2026年人工智能基础知识考试题及答案

2026年人工智能基础知识考试题及答案一、单项选择题（共15题，每题2分，总计30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.艾伦·图灵D.克劳德·香农答案：C解析：1956年达特茅斯会议由约翰·麦卡锡、马文·明斯基、克劳德·香农、纳撒尼尔·罗切斯特联合发起，艾伦·图灵于1954年逝世，未参与该会议，其1950年发表的《计算机器与智能》为人工智能诞生奠定了理论基础。2.下列人工智能发展阶段时间节点与标志性事件对应错误的是（）A.1997年——深蓝击败国际象棋世界冠军卡斯帕罗夫B.2012年——AlexNet在ImageNet图像识别竞赛中夺冠C.2016年——AlphaGoZero无师自通击败AlphaGo版本D.2022年——ChatGPT正式发布，生成式AI进入规模化应用阶段答案：C解析：2016年AlphaGoLee击败李世石，2017年DeepMind团队发布AlphaGoZero，其不依赖人类棋谱数据，通过自我对弈训练击败此前所有版本的AlphaGo。3.下列关于弱人工智能、强人工智能、超人工智能的表述，正确的是（）A.2026年已实现通用强人工智能的商业化落地B.弱人工智能仅能在特定领域完成单一任务，不具备自主意识C.超人工智能指算力达到当前全球总算力100倍以上的AI系统D.强人工智能的核心特征是参数规模超过10万亿答案：B解析：截至2026年，商业化落地的AI系统均属于弱人工智能范畴，仅能在特定场景完成设计目标内的任务，无自主意识与通用推理能力；强人工智能的核心判定标准是具备与人类相当的通用认知、推理、跨场景适应能力，与参数规模无直接绑定关系；超人工智能指在所有认知领域能力远超人类顶尖水平的智能系统，与算力指标无直接对应。4.下列关于机器学习三要素的表述，错误的是（）A.数据是模型训练的基础，标注质量直接影响模型效果B.算法是从数据中学习规律的核心逻辑C.算力是模型训练与推理的硬件支撑D.场景是机器学习的核心构成要素，缺失场景则无法开展模型训练答案：D解析：机器学习的核心三要素为数据、算法、算力，场景是AI技术落地的载体，不属于模型训练的核心构成要素，无明确场景下仍可开展基础模型训练。5.下列机器学习范式与对应场景匹配错误的是（）A.监督学习——基于标注的垃圾邮件样本训练分类模型B.无监督学习——基于用户消费行为数据做客户群体聚类C.强化学习——自动驾驶车辆在虚拟仿真环境中学习跟车、变道策略D.半监督学习——通过与用户对话交互不断优化智能客服的应答逻辑答案：D解析：通过与环境交互获得奖励信号、不断优化决策策略的范式属于强化学习；半监督学习是同时使用少量标注数据和大量无标注数据开展模型训练的范式，通常用于标注成本较高的场景如医疗影像识别。6.下列激活函数中，能够有效缓解深层神经网络训练中梯度消失问题的是（）A.Sigmoid函数B.ReLU函数C.Tanh函数D.Softmax函数答案：B解析：Sigmoid与Tanh函数在输入值过大或过小时会出现导数趋近于0的情况，深层网络反向传播时易出现梯度消失；ReLU函数在输入大于0时导数恒为1，可有效缓解梯度消失问题；Softmax函数主要用于多分类任务的输出层，将输出转换为概率分布。7.2025年我国工信部发布的《生成式人工智能服务安全基本要求》中，明确大模型训练中文语料占比不得低于（）A.40%B.50%C.60%D.70%答案：C解析：该标准明确提出，面向境内用户提供服务的生成式AI大模型，训练语料中中文语料占比不得低于60%，同时需建立语料来源合法性审核机制，防范侵权、有害内容进入训练集。8.卷积神经网络（CNN）中，主要用于实现特征降维、减少计算量的网络层是（）A.卷积层B.池化层C.全连接层D.激活层答案：B解析：池化层通过最大池化、平均池化等方式对卷积层输出的特征图进行下采样，在保留核心特征的前提下降低特征维度，减少后续层的计算量，同时提升模型的特征鲁棒性。9.循环神经网络（RNN）在处理长序列数据时存在梯度消失、梯度爆炸问题，下列模型结构中专门针对该问题优化的是（）A.LeNet-5B.LSTMC.ResNetD.VisionTransformer答案：B解析：长短期记忆网络（LSTM）通过引入输入门、遗忘门、输出门三个门控结构，控制序列信息的传递与遗忘，有效解决了传统RNN处理长序列时的长期依赖问题与梯度异常问题；LeNet-5、ResNet为卷积神经网络结构，VisionTransformer是基于自注意力机制的视觉模型。10.Transformer架构的核心注意力机制是（）A.自注意力（Self-Attention）B.通道注意力C.空间注意力D.硬注意力答案：A解析：2017年谷歌团队提出的Transformer架构以缩放点积自注意力为核心，通过计算序列中每个元素与其他所有元素的关联权重，实现长距离依赖建模，成为当前大语言模型、多模态模型的核心基础架构。11.大语言模型训练过程中，“预训练”阶段的核心目标是（）A.学习通用语言知识与世界知识，构建基础语义理解与生成能力B.对齐人类价值观，生成符合公序良俗的内容C.学习特定领域专业知识，适配行业场景需求D.优化推理速度，降低端侧部署成本答案：A解析：大模型训练通常分为三个阶段：第一阶段为海量无标注语料上的预训练，目标是学习通用语义规律与常识知识；第二阶段为监督微调（SFT），基于标注的指令数据学习遵循用户指令；第三阶段为基于人类反馈的强化学习（RLHF），对齐人类价值观与偏好。12.下列关于AI幻觉的表述，正确的是（）A.AI幻觉是模型硬件故障导致的输出错误，可通过升级算力完全解决B.AI幻觉指模型生成看似合理但与事实不符、存在逻辑错误的内容C.截至2026年，主流大模型的幻觉问题已得到100%解决D.幻觉仅出现在文本生成场景，图像、语音生成场景不存在幻觉问题答案：B解析：AI幻觉是生成式AI模型的固有特性，根源是模型基于概率统计生成内容，而非真正理解事实逻辑，即使到2026年，主流大模型仍无法完全消除幻觉；幻觉存在于所有生成式AI场景，包括图像生成（如生成不存在的物体结构、文字错误）、语音生成（如生成不符合语境的语音内容）等。13.下列AI应用场景中，属于计算机视觉领域的是（）A.智能音箱语音唤醒B.工业流水线产品缺陷检测C.智能客服意图识别D.机器翻译答案：B解析：工业缺陷检测通过摄像头采集产品图像，利用计算机视觉算法识别表面划痕、缺件等缺陷，属于计算机视觉领域；语音唤醒属于语音识别领域，意图识别、机器翻译属于自然语言处理领域。14.下列关于人工智能伦理规范的表述，不符合我国《新一代人工智能伦理规范》要求的是（）A.AI系统应保障用户知情权，用户有权知晓自己正在与AI系统交互B.训练AI系统收集个人信息时，应遵循最小必要原则，获得用户授权C.为提升安防精度，可在所有公共区域无限制部署人脸识别系统D.AI研发应避免算法偏见，不得针对特定群体设置歧视性规则答案：C解析：我国《新一代人工智能伦理规范》明确要求，人脸识别等生物特征识别技术的部署需遵循合法、正当、必要原则，不得在公共区域无限制滥用人脸识别设备，需充分保障公民隐私权益。15.2026年端侧AI部署的主流硬件加速单元不包括（）A.NPU（神经网络处理器）B.GPUC.CPU（无AI加速指令集的传统通用处理器）D.TPU（张量处理器）答案：C解析：端侧AI部署需要专用硬件加速单元支撑模型高效推理，2026年主流端侧设备均搭载集成NPU的SoC芯片，数据中心侧常用GPU、TPU做训练与推理加速，无AI加速指令集的传统CPU算力效率极低，无法满足AI模型运行需求。二、多项选择题（共10题，每题3分，总计30分，多选、少选、错选均不得分）1.下列关于人工智能分类的表述，正确的有（）A.按照实现方式可分为符号主义、连接主义、行为主义三大流派B.符号主义核心逻辑是通过逻辑规则、知识表示实现智能，代表成果是专家系统C.连接主义核心是模拟人脑神经元连接结构，代表成果是神经网络、大模型D.行为主义核心是基于“感知-行动”机制，通过与环境交互实现智能，代表成果是波士顿动力机器人答案：ABCD解析：人工智能三大流派为符号主义、连接主义、行为主义，三者分别从知识逻辑、脑结构模拟、行为演化路径实现智能，当前主流大模型属于连接主义路线，多模态具身智能则呈现出多流派融合的趋势。2.下列属于监督学习任务的有（）A.房价预测：基于历史房屋面积、区位、成交价数据训练模型预测新房屋价格B.新闻分类：基于已标注类别的新闻数据训练模型自动给新闻打主题标签C.异常检测：基于无标注的网络流量数据识别异常攻击行为D.情感分析：基于标注的正面/负面评论数据训练模型判断用户评论的情感倾向答案：ABD解析：监督学习需要使用带有明确标签的训练数据，房价预测（回归任务）、新闻分类（分类任务）、情感分析（分类任务）均属于监督学习；无标注数据的异常检测属于无监督学习任务。3.下列关于Transformer架构组成的表述，正确的有（）A.编码器由多头自注意力层、前馈神经网络层、残差连接与层归一化组成B.解码器结构中包含掩码自注意力层，防止训练时看到未来位置的信息C.自注意力计算时Query、Key、Value三个矩阵均由输入线性变换得到D.Transformer只能处理文本数据，无法处理图像、语音等非文本数据答案：ABC解析：Transformer架构具备通用模态建模能力，通过将图像切分为patch、语音转换为频谱帧等方式，可实现视觉、语音、多模态数据处理，VisionTransformer、Whisper语音模型均基于Transformer架构实现。4.大模型推理过程中，影响生成内容质量的核心参数有（）A.温度系数（Temperature）B.上下文窗口长度C.重复惩罚系数D.Top-P采样阈值答案：ABCD解析：温度系数控制生成内容的随机性，值越高内容越有创造性、越易出现幻觉，值越低内容越确定；上下文窗口长度决定模型能够处理的最长输入序列长度；重复惩罚系数用于避免模型生成重复冗余内容；Top-P采样阈值控制候选词的采样范围，影响内容的多样性。5.下列属于人工智能领域常用评价指标的有（）A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.BLEU值答案：ABCD解析：准确率、精确率、召回率是分类任务常用评价指标，其中精确率衡量预测为正的样本中真正正样本的比例，召回率衡量所有正样本中被模型正确识别的比例；BLEU值是机器翻译、文本生成任务的常用评价指标，衡量生成文本与参考文本的相似度。6.生成式AI的常见安全风险包括（）A.深度伪造技术生成虚假音视频，实施电信诈骗B.生成侵权内容，侵犯他人知识产权C.被用于编写恶意代码、制作违禁物品教程D.训练数据泄露，导致用户个人隐私信息被输出答案：ABCD解析：2026年全球AI治理实践中，上述四类风险均为重点防控对象，我国已出台《生成式人工智能服务管理暂行办法》，要求服务提供者建立内容审核、数据安全、侵权投诉处置机制，防范上述风险。7.下列关于模型过拟合的表述，正确的有（）A.过拟合指模型在训练集上表现很好，在测试集上表现较差的现象B.过拟合的原因包括训练数据量不足、模型复杂度过高、训练轮次过多C.增加训练数据量、加入正则化项、使用Dropout层可缓解过拟合D.过拟合是模型训练的理想状态，无需进行干预答案：ABC解析：过拟合是模型泛化能力不足的表现，即模型学习了训练集中的噪声与特殊规律，无法适配新的未知数据，是模型训练过程中需要重点防范的问题，并非理想状态。8.多模态大模型通常融合的模态包括（）A.文本B.图像C.语音D.视频答案：ABCD解析：截至2026年，主流商用多模态大模型已实现文本、图像、语音、视频的跨模态理解与生成能力，可支持图文问答、视频内容解析、语音交互、文生视频等多类功能。9.人工智能落地行业场景时，需要满足的核心要求有（）A.可靠性：模型准确率满足场景业务要求，极端场景下不出现致命错误B.可解释性：高风险场景（如医疗诊断、司法辅助）的AI决策需要具备可解释性C.低成本：模型部署与推理成本需低于传统人工方式的成本，具备商业价值D.合规性：数据收集、模型应用符合国家数据安全、个人信息保护相关法规答案：ABCD解析：AI技术从实验室走向产业落地，需要同时满足技术可靠性、风险可控性、商业可行性、合规性四类要求，尤其是医疗、金融、自动驾驶等高风险场景，对可解释性、可靠性的要求远高于通用消费场景。10.下列属于2026年人工智能主流技术发展方向的有（）A.小参数模型端侧部署B.具身智能C.AIforScienceD.通用人工智能（AGI）商业化落地答案：ABC解析：截至2026年，AGI仍处于实验室研究阶段，尚未实现商业化落地；端侧小模型通过蒸馏、量化技术实现手机、智能家居、工业设备上的本地AI推理，成为消费端AI应用的主流形态；具身智能通过融合大模型与机器人本体，实现工业、家庭服务场景的智能机器人落地；AIforScience已在新药研发、新材料设计、气象预测领域实现规模化产业应用。三、简答题（共3题，每题8分，总计24分）1.请简述深度学习与传统机器学习的核心差异。答案：（1）特征提取方式差异（2分）：传统机器学习需要人工设计特征，依赖领域专家经验提取结构化特征，如文本的TF-IDF、图像的HOG特征；深度学习通过多层神经网络自动从原始数据中学习分层特征，无需人工设计特征，减少了特征工程的人力成本。（2）数据依赖差异（2分）：传统机器学习在小数据集上即可取得较好效果，数据规模增大到一定阈值后效果提升趋于平缓；深度学习性能随数据规模增长持续提升，需要大规模训练数据支撑。（3）算力依赖差异（2分）：传统机器学习对算力要求低，普通CPU即可完成训练与推理；深度学习模型参数量大，需要GPU、NPU等专用加速芯片支撑训练与推理。（4）可解释性差异（2分）：传统机器学习如决策树、逻辑回归模型的决策过程可解释性强；深度学习属于黑盒模型，决策逻辑难以拆解追溯，可解释性较差。2.请简述大模型参数高效微调（PEFT）的核心思路与常用方法。答案：（1）核心思路（3分）：参数高效微调针对大模型全参数微调成本高、显存占用大的问题，在预训练大模型基础上，仅微调极少量的新增参数或模型固有参数，冻结大部分预训练参数，即可达到接近全参数微调的效果，大幅降低微调的算力成本与时间成本，同时避免全量微调导致的模型通用能力遗忘问题。（2）常用方法（5分）：①LoRA（低秩适配）：在模型的注意力层插入低秩矩阵，仅训练低秩矩阵的参数，训练参数量通常不到原模型的1%，是2026年行业最常用的微调方法；②PromptTuning：在输入层添加可学习的提示向量，仅训练提示向量参数，无需修改模型主体结构；③AdapterTuning：在模型的Transformer层之间插入小型适配器模块，仅训练适配器参数；④QLoRA：通过4位量化技术进一步压缩模型权重，结合LoRA实现单消费级GPU即可微调70B参数级别的大模型，进一步降低微调门槛。3.请简述人工智能应用中的算法偏见主要来源与防控措施。答案：（1）偏见来源（4分）：①数据偏见：训练数据本身存在偏差，如招聘数据中历史男性员工占比过高，导致模型训练后产生性别歧视倾向；②算法设计偏见：算法目标设定、特征选择过程中引入开发者的主观偏见，如信用评估模型中将地域作为核心评价特征，导致地域歧视；③交互偏见：模型上线后用户交互数据中存在的偏见反馈被模型持续学习，进一步放大偏见；④部署偏见：模型在特定场景部署时，应用环节的规则设置偏差导致不公平结果，如人脸识别系统对深肤色人群识别准确率低，仍被用于安防身份核验。（2）防控措施（4分）：①数据治理：训练前对数据进行偏见检测，平衡不同群体的样本分布，剔除包含歧视性内容的样本；②算法检测：模型上线前开展公平性测试，评估不同性别、年龄、地域群体的模型准确率差异，对偏差过大的模型进行优化；③流程透明：高风险场景AI决策需建立人工复核机制，保障用户对算法决策的申诉权；④持续监测：模型上线后持续监测输出内容的偏见情况，及时迭代优化模型。四、案例分析题（共1题，总计16分）某市政务服务中心计划2026年上线AI政务咨询大模型，实现12345热线智能应答、办事指南智能导办、申报材料自动预审三类功能，用户可通过电话、网页端、政务APP三个渠道访问该系统。项目上线前需完成方案设计，请结合人工智能基础知识回答以下问题：（1）该系统需要用到哪些人工智能核心技术？（6分）（2）该类民生服务AI系统上线前需要重点防控哪些风险？（6分）（3）若模型上线初期出现“答复内容与最新政策不符”的问题，从技术角度分析可能的原因并提出优化方案。（4分）答案：（1）核心技术组成：①