2026高考人工智能试题及答案

2026高考人工智能试题及答案一、单项选择题（每题3分，共30分）1.下列哪一项不是人工智能研究的主要学派？A.符号主义B.连接主义C.行为主义D.经验主义2.在机器学习中，用于评估分类模型性能，计算为（真正例+真负例）/总样本数的指标是：A.精确率B.召回率C.F1分数D.准确率3.一个典型的卷积神经网络（CNN）中，通常用于降低特征图空间维度、减少参数量的层是：A.卷积层B.激活函数层C.池化层D.全连接层4.在自然语言处理中，将词语转换为计算机可处理的数值向量的过程称为：A.分词B.词性标注C.词嵌入D.句法分析5.强化学习智能体通过与环境交互来学习策略，其核心要素不包括：A.状态B.动作C.奖励D.数据集6.关于“过拟合”现象，以下描述正确的是：A.模型在训练集和测试集上表现都很好B.模型过于简单，无法捕捉数据中的潜在规律C.模型过度学习了训练数据中的细节和噪声，导致泛化能力下降D.增加模型复杂度总能避免过拟合7.支持向量机（SVM）在寻找最优分类超平面时，旨在最大化：A.训练误差B.分类阈值C.边际D.支持向量的数量8.循环神经网络（RNN）相比前馈神经网络，其主要特点是：A.具有卷积核B.具有记忆能力，能处理序列数据C.只能处理固定大小的输入D.没有反馈连接9.在人工智能伦理中，“算法公平性”主要关注的是：A.算法的计算速度B.算法对不同群体的无偏见对待C.算法的商业价值D.算法的代码开源程度10.生成式对抗网络（GAN）的基本框架包含：A.一个生成器和一个判别器，相互对抗优化B.多个相同的神经网络并行工作C.一个编码器和一个解码器，用于数据压缩D.一个决策树和一个随机森林，用于集成学习二、多项选择题（每题4分，共20分。全部选对得4分，部分选对得2分，有选错得0分）11.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.线性回归D.决策树E.DBSCAN聚类12.关于深度学习中的激活函数，下列描述正确的有？（）A.Sigmoid函数容易导致梯度消失问题B.ReLU函数在负半轴梯度为零，可能导致神经元“死亡”C.Tanh函数是零中心化的，收敛速度通常比Sigmoid快D.LeakyReLU函数为负输入提供了一个小的非零斜率，缓解了神经元“死亡”问题E.激活函数的选择对模型性能没有影响13.以下关于Transformer模型核心机制的说法，正确的有？（）A.完全基于循环结构处理序列B.核心是自注意力机制，可以并行计算C.包含编码器-解码器结构，广泛应用于机器翻译等任务D.位置编码用于为模型提供序列中词的位置信息E.其计算效率在处理长序列时低于RNN14.人工智能技术应用可能带来的社会挑战包括？（）A.就业结构变化与潜在失业风险B.算法偏见与歧视C.个人隐私和数据安全问题D.智能系统的可解释性与责任归属E.能源消耗增加15.在计算机视觉中，目标检测任务常用的模型或方法有？（）A.R-CNN系列（如FastR-CNN,FasterR-CNN）B.YOLO系列C.SSDD.U-Net（主要用于图像分割）E.ResNet（主要用于图像分类）三、填空题（每空2分，共20分）16.在机器学习中，根据数据是否有标签，学习范式主要分为监督学习、无监督学习和________。17.反向传播算法的核心是利用________法则，将输出层的误差逐层向前传递，以更新网络中的权重参数。18.在自然语言处理中，BERT模型使用的预训练任务之一是________，即随机掩盖输入序列中的部分词汇，让模型预测被掩盖的词。19.人工智能研究的一个长期目标是达到或超越人类智能的通用人工智能，其英文缩写是________。20.在搜索算法中，________算法总是优先扩展当前路径中代价最小的节点，保证找到的解是代价最小的（如果代价非负）。21.在概率图模型中，________网络是一种有向无环图模型，用于表示变量间的因果关系。22.评估聚类算法效果时，对于有标签的数据，可以使用________指数等外部指标；对于无标签数据，可以使用轮廓系数等内部指标。23.强化学习中，智能体根据当前状态选择动作的策略，可以分为基于价值的策略、基于策略的策略和________策略。24.知识图谱通常采用________（RDF）三元组的形式来表示实体、属性和实体间的关系。25.在模型训练中，为了防止过拟合，除了增加数据、降低模型复杂度，还可以采用________技术，如在训练过程中随机丢弃一部分神经元。四、简答题（共45分）26.（封闭型，8分）简述监督学习和无监督学习的主要区别，并各举一个典型算法。27.（封闭型，10分）什么是梯度消失问题？在深度神经网络中，通常有哪些方法可以缓解梯度消失问题？（至少列出三种）28.（开放型，12分）请阐述人工智能在医疗健康领域的三项具体应用，并分析每项应用可能带来的积极影响与潜在风险。29.（封闭型，15分）请描述Transformer模型中的自注意力机制（Self-AttentionMechanism）是如何计算一个序列中每个元素与其他所有元素的关联度的（可结合公式或计算步骤说明）。并简述自注意力机制相比循环神经网络（RNN）在处理序列数据时的两个主要优势。五、应用题（共35分）30.（计算分析类，15分）假设有一个二分类问题，使用逻辑回归模型进行预测。已知模型对于某个测试样本的线性组合输出z=2.5，逻辑回归函数（Sigmoid函数）为σ(z)=1/(1+e^{-z})。(1)计算该样本被预测为正类的概率P=σ(z)。（保留小数点后4位）(2)若设定分类阈值为0.5，该样本的预测类别是什么？(3)如果该样本的真实标签是正类，且模型对于该样本的损失函数采用对数损失（LogLoss），请计算该样本上的损失值L=-[ylog(p)+(1-y)log(1-p)]，其中y为真实标签（正类为1），p为预测为正类的概率。（保留小数点后4位）31.（综合类，20分）阅读以下材料，回答问题。材料：某城市计划在部分路口部署智能交通信号控制系统。该系统通过路侧摄像头和传感器实时采集各方向车流量、车辆排队长度、行人等待情况等数据。系统核心是一个深度强化学习智能体，其状态（State）为各路口的实时交通数据，动作（Action）为调整信号灯相位和时长，奖励（Reward）设计为综合考虑车辆平均通行时间减少、行人平均等待时间减少和紧急车辆优先通行等因素。问题：(1)从技术架构上看，该智能交通信号控制系统主要涉及哪些人工智能关键技术？（至少列出三项）(2)试分析将深度强化学习应用于该场景相比传统定时或感应式信号控制方法的两个潜在优势。(3)在部署此类系统前，需要进行充分的测试和评估。请设计一个简单的评估方案，用于对比新系统与旧系统在某个路口的效能（需说明评估指标和大致评估流程）。(4)除了技术效能，在部署此类系统时还需考虑哪些社会或伦理层面的问题？（至少两点）参考答案及评分标准一、单项选择题1.D（经验主义不是主要学派）2.D3.C4.C5.D（数据集是监督/无监督学习核心，非强化学习核心交互要素）6.C7.C8.B9.B10.A二、多项选择题11.ABE（线性回归和决策树通常为监督学习）12.ABCD13.BCD（A错，Transformer非循环结构；E错，其并行计算效率通常高于RNN）14.ABCDE15.ABC（D、E虽相关，但非目标检测专用模型）三、填空题16.强化学习17.链式18.掩码语言模型（MLM）19.AGI20.一致代价搜索（或UCS，或Dijkstra算法，在边权非负时等价）21.贝叶斯22.调整兰德（ARI）23.演员-评论家（Actor-Critic）24.资源描述框架25.正则化（或具体答“Dropout”）四、简答题26.（8分）主要区别：监督学习：使用带有标签的数据进行训练，学习从输入到输出的映射关系，目标是对新数据做出预测。（2分）无监督学习：使用没有标签的数据进行训练，旨在发现数据中的内在结构、模式或分布。（2分）算法举例：监督学习典型算法：线性回归、逻辑回归、支持向量机、决策树等。（任举一例，2分）无监督学习典型算法：K-Means聚类、主成分分析（PCA）、关联规则挖掘等。（任举一例，2分）27.（10分）梯度消失问题：在深度神经网络中，使用反向传播算法计算梯度时，梯度值从输出层向输入层传播的过程中，可能会因为链式求导中连续乘以小于1的数（如Sigmoid函数的导数）而指数级地减小，导致靠近输入层的网络权重更新非常缓慢甚至停滞，难以有效学习。（3分）缓解方法（每点2-3分，答对三点即可得7分）：1.使用改进的激活函数，如ReLU、LeakyReLU等，其导数在正区间为常数，缓解梯度消失。2.使用批归一化（BatchNormalization），通过规范化层输入稳定分布，允许使用更高的学习率，并能提供一定的正则化效果，间接影响梯度流动。3.使用残差网络（ResNet）等特殊的网络结构，通过跳跃连接（ShortcutConnection）让梯度可以直接绕过一些层进行传播。4.使用门控循环单元（如LSTM、GRU）处理序列数据，其门控机制可以更好地控制梯度的流动。5.合理的权重初始化方法，如Xavier初始化、He初始化。28.（12分）（本题为开放型，答案不唯一，以下为示例。每项应用需包含具体应用、积极影响、潜在风险三个部分，每部分1分，三项共9分，逻辑与表述3分。）示例：1.应用：医学影像辅助诊断（如CT、MRI影像分析）。积极影响：提高诊断的效率和准确性，帮助医生快速定位病灶，减少漏诊、误诊；缓解医疗资源分布不均的压力，使偏远地区患者也能获得高质量的影像初筛。潜在风险：模型诊断结果可能存在偏差，特别是对训练数据中少见的病例；过度依赖AI可能导致医生诊断技能生疏；出现误诊时责任界定困难。2.应用：个性化治疗方案推荐。积极影响：基于患者的基因组学、病历、生活习惯等多维度数据，为患者提供更精准、个性化的治疗建议和用药指导，提升治疗效果，减少副作用。潜在风险：涉及高度敏感的个人隐私和健康数据，存在数据泄露和滥用风险；算法决策过程可能不透明（“黑箱”问题），影响医生和患者的信任与采纳。3.应用：医院流程管理与预测（如住院时长预测、医疗资源需求预测）。积极影响：优化床位、人员、设备等资源的调度，提高医院运营效率；预测流行病趋势或重症风险，助力公共卫生部门提前干预。潜在风险：预测模型可能基于历史数据中的不平等模式，导致资源分配进一步向某些群体倾斜，加剧医疗不平等；系统故障可能引发管理混乱。29.（15分）自注意力机制计算过程（9分）：1.对于输入序列的每个词向量，通过可学习的权重矩阵分别生成查询向量（Query,Q）、键向量（Key,K）和值向量（Value,V）。（2分）2.计算注意力分数：对于序列中的每一个元素（作为Query），计算它与序列中所有元素（包括自身）的Key的点积，用以衡量两者之间的相关性。即：Score=Q*K^T。（2分）3.缩放与归一化：将上一步的得分除以一个缩放因子（通常是Key向量维度的平方根，√d_k），以防止点积结果过大。然后应用Softmax函数进行归一化，得到注意力权重（所有权重之和为1）。即：AttentionWeights=Softmax((Q*K^T)/√d_k)。（3分）4.加权求和：将得到的注意力权重与对应的Value向量相乘并求和，得到该位置最终的输出向量。即：Output=AttentionWeights*V。（2分）（可用公式综合表达为：Attention(Q,K,V)=softmax((QK^T)/√d_k)V）相比RNN的两个主要优势（6分）：1.强大的长程依赖建模能力：自注意力机制允许序列中任意两个位置直接计算关联，无论距离多远，避免了RNN因序列过长而可能出现的梯度消失或爆炸问题，能更好地捕捉长距离依赖关系。（3分）2.高度的并行计算能力：自注意力机制中对所有位置Q、K、V的计算以及注意力权重的计算都可以通过矩阵运算并行完成，极大提高了训练和推理效率。而RNN由于其顺序处理特性，难以并行化。（3分）五、应用题30.（15分）(1)（5分）已知z=2.5，σ(z)=1/(1+e^{-z})P=1/(1+e^{-2.5})e^{-2.5}≈0.0821P≈1/(1+0.0821)=1/1.0821≈0.9241答：该样本被预测为正类的概率约为0.9241。(2)（3分）因为P≈0.9241>0.5（分类阈值）所以该样本的预测类别是正类。(3)（7分）已知真实标签y=1(正类)，预测概率p≈0.9241。对数损失公式：L=-[ylog(p)+(1-y)log(1-p)]代入：L=-[1*log(0.9241)+(1-1)*log(1-0.9241)]=-log(0.9241)log(0.9241)≈-0.0790（此处log通常指自然对数ln）L≈-(-0.0790)=0.0790答：该样本上的损失值约为0.0790。（若使用以10为底的对数，结果约为0.0343，需注明，两种方式均酌情给分）31.（20分）(1)（6分，每点2分）涉及的关键技术包括：计算机视觉：用于摄像头视频流分析，检测车辆、行人，统计流量、排队长度等。深度强化学习：作为核心控制算法，智能体学习最优的信号控制策略。物联网与传感器技术：用于实时采集交通状态数据。大数据处理与分析：对多路口、多时段的海量交通数据进行处理和分析。（答出任意三点即可）(2)（4分，每点2分）潜在优势：自适应与优化能力：深度强化学习智能体可以持续从实时交通数据中学习，动态调整策略，适应不同时段（如早晚高峰、平峰）、不同天气或突发事件的交通流变化，实现全局或区域级的优化，而传统方法规则固定或响应局部。考虑更复杂的目标：可以通过设计奖励函数，综合考虑多种因素（如车辆通行效率、行人安全、排放减少、紧急车辆优先），实现多目标优化，传统方法难以平衡如此复杂的优化目标。(3)（6分）评估方案设计：评估指标（3分）：1.车辆平均通行时间（或平均延误时间）。2.路口整体吞吐量（单