《人工智能通识教程》习题及答案 胡丽莹

《人工智能通识教程》习题参考答案第1章绪论选择题AI是下面哪个词的缩写？（）AutomaticInformationB．AutomaticIntelligenceC.ArtificialIntelligenceD．ArtificialInformation答案：C以下关于人工智能的说法错误的是（）。人工智能是关于知识的学科——怎样表示知识、怎样获得知识并使用知识的科学。人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。人工智能一定会超过人类智能。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。答案：C中国科学院谭铁牛院士将人工智能的发展历程划分为几个阶段？（）A．6B．5C．4D．7答案：A以下不属于人工智能三大学派的是（）。符号主义学派B．连接主义学派C.行为主义学派D．认知主义学派答案：D人工智能领域中，旨在让机器从数据中自主学习规律、提升任务处理能力的研究内容是（）。知识推理B．机器学习C.认知科学D．机器思维答案：B填空题1956年的会议上，科学家们正式提出“人工智能”这一术语，该年份也因此被称为“人工智能元年”。答案：达特茅斯机器感知、机器思维、机器学习和机器行为都是人工智能的内容。答案：核心研究知识表示、推理和应用是人工智能研究的三大支柱：知识表示解决“如何存知识”，知识推理解决，知识应用解决“如何实现价值”。答案：“如何用知识”简答题简述机器感知、机器思维、机器学习和机器行为四者之间的联系。答：机器感知、机器思维、机器学习和机器行为都是人工智能的核心研究内容。机器感知是机器思维的输入，机器思维的决策驱动机器行为输出，机器行为改变外部环境后，新的环境状况又会被机器感知系统捕捉，形成完整的交互反馈闭环。机器学习能优化感知模型，提升机器思维能力，改进机器行为策略。四者协同作用，共同推动人工智能系统实现与环境的有效交互和各类任务的高效执行。请描述你想象到的未来生活中的人工智能应用，并简要分析它可能涉及本章所学的哪些技术及可能带来的潜在影响。答：略。第2章经典的人工智能方法选择题下列哪种知识表示方法最适合表示“IF-THEN”形式的规则？逻辑表示法B.产生式规则C.框架表示法D.语义网络答案：B在命题逻辑中，若P为假，Q为真，则P→Q的真值为：真B.假C.不确定D.无效答案：A下列哪种搜索策略总是能找到最短路径（假设每一步代价相同）？深度优先搜索（DFS）B.贪婪最佳优先搜索C.广度优先搜索（BFS）D.一致成本搜索（UCS）答案：C在遗传算法中，模拟“基因突变”的操作是：选择 B.交叉C.变异 D.复制答案：C粒子群算法（PSO）中，粒子更新速度时参考的“社会部分”是指：粒子自身历史最优 B.粒子当前速度C.群体历史最优 D.随机扰动答案：C填空题一阶谓词逻辑中，∀x表示__________量词。答案：全称产生式系统中，从已知事实出发逐步推导出结论的推理方式称为__________。答案：前向链式在框架表示法中，描述对象属性的结构称为__________。答案：槽A*搜索算法的评估函数为f(n)=__________+h(n)。答案：g(n)梯度下降法中，函数值下降最快的方向是__________方向。答案：负梯度遗传算法中，评估个体优劣的函数称为__________。答案：适应度函数粒子群算法中，每个粒子记录自身历史最优位置称为__________。答案：pBest蚁群算法中，蚂蚁通过释放__________进行间接通信。答案：信息素简答题请简要说明逻辑表示法中“命题逻辑”与“一阶谓词逻辑”的主要区别。答案：命题逻辑处理原子命题的真值组合，无法表示内部结构；一阶谓词逻辑引入谓词、变量和量词，能表示个体属性和关系。简述产生式系统中前向链式与反向链式的区别及适用场景。答案：前向链式从事实出发推导结论，适用于监控系统；反向链式从目标出发寻找证据，适用于诊断系统。什么是知识图谱？请举例说明一个三元组。答案：知识图谱是用图结构表示实体、属性和关系的知识表示方法。例如：（北京，是首都，中国）。简述A搜索算法的优点及其对启发函数h(n)的要求。答案：A算法结合了实际代价和启发估计，能保证找到最优解（如果h(n)是可采纳的，即不高估实际代价）。遗传算法中的“交叉”和“变异”分别模拟了什么生物过程？它们的作用是什么？答案：交叉模拟染色体交换，促进优良基因组合；变异模拟基因突变，增加种群多样性，避免早熟收敛。计算题命题逻辑推理已知：(1)P→Q(2)¬R→P(3)¬Q请用反证法证明R成立。答案：假设¬R（4）由(2)和(4)得P（5）由(1)和(5)得Q（6）由(3)和(6)得Q∧¬Q，矛盾故R成立。一阶谓词逻辑推理已知：∀x(Bird(x)→CanFly(x))∃xBird(x)请证明：∃xCanFly(x)答案：由∃xBird(x)得Bird(a)（EI）由∀x(Bird(x)→CanFly(x))得Bird(a)→CanFly(a)（UI）由Bird(a)和MP得CanFly(a)由EG得∃xCanFly(x)A*搜索计算设当前节点n的g(n)=20，启发函数h(n)=15，请计算f(n)。若另一个节点m的f(m)=30，哪个节点优先扩展？答案：f(n)=g(n)+h(n)=20+15=35优先扩展f(m)=30的节点。遗传算法编码解码某个体的基因型为110101，前3位表示x₁，后3位表示x₂（二进制）。请计算其表现型（x₁,x₂）和适应度（假设适应度函数为f(x₁,x₂)=x₁+x₂）。答案：x₁=110₂=6，x₂=101₂=5适应度=6+5=11第3章机器学习简介选择题下列哪种学习方式使用带有标签的数据进行训练？无监督学习有监督学习强化学习半监督学习答案：B逻辑回归用于解决以下哪种问题？回归问题聚类问题二分类问题降维问题答案：C在机器学习流程中，用于模型选择和超参数调优的数据集是：训练集测试集验证集全部数据集答案：C支持向量机（SVM）通过什么方法处理非线性可分数据？最小二乘法核函数梯度下降信息增益答案：B强化学习中的“智能体”通过什么与环境交互？状态和动作特征和标签输入和输出数据和模型答案：A填空题机器学习中从数据中学得模型的过程称为__________。答案：训练逻辑回归中使用__________函数将输出映射到[0,1]之间。答案：Sigmoid在聚类算法中，K均值聚类必须事先指定__________。答案：簇的数量k强化学习的核心机制是通过__________来学习最优策略。答案：最大化长期累积奖励用于评估回归模型的一个常见指标MSE的含义是__________。答案：均方误差决策树算法中，ID3算法使用__________作为分裂准则。答案：信息增益在SVM中，位于类别边界上的数据点称为__________。答案：支持向量机器学习的三要素是数据、模型和__________。答案：算法强化学习中，智能体根据__________选择动作。答案：策略AlphaGo中结合了强化学习、深度神经网络和__________搜索。答案：蒙特卡洛树简答题简述监督学习与无监督学习的主要区别。答案：

监督学习使用带标签的数据，目标是学习输入到输出的映射；无监督学习使用无标签数据，目标是发现数据内在结构。什么是过拟合？列举两种防止过拟合的方法。答案：

过拟合指模型在训练集上表现好，在测试集上表现差。防止方法：交叉验证、正则化、增加数据、简化模型。请简要说明逻辑回归与线性回归的区别。答案：

线性回归用于预测连续值，逻辑回归用于分类（输出概率）；逻辑回归使用Sigmoid函数将输出映射到[0,1]。什么是特征工程？它包括哪些主要内容？答案：

特征工程是从原始数据中提取、构造和选择对模型最有价值的特征的过程。包括特征选择、降维和特征构造。强化学习中的"价值函数"是什么？它在决策过程中起什么作用？答案：

价值函数用于评估状态或状态-动作对的长期累积奖励，帮助智能体在即时奖励和长期收益之间做出权衡。计算题线性回归计算已知一元线性回归方程为：y=2.5+1.8x，当x=10时，预测y的值。

答案：y=2.5+1.8K均值聚类中心更新某簇中有三个样本点：(1,2),(2,3),(3,4)，请计算该簇的新中心。答案：新中心=(逻辑回归概率计算假设逻辑回归模型中某样本的特征向量为x=[1,2,−1]，当前参数θ答案：z=θg(z)=1/(1+e⁻ᶻ)=1/(1+因此预测概率约为18.24%人工神经网络与深度学习一、简答题生物神经元结构请用“快递站”类比生物神经元：树突、轴突、突触分别相当于快递站的哪部分（如收件区、运输线、中转站等）？它们对应的人工神经元组件是什么？答案：生物神经元就像一个“信号快递站”，各结构与人工神经元组件对应如下。树突相当于快递站的“收件区（密集的收件窗口）”：负责接收来自其他神经元的信号（神经递质“包裹”），收件窗口越多（树突分支越发达），接收信号的能力越强，对应人工神经元的输入（aᵢ）。轴突相当于快递站的“运输线（高速运输的快递车队）”：负责把细胞体发出的电信号指令（动作电位）快速、稳定地传递到目的地，末端分叉可同时送达多个下游神经元，对应人工神经元的输出（t）。突触相当于快递站的“中转站（包裹转换点）”：电信号在这里被“重新打包”为化学信号（神经递质），跨越间隙投递给下一个神经元的树突，完成信息接力；突触强度可变是大脑学习和记忆的神经生物学基础，对应人工神经元的权重（wᵢ）。补充：细胞体相当于快递站的“核心分拣员与决策中心”，负责整合所有输入信号的总强度，一旦超过激活阈值就发出配送指令，对应人工神经元的“加权求和（SUM）+激活函数（f）”；激活阈值对应偏置（b）。人工神经元建模假设生物神经元的“触发”是“收到3个以上朋友的邀请就参加聚会”，请解释人工神经元公式z=w₁x₁+w₂x₂+b如何模拟这个过程（提示：x₁、x₂代表是否收到邀请，w₁、w₂代表朋友的重要性）。答案：该公式用“加权求和＋阈值判断”完整模拟“邀请达到一定数量就触发”的过程。输入对应邀请：x₁、x₂代表是否收到两位朋友的邀请（收到为1、未收到为0）；w₁、w₂代表这两位朋友的重要性（权重），朋友越重要权重越大。偏置对应阈值：触发条件是“收到3个以上朋友的邀请”，即邀请总重要度要超过阈值3。把阈值移项编码进偏置，令b=−3（相当于教材电影推荐示例中“及格线”的偏置），则z=w₁x₁+w₂x₂−3表示“邀请总重要度与阈值的差距”。激活判断对应“触发”：当z＞0时，说明邀请总重要度超过3，神经元被激活、输出1（参加聚会）；当z≤0时输出0（不参加）。例如设每位朋友的权重w=1，收到4个邀请时z=4−3=1＞0，触发；只收到2个邀请时z=2−3=−1＜0，不触发。整个过程正对应人工神经元的计算逻辑：加权求和（细胞体整合）→激活函数（阈值触发）→输出。激活函数选择用“跑步速度”类比激活函数：ReLU像“短跑选手”（计算快，适合长距离跑（深层网络）），Sigmoid像“慢跑选手”（计算慢，跑远了会累）。请举例说明LeakyReLU和PReLU在实际中的应用（如手机人脸识别、语音助手等）。答案：LeakyReLU与PReLU都是ReLU的改进版本，主要解决ReLU“输入为负时神经元被完全关闭、导致死神经元”的问题。LeakyReLU：当输入小于0时，输出一个很小的负数（通常取0.01x），保留少量梯度，使神经元不会完全“死亡”。实际应用——手机人脸识别：人脸图像中存在大量暗部、阴影等低亮度像素，经过网络计算后可能得到负输入，LeakyReLU让负区间的梯度仍能流动，网络可持续学习暗部特征，在逆光、夜间等复杂光线条件下依然能稳定识别人脸。PReLU：负区间的斜率α是可学习参数，由训练数据自适应调整，能自动学习不同任务中负区间的最佳梯度。实际应用——语音助手：语音信号中的静音段、弱音量段、环境噪声等对应负输入，PReLU通过可学习的α自适应不同说话人、不同噪声环境下的特征分布，提升唤醒词识别与语音指令理解的准确率。补充理解：与Sigmoid（“慢跑选手”，存在梯度消失、计算较慢）相比，ReLU系函数计算快、能缓解梯度消失问题，因此深层网络（如ResNet）常选用，LeakyReLU、PReLU则进一步改良了负区间的表现。翻译与办公协同的场景化模型应用某企业需要实现“跨国会议视频→长视频解析提取核心议题→多语言翻译生成中英双语会议纪要→跨平台文档同步”的全流程人工智能辅助，请结合本章所学的ResNet、Transformer、大模型，分别说明每个环节对应的核心模型及技术逻辑。答案：各环节对应的核心模型与技术逻辑如下。跨国会议视频解析——ResNet（卷积神经网络）：对会议视频抽帧，用ResNet逐帧提取画面特征，识别发言人、场景、PPT内容等关键画面（教材指出ResNet除图像分类外，还被广泛应用于目标检测、视频分析等领域），同时配合语音识别将发言转为文字，为后续环节提供结构化素材。长视频解析提取核心议题——大模型（基于Transformer）：把转写后的会议全文交给大模型，利用Transformer的自注意力机制建模全文的全局上下文，自动完成摘要生成、议题聚类与结论提炼，输出“核心议题清单”。多语言翻译生成中英双语会议纪要——Transformer（大模型）：机器翻译正是Transformer的典型应用（教材明确“在机器翻译任务中，Transformer实现了更准确、更流畅的翻译”）；基于Transformer预训练并微调的大模型可一次性完成“纪要生成＋中英双语翻译”，保持术语与格式一致。跨平台文档同步——大模型＋办公软件工具联动：生成的双语纪要借助WPSAI2.0等办公AI的“跨语言协作”能力保持表格、图表格式不变，并通过Agent与办公工具联动（如豆包＋WPS、钉钉、企业微信等）自动同步到各协作平台，实现“生成—翻译—同步”全流程自动化（对应教材5.5办公协同案例）。长视频解析的训练优化技巧长视频解析模型训练时，常面临数据量大、过拟合、训练速度慢等问题，请结合本章所学的神经网络训练优化技巧（正则化、数据增强、早停法、批归一化等），提出3种针对长视频解析模型的优化方案，并说明每种方案的作用原理。答案：提出以下3种针对长视频解析模型的优化方案。数据增强：对视频帧进行随机旋转、缩放、平移、翻转、添加噪声、调整亮度等变换，成倍扩充训练集。作用原理：长视频标注成本高、有效样本有限，数据增强相当于给网络“提供更多练习题”，让模型学习视频内容的本质规律而非死记样本，从而抑制过拟合、提高在不同拍摄条件下的泛化能力。早停法：训练过程中定期在验证集上评估模型性能，一旦验证集性能开始下降（说明开始过拟合），立即停止训练。作用原理：模型训练后期往往会从“学习规律”转向“死记训练样本”，早停法在验证集表现最好的位置截停训练，既防止过拟合，又避免无效迭代，节省算力、缓解训练速度慢的问题。批归一化（BatchNormalization）：在每个隐藏层后对输出进行标准化，使每层输入的数据分布保持稳定。作用原理：长视频特征数值波动大，深层网络容易出现梯度消失或梯度爆炸；批归一化把每层输出拉回合适范围，让梯度流动更顺畅，从而显著加速收敛、提高训练速度，同时带有轻微的正则化效果，有助于抑制过拟合。第5章大模型的应用一、简答题用“厨师和美食评论家”类比GAN生成器是厨师，判别器是评论家。请描述两者如何互动（例如，厨师试做→评论家点评→厨师改进），并说明“纳什均衡”是指什么状态（提示：最终厨师做的菜，评论家分不清真假）。答案：GAN由生成器与判别器两个网络组成，两者通过对抗训练共同进步。角色设定：生成器是“厨师”，负责试做菜品（生成逼真的假数据）；判别器是“美食评论家”，负责品鉴，判断端上来的菜是厨师做的（生成数据）还是真实餐厅的菜（真实数据）。互动过程（对抗训练循环）：第一步，厨师试做——生成器随机生成一份“菜”（如一张假图片）；第二步，评论家点评——判别器判断这份菜是真是假并给出评分；第三步，厨师改进——生成器根据点评结果调整“做菜方法”（参数），让菜更逼真；第四步，评论家提高鉴别力——判别器同步提升分辨能力，继续找出破绽……如此循环“厨师试做→评论家点评→厨师改进→评论家升级”，双方不断对抗、共同进步。纳什均衡：指对抗训练最终达到的一种平衡状态——此时厨师做的菜已逼真到评论家分不清真假，判别器对真实样本和生成样本的判断概率都趋近于50%（相当于“猜”），双方都没有动力单独改变策略。教材表述为：“最终达到一种平衡，生成的数据几乎与真实数据没有差别。”豆包同时输出图片和文字当你让豆包生成“未来城市智能机器人的样子并描述其功能”，它会同时输出图片和文字。请用“翻译”类比这个过程——例如，把“机器人会飞”的文字想法，“翻译”成图片里的“翅膀设计”，解释它是如何同时处理文字和图像的。答案：多模态大模型（如豆包）把文字和图像统一到同一个“语义空间”，因此能同时输出图文。先把文字“翻译”成语义：模型先理解用户输入的文字想法（“未来城市智能机器人会飞”），把它编码成包含完整语义的中间表示（语义向量），这个表示同时承载“会飞”“机器人”“未来城市”等信息。再把语义“翻译”成两种模态：同一个语义表示可以分别“翻译”成文字和图像——翻译成文字，就是功能描述（“机器人会飞，配备翅膀与飞行装置……”）；翻译成图像，就是把“会飞”还原成视觉元素（画面中的翅膀设计、悬浮姿态、未来感造型）。这就像同一句话既能译成中文也能译成英文：同一语义，既能译成文本模态，也能译成图像模态。教材依据：文本到图像生成技术的关键正是“将文本的语义信息转化为视觉元素，同时保持风格的一致性和创意的新颖性”（教材5.7），豆包等工具已具备“文本＋图像”多模态联动能力。链式思考（Chain-of-Thought）为什么解数学题时写步骤更容易做对？用同样的道理，说明为什么给人工智能提示“先算第一步，再算第二步”（链式思考）能让它更好地解决“小明买3支笔花15元，买5支要多少钱”这类问题，举一个自己的例子。答案：写步骤能提高正确率，是因为把复杂问题拆成了若干小步骤，每一步只处理一个小问题，降低了认知负担与出错概率，还能随时回头检查是哪一步算错。链式思考同理：提示“先算第一步，再算第二步”，是让大模型把推理过程显式地一步步写出来，而不是一步到位“猜答案”，从而减少中间计算错误（教材5.4.1技巧2：“链式思考……人工智能跟着步骤走就不容易出错”）。教材例题演示：小明买3支笔花15元，买5支要多少钱？第一步：先算每支笔的单价，15÷3=5（元/支）；第二步：再算5支的总价，5×5=25（元）。答案：25元。自己的例子：一本书原价40元，打8折后再优惠5元，实际应付多少？第一步：先算打折后的价格，40×0.8=32（元）；第二步：再减去优惠，32−5=27（元）。分步计算，每步都简单明确，不容易出错。跨平台办公协同场景的模型选型与提示词设计请结合第5章所学的模型选型原则与提示词工程技巧，完成以下任务。①从豆包4.0、GPT-4o、Claude4Sonnet三款模型中，选择最适配该场景的模型，并说明选型理由。②为该需求设计一段完整的结构化提示词，需要包含角色设定、背景信息、输出格式、约束条件四大核心要素。答案：①选型：最适配跨平台办公协同场景的是豆包4.0。选型理由：跨平台办公协同的核心需求是“中文为主的中英双语处理＋与办公工具联动＋成本可控”。豆包4.0采用“增量预训练”技术，以3万亿个中文Token为核心训练数据，中文语义理解精准，最贴合国内办公场景；教材5.8.4明确推荐豆包4.0用于办公协同场景（Agent可直接对接WPS、钉钉、企业微信、Excel等办公工具，实现“工具联动＋任务自动化”）；对比之下，GPT-4o中文支持较弱、商用API价格最高（0.05美元/千token）、长文本处理效率低；Claude4Sonnet对中文古籍与专业术语的理解准确率低于豆包4.0、多模态生成功能较弱。综合“中文适配、工具联动、性价比”，选择豆包4.0。②结构化提示词设计：角色设定：你是跨国企业的高级行政助理，精通中英双语商务写作，熟悉会议纪要规范和跨平台文档协作流程。背景信息：我司上周与海外合作方召开了“智能净水设备海外合作项目”视频会议，时长90分钟，双方就合作模式、交付周期、预算分摊三项议题达成初步共识；需要把会议纪要整理为中英双语版本，并同步至公司协作平台。输出格式：①按“会议基本信息—核心议题—会议结论—待办事项”四部分分节输出；②待办事项用表格列出，包含事项、负责人、截止日期三列；③中文与英文对照排版，英文符合商务写作规范。约束条件：语言正式专业，避免口语化表达；专业术语前后统一（如“客单价=AverageOrderValue”）；不得虚构会议中未出现的数据和结论；中文部分不超过800字。多语言翻译场景的人工智能工具应用与提示词优化结合第5章所学的多语言翻译模型特点与提示词注意事项，回答：①对比Gemini3Pro、千问3.0、豆包4.0三款工具在多语言翻译场景的优劣势，确定最优工具；②分析原始模糊提示词“把这份环保方案翻译成英、日、韩三种语言”的不足，并优化为精准提示词。答案：①三款工具在多语言翻译场景的优劣势对比：Gemini3Pro：优势——多语言翻译准确率全球领先（覆盖150余种语言）、谷歌生态深度整合；劣势——对话自然度不足（机械感强）、中文专业场景（古籍、技术文档）适配差、免费版功能受限。千问3.0：优势——中文理解精准、跨语言协作与企业级内容创作能力强，侧重商业场景与跨国办公适配；劣势——语言覆盖广度与专业翻译精度整体不及Gemini3Pro。豆包4.0：优势——中文语义理解精准，经教育、办公、商务等中文场景数据微调，输出贴合国内规范；劣势——多语言覆盖与翻译精度非其最强项，外语翻译的全面性不如Gemini3Pro。结论：以“多语言翻译”为核心场景（面向英、日、韩等多语种），最优工具为Gemini3Pro（教材明确其“多语言翻译准确率全球领先”）；若翻译以中文为源语言、面向中文办公场景，千问3.0的中文适配同样是优选。②模糊提示词“把这份环保方案翻译成英、日、韩三种语言”的不足：未说明文本类型与用途：环保方案是政策文件、技术方案还是宣传材料？不同文体的翻译风格要求完全不同；未指定语气与风格：正式公文、商务文书还是科普宣传，翻译语气应区别对待；未给出术语要求：环保专业术语（如“碳排放”“碳达峰”）是否需要统一术语表、是否保留原文对照；未指定输出格式与篇幅：三种语言是独立文档还是对照排版？是否保持原方案的表格、图表格式？有无字数限制？优化后的精准提示词：你是资深环保领域翻译专家，请将附件中的《XX市生态环保提升行动方案》翻译成英文、日文、韩文三种语言。背景：该方案用于向国际合作方申报环保合作项目，受众为政府官员与企业决策者。要求：①语言正式、专业，符合商务文书规范；②环保术语统一译为：“碳排放”=CO₂emissions（日、韩文采用对应官方术语）；③保持原文章节结构和表格格式，输出为中英日韩四语对照文档；④每种语言不超过2000字。请逐段翻译并核对术语一致性后输出。长视频解析场景的多模态工具组合与实操方案某教育机构需对15分钟的“人工智能环保科普讲座”长视频进行解析处理，核心需求如下。①提取视频中的核心知识点与时间节点。②生成适配短视频平台的3段精华剪辑脚本。③为脚本匹配对应的场景化BGM与画面风格。④驱动数字人完成精华内容的口播讲解。答案：可组合使用以下多模态工具完成“解析→脚本→BGM与画面→数字人口播”全流程。提取核心知识点与时间节点：用Gemini3Pro（教材指出其“视频生成与理解能力突出，支持10分钟长视频解析”，15分钟视频可分段处理）或千问（录音实时转写、生成脑图）：先对讲座视频做语音转写，再用大模型按时间轴提取“核心知识点—时间节点”对照表，作为后续剪辑的依据。生成3段精华剪辑脚本：用豆包4.0文本生成，结合提示词工程设计结构化提示词（角色设定：你是短视频编导；背景：提供讲座转写稿与知识点—时间节点表；输出格式：3段脚本，每段含“开场钩子—核心观点—案例—结尾引导”，时长30~60秒，适配抖音/B站竖屏；约束条件：语言通俗、每段只讲一个知识点）。3段脚本可按“①什么是人工智能环保—②AI如何助力环保—③我们可以做什么”组织。匹配场景化BGM与画面风格：BGM用豆包音乐生成或海螺AI音乐（支持“文本一键成曲”，输入“清新科技感”“环保自然风”等提示词即可生成适配BGM）；画面素材用即梦（文本转图像/视频、Agent全流程创作）或可灵（场景迁移、风格迁移），按每段脚本主题匹配画面风格（如科技蓝绿色调、清新自然风），并保持风格统一。驱动数字人口播讲解：用即梦的数字人驱动能力（内置校园风、商务风、国风等多风格数字人，可自定义形象、音色、神态，输入讲解稿即可生成口播视频，无须真人拍摄），把3段脚本转成数字人讲解视频，与BGM、画面合成最终成品。工具组合总览：Gemini3Pro/千问（解析）→豆包4.0（脚本）→海螺AI音乐/豆包音乐（BGM）＋即梦/可灵（画面）→即梦数字人（口播）。豆包Coze平台的MCP协作方案设计结合豆包Coze平台低代码、可视化搭建的核心特点，为“学生期末复习总结”设计一个简单的MCP协作方案，要求如下。①明确总任务（适配初中学生数学学科期末复习）。②设计3个核心Agent，标注每个Agent的角色＋专属核心任务，贴合豆包Coze的组件配置逻辑。③说明3个Agent之间的信息互通方式，体现豆包Coze平台的轻量化协作优势。④写出最终成果形式，适配学生的复习使用需求。答案：①总任务：面向初中学生数学学科期末复习，生成一套“初中数学期末复习总结”，包含各章节知识点梳理、典型例题与解析、易错点提醒和自测练习，输出为可直接打印或手机查看的复习资料（参考教材5.8.2案例4的Coze三Agent搭建方案）。3个核心Agent设计（贴合Coze组件配置逻辑）：知识梳理Agent（对应Coze“任务规划”组件）：角色＝复习规划师；专属核心任务＝拆解总任务，对接学生的课本、笔记、错题本数据，梳理各章节知识点清单（如有理数、整式与方程、几何图形等），标注重点与薄弱章节。例题讲解Agent（对应Coze“文本生成”组件，关联豆包大模型）：角色＝数学辅导老师；专属核心任务＝接收知识清单，为每个重点与薄弱点生成典型例题＋分步解题过程＋易错点提醒，语言符合初中生认知水平。复习资料Agent（对应Coze“图表/文档”组件）：角色＝资料整合员；专属核心任务＝接收前两个Agent的内容，用图表组件生成知识点思维导图，整合为完整的复习总结文档，支持一键导出。信息互通方式：通过Coze平台的“关联（数据同步）”功能连接3个Agent——知识梳理Agent完成数据采集后，自动将知识点清单同步给例题讲解Agent；例题讲解Agent生成例题与解析后，自动同步给复习资料Agent；若任一Agent执行异常（如某章节缺例题、数据不完整），触发“协同反馈”，暂停相关流程并通知对应Agent修正后继续。全程只需拖曳组件、设置关联，无须编写代码，10分钟内即可完成搭建，充分体现Coze“低代码、可视化、轻量化”的协作优势。最终成果形式：一份“初中数学期末复习总结”文档，内容包括：①各章节知识点思维导图；②典型例题＋详细解析＋易错点提醒；③章节自测练习（附答案）。学生可导出为Word/PDF打印复习，也可同步至豆包文档，在手机端随时查看。第6章人工智能与社会选择题以下哪一项是《新一代人工智能伦理规范》中提出的基本伦理要求？（）技术领先、市场主导、效率优先、资本驱动增进人类福祉、促进公平公正、保护隐私安全、确保可控可信完全自主、算法黑箱、自由竞争、事后追责用户至上、流量为王、快速迭代、赢者通吃答案：B“电车难题”被引入人工智能伦理讨论，最初是为了探讨哪个具体应用场景中的伦理决策困境？（）医疗人工智能的诊疗方案选择B.金融人工智能的信贷审批C.自动驾驶汽车的紧急避障D.推荐算法的信息过滤决策困境答案：C某自动驾驶汽车因传感器故障误判路况导致事故。根据《智能网联汽车道路测试与示范应用管理办法》，这主要属于哪一类人工智能伦理挑战？（）算法偏见挑战B.隐私困境挑战C.责任困境挑战D.人类自主性挑战答案：C在浙江等地社区推广的“人工智能网格员”，通过分析多源数据自动识别独居老人异常情况，是人工智能在哪一社会发展领域提升治理效能的体现？（）经济转型B.民生提质C.文化重塑D.全球合作答案：B中国在人工智能创新生态中，通过“揭榜挂帅”等机制，有效促进了“产学研用”协同。这主要体现了哪一方面的创新？（）技术创新B.应用创新C.生态创新D.全球担当答案：C填空题人工智能伦理的独特性在于，人工智能系统具备一定程度的，这使得技术主体与责任主体之间的界限变得模糊。答案：自主决策能力数据安全风险主要来自、和。答案：数据泄露、数据篡改、数据滥用中国在人工智能治理中为平衡创新与规范，借鉴了金融领域的模式，设立了人工智能伦理实验区。答案：沙箱简答题请简要阐述算法偏见可能产生的两个具体危害，并结合案例说明。答：算法偏见可能产生如下两个危害：1）算法偏见会表现数据偏见。如在内容推荐领域，算法若过度依赖用户的历史单击数据，则可能无意中固化对某些群体（如少数民族）的内容推送范围，限制其信息视野的多样性，从而产生数据偏见，这样算法就可能成为自动化偏见的工具。2）有时，算法会影响资源分配。如若仅依据学生规模、成绩等效率指标，通过人工智能分配教师资源，则