2026年人工智能基础理论考试试卷及答案

2026年人工智能基础理论考试试卷及答案一、单项选择题（每题2分，共30分）1.1956年的达特茅斯会议被广泛认为是人工智能学科诞生的标志，下列哪位学者未参加该会议？A.JohnMcCarthyB.MarvinMinskyC.ClaudeShannonD.AlanTuring答案D解析AlanTuring于1954年去世，未参加1956年的会议。2.在搜索策略中，A*算法是一种启发式搜索算法。若要保证A*算法找到最优解，启发函数h(A.h(B.h(C.hD.h(答案B3.下列关于机器学习分类的描述中，错误的是？A.监督学习需要带有标签的数据进行训练B.无监督学习旨在发现数据中的内在结构C.半监督学习结合了少量有标签数据和大量无标签数据D.强化学习不需要环境反馈，完全依赖模型自身推理答案D4.在决策树算法中，ID3算法使用什么指标来选择最优分裂属性？A.基尼系数B.信息增益C.均方误差D.Logistic损失答案B5.下列哪种激活函数是目前深度神经网络中最常用的非线性激活函数，能够有效缓解梯度消失问题？A.SigmoidB.TanhC.ReLUD.Linear答案C6.在支持向量机（SVM）中，核函数的主要作用是？A.增加数据样本的数量B.将低维空间的非线性可分问题映射到高维空间使其线性可分C.加速模型的收敛速度D.降低模型的计算复杂度答案B7.卷积神经网络（CNN）中，池化层的主要作用不包括？A.降低特征图维度B.减少参数量C.防止过拟合D.增加非线性变换能力答案D8.循环神经网络（RNN）在处理长序列时容易出现梯度消失或梯度爆炸，为了解决这个问题，长短期记忆网络（LSTM）引入了什么核心结构？A.卷积核B.注意力机制C.门控机制D.残差连接答案C9.Transformer模型完全基于注意力机制，其核心组件是？A.自注意力层B.卷积层C.循环层D.全连接层答案A10.在评估分类模型时，精确率和召回率往往是一对矛盾的指标。F1分数是两者的调和平均，其公式为？A.2B.PC.PD.P答案A11.生成式对抗网络由生成器和判别器组成，其训练过程类似于？A.合作博弈B.零和博弈C.囚徒困境D.纳什均衡答案B12.在强化学习中，智能体通过与环境交互来学习策略，其目标是最大化？A.即时奖励B.累积折扣奖励C.惩罚最小化D.状态转移概率答案B13.K-均值聚类算法中，确定聚类中心的方法是？A.随机选取并固定B.计算当前簇内所有样本的均值C.计算当前簇内所有样本的中位数D.选择距离其他点最远的点答案B14.降维算法PCA（主成分分析）主要基于什么原理？A.线性判别分析B.矩阵分解与投影方差最大化C.流形学习D.神经网络自编码答案B15.关于大语言模型（LLM）的“涌现”能力，下列描述正确的是？A.模型参数量较小时就能具备的能力B.随着模型参数量突破一定阈值，突然出现的小样本推理、思维链等能力C.指模型生成文本的速度变快D.指模型训练过程中显存占用的突然增加答案B二、填空题（每题2分，共20分）1.人工智能研究的三个主要学派通常被称为：符号主义、连接主义和  。答案行为主义2.在状态空间搜索中，广度优先搜索（BFS）通常使用  数据结构来实现，以保证按层遍历。答案队列3.感知机是一种线性分类模型，其基本形式是f(答案b（或bi4.梯度下降算法中，学习率是一个超参数，如果学习率过大，可能导致损失函数  。答案发散（或震荡/无法收敛）5.过拟合是指模型在训练集上表现很好，但在测试集上表现较差。常用的缓解方法包括正则化和  。答案Dropout（或早停/数据增强）6.在反向传播算法中，计算梯度的核心数学法则称为  。答案链式法则7.深度学习中的“深度”指的是神经网络中  的数量。答案隐藏层8.Transformer模型中引入了位置编码，目的是为了弥补模型缺乏  的缺陷。答案归纳偏置（或对序列顺序的感知能力）9.常用的目标检测算法YOLO（YouOnlyLookOnce）属于  阶段的算法。答案单阶段10.阿西莫夫提出的“机器人三定律”主要涉及人工智能领域的  问题。答案伦理（或安全/道德）三、简答题（每题5分，共20分）1.简述监督学习与无监督学习的主要区别，并各举一个典型算法。答案监督学习：训练数据带有标签，目标是学习输入到输出的映射。典型算法：线性回归、支持向量机。无监督学习：训练数据无标签，目标是发现数据内部结构或模式。典型算法：K-Means聚类、PCA降维。2.什么是深度学习中的“残差连接”？它解决了什么问题？答案残差连接是指将网络的输入直接跳过一层或多层加到该层的输出上，即y=3.解释强化学习中的马尔可夫决策过程（MDP）包含的五个核心要素。答案(1)S：状态空间，所有可能状态的集合；(2)A：动作空间，所有可能动作的集合；(3)P：状态转移概率，表示在状态s采取动作a后转移到s′(4)R：奖励函数，表示在状态s采取动作a获得的即时奖励；(5)γ：折扣因子，控制未来奖励的重要性。4.简述大语言模型（LLM）中的Zero-shot、Few-shot和Fine-tuning的区别。答案Zero-shot：不给模型任何示例，直接通过指令让模型完成任务；Few-shot：在提示词中给出少量示例，引导模型模仿完成任务；Fine-tuning：使用特定任务的数据集对模型进行微调训练，改变模型参数以适应特定任务。四、计算分析题（每题10分，共20分）1.设有一个简单的二分类问题，样本点A(1,答案(1)最优分隔超平面方程为：x1+x(2)间隔大小为：2解析由于两点关于原点对称且位于对角线上，最优超平面应通过原点且垂直于两点连线。连线向量为(2,2)，故法向量w可取(1,1)。超平面方程为1⋅x1+1⋅x2+2.给定一个简单的神经网络，输入x=2，权重w=3，偏置b=1，激活函数为Sigmoid函数σ((1)神经元的输出y。(2)损失函数L关于权重w的梯度∂L答案(1)神经元输出y(2)梯度∂解析(1)前向传播：z=w(2)反向传播求梯度：链式法则：∂L∂w=∂L∂y⋅∂y∂z⋅∂z五、论述题（共10分）1.随着生成式人工智能（AIGC）的快速发展，大模型在文本、图像生成等方面展现了强大的能力。请论述当前人工智能技术面临的主要伦理风险与挑战，并从技术、法律或社会层面提出至少两条应对建议。答案主要伦理风险与挑战：(1)算法偏见与歧视：训练数据中的偏见可能导致模型输出歧视性内容。(2)虚假信息与深度伪造：生成逼真的假新闻、换脸视频，扰乱社会秩序。(3)知识产权争议：生成内容是否侵犯原作品的版权，以及生成内容的归属权问题。(4)隐私泄露：模型可能记忆并泄露训练数据中的个人敏感信息。(5)不可解释性：深度学习模型的“黑盒”特性导致决策过程难以追溯。应对建议：(1)技术层面：开发可解释性AI（XAI）技术，提高模型透明度；利用对抗训练和红队测试检测并消除模型偏见和后门；