2026年人工智能基础考试试题及答案

2026年人工智能基础考试试题及答案第一部分：选择题（共20题，每题2分，共40分）一、单项选择题（每题只有一个正确答案，共15题）1.人工智能（AI）这一术语最早于哪一年提出？A.1943年B.1950年C.1956年D.1969年2.以下哪一项不属于人工智能的主要研究流派？A.符号主义B.连接主义C.行为主义D.逻辑主义3.在监督学习中，用于训练模型的数据集必须包含什么？A.特征向量B.标签C.聚类中心D.奖励信号4.以下哪种算法通常用于解决分类问题？A.K-MeansB.A*搜索C.支持向量机（SVM）D.主成分分析（PCA）5.在神经网络中，负责对输入数据进行非线性变换，以增加网络表达能力的部分是？A.权重B.偏置C.激活函数D.损失函数6.以下关于“过拟合”现象的描述，最准确的是？A.模型在训练集和测试集上表现都很好。B.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。C.模型在训练集上表现很差，但在测试集上表现很好。D.模型无法从训练数据中学到有效的规律。7.卷积神经网络（CNN）中，卷积层的主要作用是？A.降低数据的空间维度（下采样）。B.提取输入数据的局部特征。C.将特征图展平为一维向量。D.输出最终的分类概率。8.循环神经网络（RNN）特别适合处理哪种类型的数据？A.高维图像数据B.具有空间结构的数据C.独立同分布的数据D.序列数据（如时间序列、文本）9.在强化学习中，智能体通过什么来学习最优策略？A.带有标签的样本对B.与环境的交互和获得的奖励C.无标签的数据集D.数据点之间的相似性10.以下哪项技术是生成对抗网络（GAN）的核心思想？A.自编码器重构B.生成器和判别器的对抗训练C.注意力机制D.残差连接11.准确率（Accuracy）是分类任务中常用的评估指标，但其主要缺陷是什么？A.计算过于复杂。B.在数据类别不平衡时可能产生误导。C.无法反映模型的速度。D.只适用于回归问题。12.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13.以下关于“梯度消失”问题的描述，错误的是？A.在深层神经网络中容易出现。B.使用Sigmoid激活函数时更容易发生。C.它导致网络前层的权重更新缓慢甚至停止。D.使用ReLU激活函数可以完全避免该问题。14.在机器学习项目流程中，将数据集划分为训练集、验证集和测试集的主要目的是？A.增加数据总量。B.分别用于模型训练、调参和最终性能评估，防止过拟合。C.实现数据的并行处理。D.降低数据维度。15.Transformer模型的核心机制是？A.卷积操作B.循环连接C.注意力机制D.池化操作二、多项选择题（每题有两个或两个以上正确答案，共5题）16.以下哪些属于人工智能在现实世界中的典型应用？（）A.推荐系统（如电商、视频平台）B.自动驾驶汽车C.医疗影像分析D.工业机器人控制E.以上全部17.机器学习中，常见的模型正则化技术有哪些？（）A.L1正则化（Lasso）B.L2正则化（Ridge）C.丢弃法（Dropout）D.早停法（EarlyStopping）E.数据增强18.关于监督学习与无监督学习的区别，以下说法正确的有？（）A.监督学习需要标注数据，无监督学习不需要。B.分类和回归是监督学习任务，聚类和降维是无监督学习任务。C.无监督学习的效果总是优于监督学习。D.监督学习模型一定是有参数的，无监督学习模型一定是无参数的。19.以下哪些是评估分类模型性能的指标？（）A.精确率（Precision）B.召回率（Recall）C.F1-ScoreD.均方误差（MSE）E.ROC曲线下面积（AUC）20.关于人工智能伦理，以下哪些是目前广泛关注的核心议题？（）A.算法偏见与公平性B.隐私与数据安全C.人工智能的透明性与可解释性D.自动化系统带来的就业影响E.自主武器系统的责任归属第二部分：填空题（共10空，每空2分，共20分）21.在图搜索算法中，__________算法在路径成本一致的情况下能保证找到最优解，而__________算法利用启发式信息来指导搜索，通常更快但不一定最优。22.机器学习中，__________学习的目标是找到一个函数，使得预测值与真实值之间的__________最小化。23.反向传播算法的核心是链式法则，其目的是高效地计算损失函数对网络中每个__________的梯度。24.在目标检测任务中，__________是一种将目标定位和分类结合在一个步骤中的经典算法。25.循环神经网络在处理长序列时容易遇到__________问题，其改进版本如长短期记忆网络（LSTM）通过引入__________、__________和__________三种门控机制来解决该问题。26.知识图谱通常采用__________（一种由节点和边构成的数据结构）来表示实体、属性及其相互关系。第三部分：简答题（共4题，每题10分，共40分）27.（封闭型）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基本思想，并各举一个典型应用例子。28.（封闭型）什么是过拟合和欠拟合？请分别说明它们在训练集和测试集上的表现特点，并列举两种防止过拟合的常用方法。29.（开放型）请阐述Transformer模型中的自注意力机制是如何工作的，并说明其相比传统循环神经网络（RNN）在处理自然语言序列时的两个主要优势。30.（开放型）当前大语言模型（如GPT系列）展现出强大的能力，但也面临诸多挑战。请从技术和社会两个层面，分别论述其面临的一个主要挑战。第四部分：应用题（共2题，每题25分，共50分）31.（计算分析类）假设你正在构建一个垃圾邮件分类系统。给定一个包含1000封邮件的数据集，其中800封用于训练，200封用于测试。已知训练集中有600封正常邮件，200封垃圾邮件。你训练了一个逻辑回归分类器，在测试集上的混淆矩阵如下：实际\预测预测为正常预测为垃圾实际为正常14010实际为垃圾2030请计算以下评估指标（要求写出计算过程）：(1)准确率（Accuracy）(2)精确率（Precision）（针对“垃圾邮件”类）(3)召回率（Recall）（针对“垃圾邮件”类）(4)F1-Score（针对“垃圾邮件”类）根据计算结果，分析该分类器在识别垃圾邮件上的性能特点。如果希望尽可能减少正常邮件被误判为垃圾（即降低“预测为垃圾”但“实际为正常”的数量），你应该更关注提升哪个指标？可以如何调整模型？32.（综合类）现计划设计一个基于计算机视觉的智能仓库货物分拣系统。系统需要从传送带的混合货物中识别出特定型号的零件，并引导机械臂抓取。请完成以下设计分析：(1)这属于计算机视觉中的哪一类典型任务？（如分类、检测、分割等）并说明理由。(2)你会选择哪种主流的深度学习网络架构来完成核心的视觉识别部分？请简述该架构的组成及其在本任务中发挥的作用。(3)为了训练该视觉模型，你需要收集和准备数据。请描述数据准备的关键步骤。(4)考虑到仓库环境光照可能变化、货物摆放角度随机，列举至少两种数据增强技术来提高模型的鲁棒性。(5)除了视觉识别模块，整个分拣系统还需要哪些其他关键的技术模块配合？（至少列出两个）参考答案及评分标准第一部分：选择题一、单项选择题1.C2.D3.B4.C5.C6.B7.B8.D9.B10.B11.B12.C13.D14.B15.C二、多项选择题16.ABCDE（全选）17.ABCD（E数据增强是提升泛化的方法，通常不严格归类于模型正则化）18.AB19.ABCE（D均方误差是回归指标）20.ABCDE（全选）第二部分：填空题21.广度优先搜索（或Dijkstra算法）A*搜索22.监督损失（或误差）23.权重（和偏置）24.YOLO（YouOnlyLookOnce）25.长期依赖（或梯度消失/爆炸）遗忘门输入门输出门（后三空顺序可调）26.图第三部分：简答题27.监督学习：从带有标签的训练数据中学习一个映射函数，用于对新数据进行预测或分类。（2分）例子：图像分类、房价预测。（1分）无监督学习：从无标签的数据中发现内在的结构、模式或分布。（2分）例子：客户细分（聚类）、主题建模（降维或生成）。（1分）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，学习一系列动作以最大化长期累积奖励的策略。（2分）例子：AlphaGo下围棋、机器人行走控制。（1分）（表述可略有不同，核心思想正确即可）28.过拟合：模型过于复杂，过度学习了训练数据中的噪声和细节，导致在训练集上表现很好（误差小），但在测试集（新数据）上表现很差（误差大）。（2分）欠拟合：模型过于简单，未能充分学习训练数据中的基本规律，导致在训练集和测试集上的表现都不好（误差都大）。（2分）防止过拟合的方法（列举两种即可，每点3分）：1.正则化：如L1/L2正则化，在损失函数中加入惩罚项，限制模型参数的大小。2.丢弃法（Dropout）：在神经网络训练过程中随机“关闭”一部分神经元，防止对特定神经元的过度依赖。3.早停法（EarlyStopping）：在训练过程中监控验证集性能，当性能不再提升时提前停止训练。4.获取更多高质量的训练数据。5.降低模型复杂度（如减少网络层数、神经元数量）。29.自注意力机制工作原理（6分）：对于输入序列中的每个词，自注意力机制会计算它与序列中所有词（包括自身）的关联度（注意力分数）。计算过程通常为：将每个词的嵌入向量通过线性变换得到查询向量（Q）、键向量（K）和值向量（V）。然后计算Q与所有K的点积，进行缩放和Softmax归一化得到注意力权重。最后用这些权重对所有的V进行加权求和，得到该词新的上下文感知的表示。这使得模型能够动态地关注序列中不同位置的信息。相比RNN的优势（每点2分，共4分）：1.并行计算能力：自注意力机制可以同时计算序列中所有位置之间的关系，而RNN必须按顺序逐步处理，因此Transformer训练效率更高。2.长程依赖建模：自注意力直接计算任意两个位置的关系，无论距离多远，有效缓解了RNN因序列过长而存在的梯度消失/爆炸问题，能更好地捕捉长距离依赖。30.技术层面挑战（5分，答出一点并合理阐述即可）：例如：幻觉问题：模型可能生成看似合理但不符合事实或输入信息的内容，缺乏对真实性的可靠保证。推理与可解释性：模型在复杂推理、数学计算或因果推断上仍存在局限，且其决策过程如同“黑箱”，难以解释。知识更新与时效性：模型参数化地存储知识，难以实时更新，可能存在知识过时问题。资源消耗巨大：训练和部署大模型需要巨大的算力、数据和能源。社会层面挑战（5分，答出一点并合理阐述即可）：例如：偏见与公平性：模型可能放大训练数据中存在的社会偏见，导致对不同群体的不公平输出。滥用与安全：可能被用于生成虚假信息、恶意代码、进行社会工程学攻击等。就业与经济影响：对某些白领和创意工作岗位构成潜在替代威胁，需要社会政策调整。隐私与版权：训练数据可能包含个人隐私或受版权保护的内容，引发法律和伦理争议。第四部分：应用题31.(1)准确率=(正确分类的样本数)/(总样本数)=(140+30)/(140+10+20+30)=170/200=0.85或85%（3分）(2)精确率（垃圾邮件）=(真正例)/(预测为正例的总数)=TP/(TP+FP)=30/(30+10)=30/40=0.75或75%（3分）(3)召回率（垃圾邮件）=(真正例)/(实际为正例的总数)=TP/(TP+FN)=30/(30+20)=30/50=0.60或60%（3分）(4)F1-Score（垃圾邮件）=2*(精确率*召回率)/(精确率+召回率)=2*(0.75*0.60)/(0.75+0.60)=2*0.45/1.35=0.9/1.35≈0.667或66.7%（3分）性能分析与调整（13分）：分析：该分类器整体准确率较高（85%），但对于垃圾邮件类别的识别，精确率尚可（75%），但召回率较低（60%）。这意味着在所有真正的垃圾邮件中，只有60%被成功识别出来，有40%（20封）被漏判（实际为垃圾但预测为正常）。同时，在它判定为垃圾的邮件中，有25%（10封）是误杀的正常邮件。（5分）关注的指标：如果希望尽可能减少正常邮件被误判为垃圾（即降低FP），应该更关注提升精确率（Precision）。因为精确率衡量了“预测为垃圾”的邮件中，真正是垃圾的比例。提高精确率意味着在做出“垃圾”判断时更加确信，从而减少误判。（4分）调整方法（答出一种即可，4分）：调整分类阈值：逻辑回归输出一个概率值，通常以0.5为阈值进行分类。可以通过提高这个阈值（例如提高到0.7或更高），使得模型只有在非常确信时才会将邮件判为垃圾，从而提高精确率（但可能会进一步降低召回率）。在损失函数中增加对FP的惩罚：修改损失函数，赋予误判正常邮件（FP）更高的惩罚权重，引导模型在训练时更倾向于避免此类错误。32.(1)任务类型：目标检测。（2分）理由：系统不仅需要识别出零件是什么（分类），还需要在图像中定位出它的具体位置（边界框），以便机械臂抓取。（3分）(2)网络架构选择：可选择基于卷积神经网络的目标检测架构，如FasterR-CNN、YOLO系列或SSD。（2分）简述组成与作用（以FasterR-CNN为例，5分）：1.骨干网络（如ResNet）：用于从输入图像中