2026年人工智能导论习题(附参考答案)

2026年人工智能导论习题(附参考答案)1.单项选择题（1）人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。这一定义最符合人工智能的哪个学派？A.符号主义B.连接主义C.行为主义D.统计主义（2）在监督学习任务中，如果模型在训练集上表现很好，但在未见过的测试集上表现很差，这种现象被称为：A.欠拟合B.过拟合C.梯度消失D.维度灾难（3）以下哪种算法不属于机器学习中的“无监督学习”范畴？A.K-Means聚类B.主成分分析（PCA）C.线性回归D.自编码器（4）在神经网络中，负责引入非线性特性，使网络能够学习复杂模式的组件是：A.权重B.偏置C.激活函数D.损失函数（5）以下关于“强化学习”的描述中，哪一项是错误的？A.智能体通过与环境交互来学习。B.其核心概念包括状态、动作、奖励和策略。C.训练数据需要明确的输入-输出标签对。D.目标是学习一个策略以最大化累积奖励。（6）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.语法分析B.词性标注C.词嵌入D.命名实体识别（7）以下哪项技术是解决计算机视觉中图像分类问题的经典深度神经网络结构？A.循环神经网络（RNN）B.卷积神经网络（CNN）C.生成对抗网络（GAN）D.自注意力网络（Transformer）（8）关于人工智能伦理，以下哪项原则主要关注算法决策过程的可理解性和可追溯性？A.公平性B.透明性C.可靠性D.隐私保护2.多项选择题（1）以下哪些是人工智能发展历程中的代表性事件或里程碑？（）A.1956年达特茅斯会议，标志着AI学科的诞生。B.1997年IBM“深蓝”计算机击败国际象棋世界冠军卡斯帕罗夫。C.2012年AlexNet在ImageNet图像识别竞赛中取得突破性成绩。D.2016年AlphaGo击败围棋世界冠军李世石。E.2020年GPT-3模型展现出强大的自然语言生成能力。（2）一个典型的机器学习项目流程可能包含以下哪些步骤？（）A.数据收集与清洗B.特征工程C.模型选择与训练D.模型评估与调优E.模型部署与监控（3）关于卷积神经网络（CNN），以下描述正确的有：（）A.卷积层通过卷积核提取图像的局部特征。B.池化层（如最大池化）主要用于降低特征图的空间维度，增强特征的平移不变性。C.全连接层通常位于网络的末端，用于综合所有特征并进行分类或回归。D.CNN仅能处理图像数据，不能处理序列数据。E.经典的CNN结构包括LeNet、AlexNet、VGG、ResNet等。（4）以下关于生成对抗网络（GAN）的描述中，正确的有：（）A.GAN由生成器（Generator）和判别器（Discriminator）两个网络组成。B.生成器的目标是生成足以“以假乱真”的数据，欺骗判别器。C.判别器的目标是准确区分真实数据和生成器生成的假数据。D.训练过程是生成器和判别器相互对抗、共同进化的过程。E.GAN只能用于生成图像，不能用于其他类型的数据。（5）人工智能技术可能带来的社会风险与挑战包括：（）A.就业结构变化与部分岗位被替代。B.算法偏见与歧视可能加剧社会不平等。C.深度伪造等技术可能被用于制造虚假信息。D.自主武器系统可能带来新的安全与伦理问题。E.过度依赖AI可能导致人类某些能力的退化。3.填空题（1）图灵在1950年发表的论文《计算机器与智能》中提出了著名的______测试，作为判断机器是否具有智能的operational标准。（2）在机器学习中，______学习利用已标记的数据进行训练，______学习则从未标记的数据中发现结构或模式。（3）在神经网络中，用于衡量模型预测值与真实值之间差异的函数称为______。在训练过程中，通过______算法（如随机梯度下降）来最小化这个函数，从而更新网络参数。（4）在自然语言处理的Transformer模型中，______机制使得模型能够根据输入序列中所有词的重要性来分配不同的注意力权重，从而更好地处理长距离依赖关系。（5）机器人三定律由科幻作家______提出，是早期关于机器伦理的著名思考。4.简答题（1）简述监督学习、无监督学习和强化学习三种机器学习范式的主要区别，并各举一个典型应用例子。（2）什么是过拟合？列举两种常见的防止或减轻过拟合的技术，并简要说明其原理。（3）简述卷积神经网络（CNN）在图像处理任务中的两大核心思想及其作用。（4）什么是人工智能对齐问题？它主要关注哪些方面的挑战？（5）简要说明知识图谱的基本构成，并阐述其在人工智能应用中的价值。5.应用题/分析题（1）计算与分析题：假设有一个简单的线性回归模型：y_pred=w*x+b。给定三个训练样本：(x1=1,y1=2)，(x2=2,y2=3)，(x3=3,y3=5)。使用均方误差（MSE）作为损失函数：L=(1/3)*Σ(y_pred_i-y_i)^2。a)请写出损失函数L关于参数w和b的具体表达式。b)假设当前参数初始值为w=0.5,b=1.0，学习率η=0.1。请计算使用梯度下降法进行一次迭代更新后，参数w和b的新值。需要写出计算过程。（提示：需计算损失函数L对w和b的偏导数在初始点处的值。）（2）案例分析题：某公司开发了一款用于简历筛选的AI系统，旨在自动从海量简历中筛选出与职位最匹配的候选人。系统基于过去十年公司招聘的简历数据和最终的录用结果进行训练。上线运行一段时间后，有求职者投诉，称该系统对某特定性别的简历存在系统性偏见，给予的评分显著低于另一性别，即使他们的学历、工作经验等硬性条件相似。a)请从技术角度分析，导致该AI系统可能产生性别偏见的原因有哪些？（至少两点）b)针对上述问题，可以采取哪些技术或管理措施来减轻或消除这种偏见？（至少三点）（3）综合设计题：现需设计一个基于深度学习的“猫狗图像分类”系统。请简要描述该系统的核心工作流程，并回答以下问题：a)你会选择哪种类型的神经网络作为核心模型？为什么？b)为了训练该模型，你需要准备什么样的数据集？数据集应如何组织？c)列举三个在训练过程中需要关注和调整的关键超参数，并说明它们的作用。d)除了分类准确率，还可以使用哪些指标来全面评估该模型的性能？参考答案1.单项选择题(1)C。行为主义（亦称进化主义或控制论学派）认为智能源于感知和行动，强调智能行为可以通过与环境的交互来体现和进化，题目描述符合其“智能无需表示和推理，行为即智能”的核心思想。符号主义强调基于符号的逻辑推理，连接主义强调仿脑的神经网络。(2)B。过拟合是指模型过度学习了训练数据中的细节和噪声，导致在训练集上性能优异，但在新数据上泛化能力差。(3)C。线性回归属于监督学习，它需要带有标签（输出值）的数据来学习输入到输出的映射关系。K-Means、PCA和自编码器（用于特征学习或降维时）均属于无监督学习。(4)C。激活函数（如ReLU、Sigmoid、Tanh）为神经网络引入了非线性变换，使其能够逼近任意复杂函数。权重和偏置是线性参数，损失函数用于评估模型性能。(5)C。强化学习不需要预先提供带标签的输入-输出对，智能体通过试错和奖励信号来学习。选项C描述的是监督学习的特点。(6)C。词嵌入（WordEmbedding）如Word2Vec、GloVe等，将词语映射到低维稠密向量空间，使语义相似的词在向量空间中也相近。其他选项是NLP的不同任务。(7)B。卷积神经网络（CNN）因其局部连接、权值共享和池化等特性，在图像分类、目标检测等计算机视觉任务中取得了巨大成功。RNN主要用于序列数据，GAN用于生成，Transformer最初用于序列但也在视觉领域有应用。(8)B。透明性（或可解释性）要求AI系统的决策过程能够被人类理解、审查和追溯。公平性关注不同群体间的无歧视，可靠性关注系统的稳定与安全，隐私保护关注数据使用。2.多项选择题(1)A,B,C,D,E。所有选项均为人工智能发展史上的关键里程碑事件，分别对应了AI的诞生、规则智能的顶峰、深度学习复兴的起点、复杂博弈AI的突破和大规模预训练模型的涌现。(2)A,B,C,D,E。一个完整的机器学习项目生命周期通常包含这五个主要阶段，从数据准备到模型上线后的维护。(3)A,B,C,E。A、B、C、E均为对CNN核心组件和经典结构的正确描述。D错误，CNN的核心思想（局部感知、权值共享）经过调整也可用于处理序列数据（如一维卷积处理文本或时间序列）。(4)A,B,C,D。A、B、C、D准确描述了GAN的基本框架和对抗训练思想。E错误，GAN的思想可应用于图像、文本、音频、视频等多种数据的生成任务。(5)A,B,C,D,E。所有选项都是当前社会广泛讨论的AI潜在风险与挑战，涵盖了经济、社会公平、信息安全、军事伦理和人类发展等多个维度。3.填空题(1)图灵(2)监督，无监督(3)损失函数（或代价函数），反向传播（反向传播是计算梯度的有效方法，常与梯度下降等优化算法结合使用）(4)自注意力（Self-Attention）(5)艾萨克·阿西莫夫4.简答题(1)主要区别：监督学习：使用带有标签的训练数据，学习从输入到输出的映射函数。目标是预测新数据的标签。例子：垃圾邮件分类（输入邮件内容，输出是否为垃圾邮件的标签）。无监督学习：使用无标签的数据，发现数据内在的结构、模式或分布。例子：客户细分（根据购买行为将客户分成不同的群组，无预先定义的类别）。强化学习：智能体通过与环境交互，根据获得的奖励或惩罚信号，学习采取何种行动以最大化长期累积奖励。例子：AlphaGo下围棋（智能体是AlphaGo，环境是棋盘，动作是落子，奖励是赢棋）。(2)过拟合：模型在训练数据上表现过于完美，甚至学习了数据中的噪声和无关细节，导致其在未知数据（测试集）上的泛化能力显著下降。防止/减轻技术及原理：1.正则化（如L1/L2正则化）：在损失函数中添加一个与模型复杂度相关的惩罚项，限制参数的大小，从而鼓励更简单、更平滑的模型，降低对训练数据中噪声的敏感度。2.丢弃法（Dropout）：在神经网络训练过程中，随机“丢弃”（暂时忽略）一部分神经元节点。这可以防止神经元之间产生复杂的共适应关系，迫使网络学习到更鲁棒的特征，起到类似模型平均的效果。（其他可行技术：获取更多训练数据、数据增强、早停法、简化模型结构等。）(3)局部感知（局部连接）：每个神经元只与前一层局部区域的神经元连接，而不是全连接。这基于图像中相邻像素关联性更强的先验知识，大大减少了参数量，并使得网络能够专注于提取局部特征（如边缘、纹理）。权值共享（卷积核）：在同一个特征图上，使用相同的卷积核（滤波器）进行滑动窗口计算。这意味着无论特征在图像中的哪个位置，都由同一组权重来检测，这进一步减少了参数，并赋予了CNN平移不变性（即相同特征在不同位置能被同等识别）。(4)人工智能对齐问题：指如何确保先进的人工智能系统（尤其是AGI）的目标、行为与人类的价值观、意图和利益保持一致。主要关注挑战：1.价值对齐：如何将复杂、模糊且多元的人类价值观完整、准确地编码给AI系统。2.意图理解：如何让AI系统真正理解并遵循人类的深层意图，而非机械地执行表面指令（避免“一字面执行命令”带来的问题）。3.稳健性与安全性：确保AI系统在分布外情况、对抗性环境或追求目标时，不会产生不可预测的、有害的副作用或规避人类监督。(5)基本构成：知识图谱通常以三元组形式存储知识：<实体，关系，实体>或<实体，属性，属性值>。例如：<北京，是首都，中国>。它由节点（实体或概念）和边（关系或属性）构成一个语义网络。应用价值：1.增强理解与推理：为AI系统提供结构化的背景知识，支持更复杂的逻辑推理和常识判断，而不仅仅是模式匹配。2.改善搜索与推荐：使搜索引擎能理解查询的语义，进行精准答案检索（而非关键词匹配）；提升推荐系统的可解释性和相关性。3.赋能智能应用：是智能问答、对话系统、金融风控、医疗诊断等众多领域应用的核心基础，帮助机器“理解”世界。5.应用题/分析题(1)计算与分析题：a)损失函数表达式：y_pred1=w*1+by_pred2=w*2+by_pred3=w*3+bL=(1/3)*[(w*1+b-2)^2+(w*2+b-3)^2+(w*3+b-5)^2]b)梯度下降更新：首先计算偏导数：∂L/∂w=(2/3)*[(w*1+b-2)*1+(w*2+b-3)*2+(w*3+b-5)*3]∂L/∂b=(2/3)*[(w*1+b-2)*1+(w*2+b-3)*1+(w*3+b-5)*1]代入初始值w=0.5,b=1.0：y_pred1=0.5*1+1.0=1.5,误差e1=1.5-2=-0.5y_pred2=0.5*2+1.0=2.0,误差e2=2.0-3=-1.0y_pred3=0.5*3+1.0=2.5,误差e3=2.5-5=-2.5∂L/∂w(atw=0.5,b=1.0)=(2/3)*[(-0.5)*1+(-1.0)*2+(-2.5)*3]=(2/3)*[-0.5-2-7.5]=(2/3)*(-10)=-20/3≈-6.6667∂L/∂b(atw=0.5,b=1.0)=(2/3)*[(-0.5)*1+(-1.0)*1+(-2.5)*1]=(2/3)*(-4)=-8/3≈-2.6667更新参数（梯度下降公式：新参数=旧参数-η*梯度）：w_new=0.5-0.1*(-20/3)=0.5+2/3≈0.5+0.6667=1.1667b_new=1.0-0.1*(-8/3)=1.0+0.8/3≈1.0+0.2667=1.2667(2)案例分析题：a)可能的技术原因：1.训练数据偏差：过去十年的招聘数据本身可能就存在历史性的性别偏见（例如，某些岗位历史上男性或女性员工比例极高），AI系统学习并放大了这种数据中存在的关联模式，将性别（或与性别强相关的特征，如某些社团、爱好描述）与岗位胜任力错误关联。2.特征设计偏差：在特征工程阶段，无意中引入了与性别相关的代理变量（proxyvariables）。例如，简历中的毕业院校、工作过的公司、甚至某些技能关键词的表述方式，可能与性别存在社会统计上的相关性，被模型用作区分依据。3.评估指标偏差：模型优化目标可能只关注整体预测准确率或召回率，而没有专门设置针对不同性别群体的公平性约束或评估指标，导致模型以牺牲少数群体利益为代价提升整体指标。b)可采取的措施：1.数据层面：审查和清洗训练数据，识别并尽可能减少数据中的历史偏见；进行数据增强，平衡不同性别在训练样本中的数量和分布；对敏感特征（如性别）进行脱敏处理。2.算法层面：采用公平性约束的机器学习算法，在损失函数中加入公平性正则项，或在模型训练后对决策结果进行后处理校准，以促进不同性别群体间获得正面结果的概率平等（如机会均等或预测率平等）。3.评估与监控层面：建立多维度的模型评估体系，不仅包括准确率、召回率，还必须加入公平性指标（如不同性别组间的统计对等性差异）；在系统上线后持续监控其在不同人口统计学分组上的表现，建立反