1956=70，为人工智能学科诞生70周年。2.答案：D解析：2025年底实施的生成式AI安全国标明确要求高风险场景输入输出全链路可溯源，涉公共权益、涉个人信息内容为优先溯源覆盖层级，全量核心训练集溯源为超大规模通用大模型的附加要求，非最低强制要求。3.答案：C解析：医疗影像病灶识别属于典型的监督学习任务，依赖标注好的影像-病灶对应数据集训练；用户行为分群属于无监督聚类任务，自动驾驶策略迭代属于强化学习任务，特征降维属于无监督数据预处理任务。4.答案：A解析：自注意力计算流程中，为避免点积结果过大导致Softmax函数进入梯度饱和区域，采用Key向量维度的平方根作为缩放因子实现归一化。5.答案：B解析：LoRA（低秩适配）技术核心思路是在Transformer注意力层新增两个低秩矩阵，训练过程仅更新低秩矩阵参数、不改动基础大模型参数，大幅降低微调所需算力与存储开销。6.答案：B解析：FP16精度每个参数占用16比特存储空间，int4精度每个参数仅占用4比特，量化后模型内存占用为原有值的4/16=1/4。7.答案：C解析：升学考试智能评分直接关系用户核心受教育权益，属于国家明确划定的高风险人工智能场景，其余三类属于中低风险场景，仅需履行常规备案义务。8.答案：B解析：语义分割的核心目标是实现像素级内容分类，输出结果为与输入图像尺寸完全一致的分类标注矩阵；A为目标检测任务目标，C为目标跟踪任务目标，D为三维重建任务目标。9.答案：D解析：池化操作可以降低模型计算量、提升特征鲁棒性，但无法完全消除过拟合问题，过拟合问题需要通过正则化、数据增强等额外手段优化。10.答案：A解析：幻觉问题是当前生成式AI的固有特性之一，根源来自模型的概率生成逻辑，参数规模提升可降低幻觉概率但无法完全消除，多模态模型同样存在幻觉问题，其产生原因涵盖训练数据、模型架构、对齐策略等多维度因素。11.答案：B解析：联邦学习的核心特性为“数据不动模型动”，各参与方原始数据不出域，通过加密交互中间参数实现联合建模，无需上传原始数据，可适配特征不同场景的异构联邦学习任务。12.答案：B解析：精确率指模型判定为正样本的结果中真实正样本的占比，召回率指所有真实正样本中被模型正确识别的占比，均方误差为回归任务评估指标，交并比为计算机视觉检测分割任务评估指标。13.答案：B解析：具身智能的核心特征是智能主体拥有物理实体，可通过与真实物理环境的实时交互迭代感知决策能力，可适配机器人、工业设备、无人车等多类实体场景，训练需要结合仿真数据与真实交互数据共同完成。14.答案：A解析：我国2026年现行AI知识产权保护规则明确，只有包含人类创作者创造性智力投入的AI生成内容才可认定为作品、享有对应著作权，完全由AI自动生成无人类创造性投入的内容不构成作品，商用场景必须标注AI生成来源。15.答案：C解析：飞桨（PaddlePaddle）为百度开发的国内首个完全开源自主研发深度学习框架，可全生态适配国产昇腾、海光、寒武纪等各类AI算力芯片，其余三类均为海外机构主导开发的框架。16.答案：A解析：小样本学习的核心目标是解决落地场景中标注数据不足的问题，在仅提供少量标注样本的前提下达到符合业务要求的模型精度，不需要零样本输入，精度上限通常低于全监督训练模型。17.答案：A解析：大模型对齐技术通过监督微调、人类反馈强化学习、ConstitutionalAI等多种技术路线，实现大模型输出结果与人类价值观、伦理规范、场景需求的对齐，规避有害输出风险。18.答案：A解析：AI生成内容数字水印技术可在不影响内容可用性的前提下嵌入不可见溯源标识，实现AI生成内容全链路溯源，其余三类均属于AI攻击类技术，不属于防御溯源技术。19.答案：C解析：通用人工智能测评体系的能力维度覆盖逻辑推理、跨场景泛化、多模态交互、工具调用等正向能力项，恶意内容生成属于安全测评中的否决项，不属于智能基础能力维度。20.答案：B解析：边缘AI将计算任务下沉至本地边缘设备完成，无需全量数据回传云端，可大幅降低端到端响应时延，适配自动驾驶、工业控制等低时延场景，同时可避免敏感个人数据、涉密数据外传，提升数据安全等级。二、多项选择题（共10题，每题3分，总计30分。下列每题给出的4个选项中，至少有2个选项符合题目要求，错选、漏选、多选均不得分）1.根据2026年中国人工智能标准化技术委员会发布的《新一代人工智能基础知识术语规范V2.0》，下列属于人工智能核心技术分支范畴的有A.联邦学习B.具身智能C.因果推断D.神经符号计算2.当前主流大模型参数高效微调（PEFT）技术的主流实现方案包括A.LoRA低秩适配技术B.Adapter插入层技术C.PrefixTuning前缀调优技术D.全参数梯度回传训练技术3.我国现行《人工智能伦理规范指引》中明确的可信人工智能核心评价维度包括A.算法透明性B.决策可解释性C.风险可控性D.主体责任明确性4.下列属于典型自然语言处理（NLP）下游任务的有A.机器翻译任务B.命名实体识别任务C.语音合成任务D.文本情感分析任务5.强化学习技术体系中，核心组成要素包括A.智能体（Agent）B.环境（Environment）C.奖励函数（RewardFunction）D.策略（Policy）6.下列AI模型压缩优化技术中，可用于实现大模型端侧部署的主流技术路线包括A.模型量化技术B.模型剪枝技术C.知识蒸馏技术D.全参数量扩容技术7.下列属于人工智能落地场景中典型数据隐私风险点的有A.训练数据中包含未授权采集的个人敏感信息B.模型推理输出结果可反向还原训练集中的涉密数据C.联邦学习交互过程中泄露中间梯度数据携带的原始信息D.开源预训练大模型内置恶意后门程序8.计算机视觉多模态大模型当前已实现规模化落地的应用场景包括A.工业产品表面缺陷自动检测B.自动驾驶场景多目标融合感知C.医疗影像多模态辅助诊断D.空间全域实景三维重建9.下列关于生成式大模型上下文窗口技术的描述中，正确的有A.滑动窗口注意力技术可在不显著提升算力开销的前提下将长序列上下文窗口扩展至百万Token级B.上下文窗口长度决定了大模型可一次性读取处理的输入文本总信息量C.无限长上下文窗口技术完全不需要额外优化算力开销D.上下文窗口扩展技术可大幅提升大模型处理长文档、超长代码等场景的能力10.2026年我国《智能网联汽车人工智能系统安全管理规范》中要求车载AI系统必须满足的强制安全要求包括A.车载AI决策过程全程可追溯B.极端场景下人类驾驶员优先级高于AI系统决策权限C.不得利用车载AI系统收集用户位置、出行数据用于未经授权的商用场景D.完全由AI系统承担所有交通事故责任多项选择题答案及解析：1.答案：ABCD解析：最新版人工智能术语规范将联邦学习、具身智能、因果推断、神经符号计算四类技术全部纳入人工智能核心技术分支范畴，覆盖隐私智能、实体智能、可解释智能、混合范式智能四大前沿方向。2.答案：ABC解析：参数高效微调技术的核心特征是训练过程中仅更新不足10%的模型参数，即可达到接近全参数微调的效果，全参数梯度回传训练需要更新100%的模型参数，不属于参数高效微调范畴。3.答案：ABCD解析：我国现行可信AI评价体系包含算法透明、决策可解释、风险可控、责任明确、公平无歧视五大核心维度，上述四个选项均属于法定评价维度。4.答案：ABCD解析：自然语言处理技术覆盖文本解析、语义理解、语音交互等多个方向，四类任务均属于NLP典型下游落地任务。5.答案：ABCD解析：强化学习基础闭环框架由四大核心要素组成，智能体执行动作与环境交互，环境返回奖励值反馈给智能体，智能体基于奖励迭代优化自身决策策略，最终实现长期累积奖励最大化。6.答案：ABC解析：模型量化通过降低参数存储比特数压缩模型体积，模型剪枝通过删除冗余参数降低模型规模，知识蒸馏通过小模型学习大模型能力压缩计算开销，三类技术均为大模型端侧部署的主流优化技术，全参数量扩容会提升模型部署门槛，不属于压缩优化技术。7.答案：ABCD解析：四类场景均为当前AI落地过程中的典型数据隐私风险点，需要配套对应的安全防护机制予以规避。8.答案：ABCD解析：截至2026年，多模态计算机视觉技术已在工业检测、自动驾驶、医疗辅助诊断、三维重建场景实现规模化落地商用，技术成熟度超过90%。9.答案：ABD解析：上下文窗口长度与算力开销呈正相关关系，扩展无限长上下文窗口需要配套对应的算力优化策略，无法实现零算力开销增长，其余三项描述均准确。10.答案：ABC解析：我国现行智能网联汽车AI管理规范明确要求交通事故责任按照《道路交通安全法》和产品质量法划分，并非由AI系统承担所有责任，其余三项均为强制安全要求。三、判断题（共10题，每题1分，总计10分，请判断描述正误，在括号内标注√或×）1.随着大模型参数规模增长，其通用任务推理精度会按照缩放定律线性持续提升，不存在性能边际递减效应。（×）解析：大模型缩放定律仅在一定参数规模区间内生效，当参数规模超过阈值后，推理精度提升速度会远低于参数规模增长速度，还可能出现灾难性遗忘、能耗过载等负面问题。2.联邦学习技术可以在不共享各参与方原始数据的前提下，完成跨机构联合AI建模，符合数据要素流通的安全合规要求。（√）解析：联邦学习核心特性为“数据不出域、价值可流通”，可在满足数据隐私合规要求的前提下实现跨机构联合建模。3.生成式AI输出的所有内容天然具备著作权，无需经过任何审核即可直接用于出版、广告等商用场景。（×）解析：按照我国现行AI知识产权规则，完全无人类创造性投入的AI生成内容不构成作品，且所有AI生成内容用于商用场景必须履行内容审核、来源标注义务。4.卷积神经网络（CNN）相比Transformer架构的视觉大模型，在处理高分辨率图像任务时，其算力开销增长幅度更低。（√）解析：卷积操作的计算复杂度与图像尺寸呈线性关系，而原生自注意力机制计算复杂度与图像尺寸呈平方关系，CNN在高分辨率视觉任务下算力效率优势更突出。5.人工智能对抗样本攻击指的是通过在输入样本中添加人类肉眼不可感知的微小扰动，即可让正常AI模型输出完全错误的结果，属于典型的AI安全风险。（√）解析：对抗样本攻击是AI模型的一类典型安全漏洞，广泛存在于计算机视觉、自然语言处理等各类AI系统中，需要配套鲁棒性优化机制予以防御。6.强化学习技术训练过程完全不需要通过奖励函数反馈，即可自动迭代出最优决策策略。（×）解析：奖励函数是强化学习的核心引导要素，没有奖励反馈的前提下，智能体无法判断决策动作的优劣，无法完成策略迭代。7.端侧AI部署指的是将AI模型全部运行在用户本地的手机、物联网设备等终端节点上，完全不需要依赖云端算力支持即可实现推理响应。（√）解析：端侧AI推理过程完全在本地设备完成，无需上传数据至云端，响应时延可降低至毫秒级，同时可规避敏感数据外传风险。8.生成式AI的幻觉问题是完全可以通过技术优化彻底消除的，当前主流技术方案已经实现了零幻觉大模型。（×）解析：生成式AI基于概率生成逻辑的底层特性决定了幻觉是其固有属性，当前技术仅能将幻觉概率降低至千分之一以下，无法实现100%零幻觉。9.人工智能领域的过拟合问题指的是模型在训练集上表现精度极高，但是在未见过的测试集数据上表现精度大幅下降的现象。（√）解析：过拟合是机器学习领域的典型问题，根源是模型过度学习了训练集的样本独有特征，泛化能力大幅下降。10.我国当前面向中小学生的人工智能科普活动中，不得引入无安全审核机制的通用大模型作为教学工具。（√）解析：2025年教育部发布的《中小学人工智能教育安全规范》明确要求，面向未成年人的AI教学工具必须经过内容安全备案，具备完备的有害内容过滤机制。四、简答题（共3题，每题5分，总计15分）1.请简述监督学习、无监督学习、强化学习三类核心机器学习范式的核心差异与典型落地场景。答案：三类范式的核心差异体现在训练数据的标注形态与训练逻辑上：第一，监督学习训练依赖人工标注好的输入-输出对应数据集，模型学习从输入到输出的映射关系，典型落地场景包括人脸识别、医疗影像病灶识别、文本情感分类等；第二，无监督学习训练过程不依赖任何人工标注数据，仅通过挖掘输入数据自身的分布特征、内在关联完成建模，典型落地场景包括用户消费行为分群、商品异常流量检测、高维数据降维可视化等；第三，强化学习训练不需要静态标注数据集，智能体通过与环境实时交互，接收环境返回的奖惩反馈迭代优化自身决策策略，最终实现长期累积奖励最大化，典型落地场景包括自动驾驶决策控制、机器人运动控制、游戏AI博弈等。三类范式并非互斥，当前主流大模型通过基于人类反馈的强化学习（RLHF）技术融合三类范式优势，实现更好的对齐效果。2.结合2026年我国现行生成式人工智能合规管理要求，简述生成式AI服务提供者必须履行的三项核心安全义务。答案：第一，内容安全义务，服务提供者必须建立健全全流程内容审核机制，针对生成式AI训练数据、提示词输入、模型输出三个环节执行分层内容安全过滤，严禁生成违法违规、违背公序良俗的有害内容；第二，数据安全义务，训练数据获取、使用过程必须符合《个人信息保护法》《数据安全法》要求，不得非法采集个人信息、知识产权侵权数据，高风险场景必须实现训练数据、交互数据全链路可溯源；第三，风险防控义务，针对生成式AI的幻觉风险、生成内容侵权风险、算法偏见风险建立常态化防控机制，面向公众提供服务的生成式AI产品必须完成法定安全评估备案，运营过程中定期开展安全隐患排查，发生安全事件第一时间向监管部门报备。3.请简述Transformer架构相比传统RNN、LSTM循环神经网络的核心技术优势。答案：第一，并行计算效率优势，传统RNN、LSTM循环网络需要按序列顺序逐次计算，无法并行处理序列内的不同位置元素，