2026年人工智能基础试题及答案

2026年人工智能基础试题及答案一、单项选择题（每题1分，共20分）1.1956年达特茅斯会议上首次提出“人工智能”概念，下列学者中不属于该会议发起者的是（）A.约翰·麦卡锡B.马文·明斯基C.克劳德·香农D.艾伦·图灵2.下列深度学习架构中，专门用于处理序列标注任务、通过双向上下文建模提升实体识别精度的是（）A.LeNet-5B.BiLSTM-CRFC.ResNet-50D.VisionTransformer3.大语言模型生成过程中，用于平衡生成结果多样性与确定性、数值越高输出随机性越强的核心参数是（）A.温度系数（Temperature）B.上下文窗口（ContextWindow）C.批处理大小（BatchSize）D.权重衰减（WeightDecay）4.下列激活函数中，存在“神经元死亡”问题（即输入持续为负时梯度永久为0、参数无法更新）的是（）A.ReLUB.GELUC.SwishD.Tanh5.按照人工智能的能力分级，当前主流商业化大模型（如GPT-4o、文心一言4.0、通义千问3.0）所属的阶段是（）A.弱人工智能（ANI）B.通用人工智能（AGI）C.超人工智能（ASI）D.强人工智能（StrongAI）6.知识表示方法中，通过“实体-关系-实体”三元组结构存储结构化知识、支撑智能问答关联推理的是（）A.语义网络B.知识图谱C.框架表示法D.产生式规则7.下列机器学习范式中，不需要人工标注数据、通过挖掘数据内在结构与关联规律完成任务的是（）A.监督学习B.无监督学习C.强化学习D.半监督学习8.计算机视觉领域，用于衡量目标检测模型定位精度与分类精度综合性能的核心指标是（）A.准确率（Accuracy）B.交并比（IoU）C.平均精度均值（mAP）D.召回率（Recall）9.Transformer架构中，用于建模序列位置信息、避免模型丢失语序特征的模块是（）A.多头自注意力B.位置编码C.前馈神经网络D.层归一化10.下列伦理风险中，属于大语言模型“幻觉”问题直接导致的是（）A.用户提问时模型生成不存在的学术文献引用作为论据B.训练数据中的性别偏见导致模型默认“医生为男性、护士为女性”C.模型被诱导生成恶意代码或违规内容D.用户隐私数据在模型训练过程中被泄露11.贝叶斯分类器的核心理论基础是（）A.大数定律B.贝叶斯定理C.中心极限定理D.切比雪夫不等式12.下列正则化方法中，通过在训练过程中随机失活部分神经元、降低模型过拟合风险的是（）A.L1正则化B.L2正则化C.DropoutD.早停（EarlyStopping）13.强化学习框架中，智能体在某一状态下采取特定动作后，环境反馈的用于评价动作优劣的信号是（）A.状态（State）B.策略（Policy）C.奖励（Reward）D.价值函数（ValueFunction）14.2025年工信部发布的《人工智能生成合成内容标识办法》明确要求，所有公开传播的AIGC内容必须添加的标识类型是（）A.仅需添加隐式数字水印B.仅需添加显式提示标识C.显式提示标识与隐式数字水印双重标识D.由平台自主选择是否添加标识15.下列推理方式中，从具体事实归纳出一般性规律、属于数据驱动的归纳式推理的是（）A.演绎推理B.归纳推理C.类比推理D.因果推理16.卷积神经网络中，用于降低特征图维度、减少计算量同时保留关键特征的操作是（）A.卷积B.激活C.池化D.全连接17.下列评估指标中，专门用于衡量大语言模型生成内容与人类表达习惯一致性的是（）A.BLEU值B.困惑度（Perplexity）C.ROUGE值D.人类偏好评分（EloRating）18.专家系统的核心组成部分中，存储领域专家积累的专业知识与规则的模块是（）A.知识库B.推理机C.人机交互接口D.解释器19.下列人工智能应用场景中，不属于计算机视觉范畴的是（）A.自动驾驶车辆识别道路行人与交通标志B.工业生产线检测产品表面缺陷C.智能客服通过语音识别用户问题并回复D.安防系统通过人脸比对识别身份20.大模型参数高效微调技术中，仅调整模型注意力层的低秩矩阵、大幅降低微调算力成本的方法是（）A.全参数微调（FullFine-tuning）B.LoRA微调C.提示词工程（PromptEngineering）D.检索增强生成（RAG）单项选择题答案：1.D2.B3.A4.A5.A6.B7.B8.C9.B10.A11.B12.C13.C14.C15.B16.C17.D18.A19.C20.B二、多项选择题（每题2分，共20分，多选、少选、错选均不得分）1.下列人工智能发展历程中的标志性事件，发生在1956年达特茅斯会议之后的有（）A.艾伦·图灵提出“图灵测试”构想B.感知机模型被提出，开启连接主义研究第一次高潮C.支持向量机（SVM）算法被提出，统计学习方法成为主流D.AlexNet在ImageNet竞赛中夺冠，深度学习研究进入爆发期2.Transformer架构的核心组成模块包含下列哪些部分（）A.多头自注意力机制（Multi-HeadSelf-Attention）B.残差连接（ResidualConnection）C.循环单元（RecurrentUnit）D.层归一化（LayerNormalization）3.下列机器学习任务中，属于监督学习范畴的有（）A.根据历史标注的垃圾邮件样本训练模型识别新的垃圾邮件B.根据用户购买行为数据将用户划分为不同消费偏好群体C.根据近10年的气象标注数据预测未来24小时的降水量D.让智能体在围棋对弈环境中通过自我博弈提升棋力4.大语言模型落地过程中，用于缓解“幻觉”问题的主流技术方案包括（）A.检索增强生成（RAG）：将外部权威知识库内容作为生成依据B.人类反馈强化学习（RLHF）：通过人类偏好对齐模型输出C.扩大模型参数规模：参数越大幻觉率必然越低D.生成过程溯源标注：要求模型标注内容来源、对生成结果做事实校验5.下列人工智能伦理治理要求中，符合我国《生成式人工智能服务管理暂行办法》规定的有（）A.生成内容应当坚持社会主义核心价值观，不得生成危害国家安全、破坏民族团结的内容B.服务提供者应当对训练数据来源合法性负责，不得侵害他人知识产权C.服务提供者应当尊重用户隐私，不得非法收集、存储、泄露用户输入信息D.生成式人工智能服务无需向公众公开服务原理，仅需满足商业可用性即可6.下列关于卷积神经网络（CNN）的说法正确的有（）A.局部感受野特性模拟了人类视觉系统的信息处理机制B.权值共享特性大幅降低了模型参数量，提升了训练效率C.池化操作会导致特征空间分辨率下降，可能丢失部分细节信息D.CNN仅能处理二维图像数据，无法处理一维序列或三维视频数据7.下列算法中，属于无监督学习算法的有（）A.K-means聚类B.主成分分析（PCA）C.决策树分类D.孤立森林异常检测8.大模型上下文窗口扩展技术带来的应用价值包括（）A.支持一次性输入整本数十万字体裁的文档做摘要、问答处理B.支持多轮长对话过程中保留完整对话历史，提升对话连贯性C.降低模型训练所需的算力成本D.支持多模态长内容输入（如2小时以上视频、上千页图文报告）的理解9.下列关于强化学*的说法正确的有（）A.强化学习不存在标注好的训练数据，仅通过环境奖励信号优化策略B.强化学习的优化目标是最大化长期累积奖励，而非单步奖励C.AlphaGoZero通过强化学习实现自我博弈，棋力超过人类顶尖选手D.强化学习不存在探索与利用的平衡问题，始终可以获得最优策略10.下列多模态人工智能能力中，属于2023-2025年技术落地阶段实现成熟商用的有（）A.图文跨模态检索：根据文本描述匹配对应图片、根据图片生成对应文本描述B.视频内容理解：自动识别视频中的人物、动作、场景，生成结构化摘要C.具身智能：通用人形机器人可在无预设编程的开放环境中完成所有人类劳动D.语音实时交互：支持低延迟、高自然度的跨语言语音实时翻译多项选择题答案：1.BCD2.ABD3.AC4.ABD5.ABC6.ABC7.ABD8.ABD9.ABC10.ABD三、判断题（每题1分，共10分，正确打√，错误打×）1.图灵测试是衡量人工智能是否达到通用智能水平的唯一标准。（）2.大语言模型的参数规模越大，其事实推理能力与生成准确性必然越高。（）3.决策树算法容易出现过拟合问题，可通过剪枝操作提升模型泛化能力。（）4.生成对抗网络（GAN）由生成器与判别器两个核心模块组成，训练过程中二者形成对抗博弈关系。（）5.半监督学习仅需使用少量标注数据与大量无标注数据即可完成模型训练，适合标注成本高的场景。（）6.人工智能领域的“莫拉维克悖论”指的是：逻辑推理、数学计算等人类认为困难的任务，AI容易实现；而感知、运动等人类与生俱来的本能能力，AI实现难度极高。（）7.L1正则化会让模型权重趋向于0，更容易产生稀疏解，可用于特征选择场景。（）8.检索增强生成（RAG）技术需要重新训练大模型的全部参数，才能接入外部知识库。（）9.计算机视觉中的语义分割任务，需要将图像中每个像素分配对应的类别标签，实现像素级的场景理解。（）10.人工智能技术发展过程中的算法偏见完全来自算法本身，与训练数据、设计人员无关。（）判断题答案：1.×2.×3.√4.√5.√6.√7.√8.×9.√10.×四、简答题（每题5分，共20分）1.请简述监督学习、无监督学习、强化学习三类机器学习范式的核心差异。参考答案：三类范式的核心差异体现在数据形式、反馈信号、优化目标三个维度：（1）监督学习：使用带有明确标注的训练数据（输入与标签一一对应），反馈信号是标签与预测结果的误差，优化目标是让模型学习输入到标签的映射关系，完成分类、回归等预测任务，典型应用如垃圾邮件识别、房价预测。（2分）（2）无监督学习：使用无任何标注的原始数据，不存在明确的标签反馈，优化目标是挖掘数据内在的结构、分布与关联规律，完成聚类、降维、异常检测等任务，典型应用如用户分群、高维数据可视化。（1.5分）（3）强化学习：无预先准备的标注数据集，智能体通过与环境交互获得奖励信号（奖励可正可负，用于评价动作优劣），优化目标是学习最优策略最大化长期累积奖励，不存在固定的输入输出映射，典型应用如自动驾驶、游戏AI、机器人控制。（1.5分）2.请简述大语言模型“幻觉”问题的定义、产生原因与主要危害。参考答案：（1）定义：大模型幻觉指模型生成的内容看似流畅合理，但实际上不符合客观事实、不存在逻辑依据、甚至完全编造的现象，是大模型落地过程中的核心风险之一。（1分）（2）产生原因：一是大模型基于概率预测生成下一个token的本质机制，本质是统计层面的序列拟合而非真正的事实理解；二是训练数据中存在错误信息、矛盾信息、知识空白，模型学习到错误的关联关系；三是生成过程中缺乏事实校验环节，无法判断自身生成内容的真伪。（2分）（3）主要危害：在医疗、法律、金融等高风险场景中，幻觉内容可能误导用户决策，造成财产损失甚至人身伤害；在学术、新闻传播场景中，虚假内容会误导公众认知、传播错误信息，损害信息生态；会降低用户对AI系统的信任度，制约大模型在严肃场景的落地应用。（2分）3.请简述Transformer架构相较于传统循环神经网络（RNN/LSTM）在处理序列任务时的核心优势。参考答案：传统RNN类模型按时间步递归处理序列，存在三个核心缺陷，Transformer通过自注意力机制解决了相关问题，核心优势包括：（1）长距离依赖建模能力强：自注意力机制计算序列中任意两个位置token的关联度时，路径长度为1，不会出现RNN类模型长序列梯度消失、梯度爆炸的问题，可有效捕捉长距离语义关联。（2分）（2）并行计算效率高：RNN类模型必须按顺序处理时间步，无法并行计算；Transformer在训练过程中可同时处理整个序列的所有token，大幅提升了训练效率，支持超大规模参数模型的训练。（2分）（3）语义关联建模灵活性高：多头自注意力可在不同语义空间中捕捉不同维度的关联关系（如语法关联、语义指代、逻辑关联），建模能力远强于RNN的固定递归结构，适配文本、图像、语音、多模态等各类数据类型。（1分）4.请简述我国人工智能伦理治理的核心原则。参考答案：根据我国《新一代人工智能伦理规范》《生成式人工智能服务管理暂行办法》等政策要求，人工智能伦理治理核心原则包括：（1）安全可控原则：人工智能研发应用应当将国家安全、公共安全、人身财产安全放在首位，建立风险监测、预警、处置机制，确保系统可控可靠。（1分）（2）公平公正原则：避免算法歧视与偏见，保障不同群体在人工智能服务中的平等权益，不得基于种族、性别、年龄、地域等设置歧视性服务规则。（1分）（3）尊重权益原则：充分尊重个人隐私、知识产权、人格尊严，严格保护用户个人信息，不得非法收集、泄露、滥用用户数据，尊重他人知识产权与合法权益。（1分）（4）透明可解释原则：提升人工智能系统的可解释性，对生成合成内容进行明确标识，保障公众的知情权与选择权，避免“算法黑箱”带来的风险。（1分）（5）向善利民原则：人工智能发展应当坚持以人民为中心，服务经济社会发展，增进民生福祉，不得开发危害公共利益、违背公序良俗的人工智能应用。（1分）五、论述题（每题15分，共30分）1.请结合2023-2025年大模型技术落地实践，论述大模型在行业场景落地的核心技术路径与面临的主要挑战。参考答案：（1）核心技术路径：当前大模型行业落地已经形成了“通用底座+场景适配”的成熟路径，具体包括四个核心环节：一是通用大模型底座选型，根据场景的算力条件、性能要求、数据安全要求，选择闭源商用大模型（如GPT-4o、文心一言4.0）或开源大模型（如Llama3、Qwen2、DeepSeek）作为基础能力底座，其中对数据安全要求高的政务、金融场景优先选择开源模型做本地化部署。（3分）二是场景知识注入，主要通过两种方式实现：一方面是检索增强生成（RAG），将行业内部的文档、规范、案例、业务数据等非结构化、结构化知识构建向量数据库，模型生成时先检索相关权威知识作为上下文，不需要调整模型参数即可让模型具备行业知识，落地成本低、知识更新灵活，是当前最主流的知识注入方案；另一方面是参数高效微调（PEFT），如LoRA技术，仅调整模型少量参数即可让模型学习行业领域的术语表达、业务逻辑，适配特定场景的输出格式要求，微调成本仅为全参数微调的1%不到。（4分）三是业务链路集成，将大模型能力与企业原有业务系统打通，通过插件、工具调用能力让大模型可以操作业务系统、查询业务数据、执行具体业务流程，实现从“内容生成”到“业务执行”的闭环，如智能客服场景中大模型可直接查询用户订单、发起退换货流程。（2分）四是安全对齐与风控，针对场景的合规要求，搭建内容安全审核模块，对模型输入输出做全链路审核，避免生成违规内容、敏感内容、错误内容，同时建立大模型应用的监控体系，持续跟踪模型回答准确率、幻觉率、用户满意度等指标。（1分）（2）主要挑战：一是幻觉问题的根本性解决仍存在瓶颈，在医疗诊断、法律判决、金融风控等高风险场景，即使搭配RAG与事实校验，模型仍可能生成错误内容，容错率低的场景难以实现完全自动化应用；（2分）二是算力与成本约束，大模型训练与推理需要大量GPU算力，2025年我国高端GPU供给仍存在缺口，本地化部署大模型的硬件成本、运维成本较高，中小微企业落地门槛较高；（1分）三是数据合规与安全风险，行业场景中大量数据涉及商业秘密、个人隐私，训练、微调、推理过程中如何避免数据泄露、满足数据安全法规要求，是企业落地大模型的核心顾虑；（1分）四是价值对齐难度大，行业场景往往存在复杂的业务规则、合规要求、价值判断标准，如何让大模型的输出完全符合行业规范、业务要求，避免出现合规风险，仍需要大量的场景适配工作。（1分）2.请论述人工智能技术发展对就业市场的影响，以及应对人工智能就业结构调整的政策建议。参考答案：（1）人工智能对就业市场的影响是“替代效应”与“创造效应”并存的结构性调整，并非简单的岗位总量减少：一是替代效应：人工智能会替代部分重复性、规则明确、创造性要求低的岗位，主要包括三类：第一类是常规文书类岗位，如基础文案撰写、数据录入、基础票据审核、初级客服等岗位，大模型可高效率完成此类标准化工作，岗位需求会逐步下降；第二类是简单技能类岗位，如基础流水线装配、常规图像审核、简单代码编写等岗位，计算机视觉、工业机器人、代码大模型的应用会替代部分人工；第三类