2026年人工智能基础知识考试试卷及答案

2026年人工智能基础知识考试试卷及答案一、单项选择题（每题1分，共20分）1.2022年11月OpenAI发布的ChatGPT所基于的基础模型架构是（）A.BERTB.TransformerDecoder-onlyC.TransformerEncoder-onlyD.Encoder-Decoder答案：B2.下列不属于人工智能主流发展范式的是（）A.符号主义B.连接主义C.行为主义D.经验主义答案：D3.机器学习中，将数据集划分为训练集、验证集、测试集的常规比例范围合理的是（）A.5:3:2B.6:2:2C.8:1:1D.9:0.5:0.5答案：B解析：常规划分比例为60%训练集用于模型拟合、20%验证集用于超参数调优与模型选择、20%测试集用于最终泛化性能评估，避免数据泄露导致的性能虚高。4.激活函数Sigmoid的输出值区间是（）A.[-1,1]B.[0,1]C.[0,+∞)D.(-∞,+∞)答案：B5.2024年国内正式实施的《生成式人工智能服务管理暂行办法》中，明确要求服务提供者对生成内容承担的核心责任是（）A.仅技术责任B.主体责任C.仅审核责任D.连带责任答案：B6.卷积神经网络中，池化层的核心作用不包括（）A.降低特征图维度B.减少计算量C.缓解过拟合D.增加特征通道数答案：D7.下列关于大语言模型（LLM）“幻觉”现象的描述，正确的是（）A.是模型故意生成虚假内容的行为B.指模型生成看似连贯但与事实不符、无依据的内容C.仅出现在参数规模小于10B的模型中D.通过增加训练数据量可以完全消除幻觉答案：B8.强化学习的核心要素不包括（）A.智能体（Agent）B.环境（Environment）C.标签（Label）D.奖励（Reward）答案：C9.2025年工信部发布的人工智能算力核算标准中，1PFLOPS的FP16半精度算力，对应可支撑7B参数大模型的并发推理容量约为（）A.50QPSB.200QPSC.500QPSD.1000QPS答案：B10.下列算法中，属于无监督学习的是（）A.K-Means聚类B.逻辑回归C.随机森林分类D.支持向量机答案：A11.Transformer架构中，用于捕捉序列中token之间位置关联的核心机制是（）A.残差连接B.层归一化C.自注意力机制D.前馈神经网络答案：C12.人工智能伦理中的“算法公平性”是指（）A.算法的准确率必须达到100%B.算法不得基于种族、性别、年龄等受保护属性产生歧视性输出C.算法代码必须完全开源D.算法运行速度必须保持一致答案：B13.下列指标中，用于衡量二分类模型精准率（Precision）的计算公式是（）A.TP/(TP+FP)B.TP/(TP+FN)C.(TP+TN)/(TP+TN+FP+FN)D.2*(Precision*Recall)/(Precision+Recall)答案：A14.2025年国内主流端侧AI芯片普遍支持的轻量化大模型部署技术是（）A.全参数微调B.量化压缩（INT4/INT8）C.分布式训练D.数据并行答案：B15.下列关于提示工程（PromptEngineering）的描述，错误的是（）A.思维链（CoT）提示可以提升大模型复杂推理任务的准确率B.少样本提示（Few-shot）需要提供3-5个示例引导模型输出C.提示词越长，模型输出质量一定越高D.结构化提示可以通过角色设定、任务要求、输出格式三部分构成答案：C16.计算机视觉中，2023年后广泛应用于图像生成、多模态理解任务的基础模型架构是（）A.LeNetB.AlexNetC.VisionTransformer（ViT）D.ResNet答案：C17.机器学习中过拟合的典型表现是（）A.训练集准确率低，测试集准确率低B.训练集准确率高，测试集准确率低C.训练集准确率低，测试集准确率高D.训练集与测试集准确率都高答案：B18.2024年全球人工智能治理领域达成的《布莱切利宣言》核心共识是（）A.全面禁止通用人工智能研发B.共同识别和管控前沿AI的安全风险C.要求所有AI模型必须完全开源D.统一AI芯片的生产标准答案：B19.语音识别任务中，2025年主流商用系统广泛采用的技术路线是（）A.隐马尔可夫模型（HMM）B.端到端大模型（Whisper类架构）C.动态时间规整（DTW）D.高斯混合模型（GMM）答案：B20.检索增强生成（RAG）技术的核心优势是（）A.可以完全替代大模型的参数记忆B.能够引入外部权威知识库，减少大模型幻觉，降低知识更新成本C.能将大模型的推理速度提升10倍以上D.不需要任何算力支撑即可运行答案：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.下列属于2020年后人工智能进入大模型时代核心特征的有（）A.模型参数规模突破百亿级，涌现出推理、创作等通用能力B.采用预训练+微调/提示的通用范式，支撑跨领域任务C.算力、数据、算法三要素协同支撑产业落地D.仅能完成单一特定任务，泛化能力极差答案：ABC2.大模型训练过程中常用的优化技术包括（）A.混合精度训练B.梯度累积C.分布式训练（数据并行、张量并行、流水线并行）D.局部敏感哈希答案：ABC3.下列属于人工智能应用层落地场景的有（）A.智能客服对话系统B.工业视觉缺陷检测C.辅助诊断医疗影像系统D.自动驾驶环境感知模块答案：ABCD4.下列关于大模型参数高效微调（PEFT）技术的描述，正确的有（）A.LoRA技术通过训练低秩适配矩阵，仅更新极少量参数即可达到全参数微调的效果B.P-Tuning技术通过优化软提示向量，减少微调的计算成本C.参数高效微调技术可以大幅降低大模型垂直领域适配的硬件门槛D.参数高效微调的效果一定优于全参数微调答案：ABC5.人工智能安全风险涵盖的维度包括（）A.数据隐私泄露风险B.算法偏见与歧视风险C.深度伪造内容引发的虚假信息风险D.自主决策系统失控引发的安全事故风险答案：ABCD6.下列属于多模态人工智能模型能力范畴的有（）A.文本生成图像B.视频内容理解与摘要生成C.语音指令控制智能家居D.跨模态检索（以图搜文、以文搜图）答案：ABCD7.机器学习模型部署阶段常用的性能优化手段包括（）A.模型量化（将FP32精度压缩至FP16/INT8/INT4）B.模型蒸馏（用大模型指导小模型训练，保留性能的同时缩小体积）C.算子融合，减少计算图中的冗余节点D.增加模型的网络层数答案：ABC8.2025年我国人工智能产业落地的重点政策方向包括（）A.推动算力网络互联互通，降低中小企业算力使用成本B.支持垂直领域大模型研发，赋能制造业、医疗、教育等实体经济场景C.建立人工智能安全评估与备案制度，防范生成式AI风险D.全面限制开源大模型的研发与应用答案：ABC9.下列关于图神经网络（GNN）应用场景的描述，正确的有（）A.社交网络中的用户关系挖掘与推荐B.药物分子结构性质预测，支撑新药研发C.交通路网流量预测与路径优化D.金融反欺诈中的交易关联网络识别答案：ABCD10.智能体（AIAgent）的核心组成模块包括（）A.感知模块：接收外部环境输入（文本、图像、传感器数据等）B.记忆模块：存储短期交互上下文与长期知识库C.规划模块：将复杂任务拆解为可执行的子任务序列D.行动模块：调用工具、输出动作反馈给环境答案：ABCD三、判断题（每题1分，共10分，正确打√，错误打×）1.人工智能的概念最早是在1956年的达特茅斯会议上正式提出的。（）答案：√2.大模型的涌现能力是指当模型参数规模、训练数据量达到一定阈值后，突然具备之前小模型没有的复杂能力（如逻辑推理、跨任务泛化）的现象。（）答案：√3.只要训练数据量足够大，机器学习模型就不会出现任何偏差。（）答案：×解析：训练数据本身可能包含社会偏见、标注错误，且模型优化过程存在归纳偏置，仅靠增加数据量无法完全消除偏差。4.计算机视觉中的目标检测任务不仅需要识别图像中的物体类别，还需要标注出物体所在的边界框位置。（）答案：√5.生成对抗网络（GAN）由生成器和判别器两个网络组成，训练过程中二者通过博弈优化，最终生成器可以产出以假乱真的内容。（）答案：√6.强化学习中的奖励函数设计不会影响智能体的最终行为模式。（）答案：×解析：奖励函数是强化学习的核心目标导向，不合理的奖励设置会导致智能体出现奖励黑客（RewardHacking）行为，偏离任务预期。7.2025年我国要求向公众提供服务的生成式人工智能产品，必须按照规定开展算法备案，落实内容审核主体责任。（）答案：√8.自然语言处理中的词嵌入（WordEmbedding）技术是将离散的词语映射为低维稠密的向量，捕捉词语之间的语义关联。（）答案：√9.大模型的上下文窗口（ContextWindow）大小，仅决定了模型可以处理的输入文本长度，不影响模型的推理与输出能力。（）答案：×解析：更大的上下文窗口可以支撑长文档理解、长会话记忆、复杂任务拆解，直接影响多轮交互与长文本处理任务的性能。10.人工智能产业落地中，“模型效果越好，商业价值一定越高”是普遍成立的规律。（）答案：×解析：商业价值需要综合考虑部署成本、推理速度、场景适配性、合规性等因素，单纯追求模型精度反而可能因成本过高无法落地。四、简答题（每题8分，共32分）1.请简述大语言模型的基本训练流程，分为哪几个核心阶段？答案：大语言模型的训练全流程分为三个核心阶段，每个阶段的目标和技术路径存在明确差异：（1）预训练阶段（2分）：基于大规模无标注的通用语料（网页、书籍、论文、开源代码等），以“下一个token预测”为自监督任务训练模型基础参数，让模型学习通用的语言规律、世界知识与逻辑能力，该阶段占整体训练成本的70%以上，通常需要千卡/万卡级GPU集群支撑。（2）监督微调阶段（SFT，3分）：收集高质量的人工标注对话、任务指令数据，让模型学习遵循人类指令的输出范式，适配对话、问答、创作、代码编写等具体任务格式，该阶段数据质量直接决定模型的基础交互体验，通常仅需几十到几百张GPU即可完成，数据量从几万到几十万条不等。（3）人类反馈强化学习阶段（RLHF，3分）：首先收集人类标注员对模型不同输出的排序偏好数据，训练奖励模型（RM）学习人类的价值判断标准；随后用奖励模型的打分作为反馈，通过近端策略优化（PPO）等强化学习算法微调SFT模型，让模型输出更符合人类价值观、更安全有用、更符合用户偏好，该阶段是提升模型对齐度、减少有害输出的核心环节。2.请简述检索增强生成（RAG）技术的基本架构与落地价值。答案：RAG是当前大模型落地中应用最广泛的知识增强技术，其架构与价值如下：（1）基本架构（4分）：分为离线索引构建与在线生成两个流程：①离线阶段：将企业私有知识库、权威公开文档等内容通过文档解析、分块处理，用嵌入模型转化为向量，存储到向量数据库中构建可检索的知识库；②在线阶段：用户提问后，首先将问题转化为向量，从向量数据库中检索出与问题最相关的知识片段，将问题和检索到的知识片段一同输入大模型，引导大模型基于给定的权威知识生成答案，而非完全依赖模型参数内的记忆。（2）落地价值（4分）：①有效降低大模型幻觉：模型输出基于可溯源的权威资料，大幅减少事实性错误，尤其适配金融、医疗、政务等对内容准确性要求极高的场景；②降低知识更新成本：无需重新训练或微调大模型，仅需更新知识库即可完成知识迭代，适配时效性强的场景（如政策更新、产品迭代）；③保障数据安全：企业私有知识无需输入到模型训练过程，仅在推理阶段调用，避免敏感数据泄露；④降低落地成本：相比大模型微调，RAG的开发周期短、硬件要求低，中小企业可快速搭建自有AI应用。3.请简述人工智能伦理治理需要遵循的核心原则。答案：结合我国《新一代人工智能伦理规范》与全球治理共识，人工智能伦理治理需遵循六大核心原则：（1）安全可控原则（1分）：人工智能研发应用必须把安全放在首位，建立全生命周期风险评估机制，确保系统在人类可控范围内运行，防范系统性安全风险。（2）公平公正原则（1分）：算法设计与数据采集过程中要避免偏见歧视，保障不同群体在AI应用中获得平等服务，不得利用算法实施大数据杀熟、就业歧视、区别对待等行为。（3）隐私保护原则（2分）：严格落实个人信息保护要求，在数据采集、存储、使用全流程遵循最小必要原则，不得过度收集用户隐私数据，充分保障用户的知情权、选择权与删除权，防范数据泄露风险。（4）透明可解释原则（1分）：对涉及公众切身利益的AI决策（如信贷审批、司法辅助、招聘筛选），需保障决策逻辑可解释、可追溯，避免“算法黑箱”侵害用户权益。（5）权责清晰原则（2分）：明确人工智能研发者、提供者、使用者的权责边界，针对AI生成内容、AI决策造成的损害，建立明确的责任追溯与赔偿机制。（6）人类主体原则（1分）：坚持人类是最终决策主体，AI定位为辅助人类的工具，不得赋予AI独立的法律主体资格，确保人类对高风险AI系统拥有最终控制权。4.请简述端侧人工智能相比云侧人工智能的落地优势与适用场景。答案：端侧AI是指将AI模型部署在手机、智能家居、汽车、工业传感器等终端设备上，本地完成推理计算，无需依赖云端网络，其优势与适用场景如下：（1）落地优势（4分）：①低延迟：本地推理无需网络传输，响应延迟可低至毫秒级，适配对实时性要求极高的场景；②隐私安全：用户数据无需上传云端，全部在本地处理，从根源上避免隐私数据泄露；③低成本：大规模部署下可大幅降低云端算力与带宽成本，减少企业运营开支；④可靠性高：在网络信号差或无网络的环境下（如山区、地下矿井）仍可正常运行，不受网络中断影响。（2）适用场景（4分）：①消费电子端：手机端的AI拍照修图、语音助手、离线翻译，智能手表的健康监测（心率、血氧异常预警）；②自动驾驶领域：车端本地的障碍物识别、紧急制动决策，避免网络延迟导致的安全事故；③工业场景：工业设备的实时故障检测、生产线视觉缺陷质检，满足工业生产毫秒级响应要求；④智能家居领域：本地语音控制、智能摄像头的本地人形识别，提升设备响应速度与隐私安全性；⑤特殊场景：野外勘探、应急救援的离线AI识别设备，无网络环境下仍可完成环境感知、人员搜救等任务。五、论述题（共18分）请结合2026年人工智能产业发展实际，论述当前大模型落地实体经济过程中面临的主要瓶颈与可行的解决路径。参考答案：截至2026年，我国通用大模型技术已趋于成熟，参数规模覆盖百亿到万亿级，在办公、教育、医疗、制造等领域的落地案例持续增加，但大模型与实体经济深度融合仍面临四方面核心瓶颈：第一，场景适配成本较高，供需匹配存在错位。当前通用大模型虽具备通用语言与推理能力，但垂直行业的专业知识（如工业制造的工艺参数、医疗领域的临床指南、金融领域的合规规则）存在壁垒，通用模型直接应用的准确率不足60%，而传统全参数微调的单场景适配成本超过百万元，中小微企业难以承担；同时部分AI服务商缺乏对行业业务流程的理解，为客户提供的AI应用脱离实际生产流程，存在“为了AI而AI”的问题，无法解决企业真实痛点。（3分）第二，算力供给存在结构性短缺，使用成本居高不下。2026年我国智能算力总规模已超过12EFLOPS，但算力供需存在错配：一方面高端训练芯片供给仍受限制，万卡级训练集群的调度效率仅为40%左右，算力资源闲置与排队等待现象并存；另一方面云侧推理算力价格虽逐年下降，但面向制造、零售等海量终端场景的推理需求，年算力成本仍占企业AI投入的60%以上，部分中小企业因算力成本过高放弃AI应用。（3分）第三，合规与安全风险尚未形成体系化解决方案。随着《生成式人工智能服务管理暂行办法》《人工智能安全治理框架》的落地，企业应用AI需要满足算法备案、内容审核、数据安全、可追溯等多重合规要求，但当前多数企业缺乏专业的AI合规团队，尤其是金融、医疗等强监管领域，大模型生成内容的可解释性不足、医疗诊断建议的责任边界不清、企业经营数据上传大模型的泄露风险等问题，导致很多企业对大模型应用持观望态度。（3分）第四，复合型人才缺口较大。大模型落地需要既懂人工智能技术，又熟悉行业业务流程，同时了解合规要求的复合型人才，据人社部2025年发布的人才需求报告，我国人工智能领域人才缺口超过500万，其中垂直行业落地人才占比超过70%，传统行业的员工缺乏AI应用能力，AI技术人员不懂行业业务，导致技术与场景“两张皮”。（3分）针对上述瓶颈，结合产业实践可从四个方向推进解决：一是构建低成本场景适配技术体系，深化供需对接。大力推广参数高效微调（PEFT）、RAG、小模型蒸馏等轻量化技术，将垂直场景的大模型适配成本降低至十万元