2026年人工智能应用技术考试题库(附答案)

2026年人工智能应用技术考试题库(附答案)一、单项选择题（每题2分，共40分）1.在机器学习中，将输入数据映射到离散类别标签的学习任务属于？A.回归任务B.分类任务C.聚类任务D.降维任务答案：B解析：分类任务的输出是离散的类别标签；回归任务输出连续值，聚类是无监督学习，降维用于特征处理。2.下列哪个算法属于无监督学习？A.线性回归B.K-means聚类C.决策树D.支持向量机答案：B解析：K-means在无标签数据上按距离自动划分簇，属于无监督学习。其余三项均为有监督学习算法。3.卷积神经网络中，池化层（Pooling）的主要作用是？A.引入非线性变换B.降低特征图的空间尺寸，减少参数量与计算量C.将输入图像转换为向量D.对梯度进行裁剪答案：B4.自然语言处理中，Word2Vec模型的输出是？A.词语的词性标签B.词语的稠密向量表示C.句子的语法树D.文本的类别标签答案：B解析：Word2Vec通过神经网络将词语映射为低维稠密向量，使语义相近的词在向量空间中距离更近。5.在梯度下降优化中，学习率设置过大会导致？A.损失值振荡甚至发散B.模型必然更快收敛C.梯度消失D.模型参数保持不变答案：A解析：学习率过大时，参数更新步长过大，越过最优点导致损失振荡不降，甚至发散至无穷。6.训练集准确率很高但测试集准确率明显偏低，说明模型出现了？A.欠拟合B.过拟合C.梯度消失D.数据泄漏答案：B解析：模型在训练集上表现好而在测试集上泛化差，是典型的过拟合特征，即模型过度学习了训练数据中的噪声。7.PyTorch框架中自动求导功能所依赖的核心机制是？A.符号微分B.动态计算图C.数值差分近似D.人工求解梯度公式答案：B解析：PyTorch采用动态计算图，前向传播时构建计算图，反向传播时按链式法则自动求导，计算图随每次前向动态重建。8.目标检测中，IoU（交并比）用于衡量什么？A.预测框与真实标注框的重叠程度B.模型分类置信度的高低C.特征图通道数的多少D.模型推理延迟的大小答案：A解析：IoU为预测框与真实框交集面积与并集面积之比：IIoU越大表示定位越准确。9.语音识别系统中，常用的音频特征提取方式是？A.SIFTB.MFCCC.HOGD.RGB答案：B解析：MFCC（梅尔频率倒谱系数）模拟人耳听觉特性，是语音识别最常用的特征；SIFT、HOG、RGB是图像或视觉特征。10.Transformer中自注意力机制的核心作用是？A.降低模型参数量B.捕捉序列中任意位置之间的依赖关系C.替代所有激活函数D.增加训练数据量答案：B解析：自注意力通过计算序列中每个位置与其他所有位置的相关性，直接建模长距离依赖，这是Transformer的核心优势。11.大语言模型的"幻觉"问题指的是？A.模型训练时显存不足B.模型生成看似流利但与事实不符的内容C.模型推理时随机崩溃D.模型的注意力权重全部为零答案：B12.二分类评估中，精确率（Precision）的计算公式是？A.PB.PC.PD.P答案：A解析：精确率衡量预测为正例的样本中实际为正例的比例，分母为预测为正例的总数TP13.特征标准化（Standardization）的常见计算形式是？A.xB.xC.xD.x答案：B解析：标准化利用均值和标准差将特征变换为标准正态分布；A是归一化（Min-MaxScaling）公式。14.强化学习中，智能体通过什么信号来调整自身策略？A.人工标注的类别标签B.环境反馈的奖励信号C.预先设定的固定规则D.输入特征的统计量答案：B15.下列哪项不属于人工智能系统面临的主要伦理风险？A.算法歧视与偏见B.用户隐私泄露C.模型可解释性不足D.算力资源利用率过高答案：D16.下列哪种方法不能有效缓解模型过拟合？A.增加训练样本数量B.使用DropoutC.引入L2正则化D.盲目增加网络层数答案：D解析：增加网络层数会进一步提高模型容量，在训练数据有限时通常会加剧过拟合，而不是缓解。17.人脸识别流程中，负责在图像中定位人脸位置的任务是？A.人脸检测B.人脸对齐C.人脸特征提取D.人脸比对答案：A解析：人脸检测先确定图像中人脸的坐标与边界框，后续对齐、特征提取和比对都在检测结果基础上进行。18.在边缘设备上部署AI模型时，模型量化（Quantization）的主要目的是？A.提高模型推理精度B.减小模型体积、降低推理时延与功耗C.增加模型参数量D.加快模型训练收敛答案：B解析：量化将浮点参数转为低比特整数表示（如INT8），显著压缩模型体积并加速推理，精度通常只有轻微损失。19.《生成式人工智能服务管理暂行办法》自哪一天起施行？A.2023年5月1日B.2023年8月15日C.2024年1月1日D.2025年6月1日答案：B20.提示工程中，Few-shot提示方式指的是？A.提示中不提供任何示例B.提示中提供少量输入输出示例C.使用极少参数的小模型D.只输入一个词作为提示答案：B二、多项选择题（每题3分，共15分）1.下列哪些属于常见的深度学习激活函数？A.ReLUB.SigmoidC.TanhD.Softmax答案：ABCD解析：ReLU、Sigmoid、Tanh是最常用的激活函数；Softmax用于多分类输出层将得分转化为概率分布，同样属于激活函数。2.下列哪些措施可以有效缓解模型过拟合？A.数据增强B.早停（EarlyStopping）C.DropoutD.增大模型参数量答案：ABC解析：数据增强扩充样本多样性，早停在验证集性能不再提升时终止训练，Dropout随机丢弃神经元，三者均能提升泛化能力。增大模型参数量会加剧过拟合。3.关于Transformer模型，下列说法正确的有？A.整体结构由编码器（Encoder）和解码器（Decoder）构成B.多头注意力机制能够关注不同子空间的信息C.位置编码用于保留序列中词语的位置顺序信息D.由于注意力机制的存在，Transformer无法并行处理序列数据答案：ABC解析：Transformer的自注意力计算对各位置同时进行，天然支持并行计算，因此D错误；A、B、C均是对Transformer的正确描述。4.人工智能在智慧医疗领域的典型应用包括？A.医学影像辅助诊断B.智能导诊与问诊C.药物分子筛选D.手术机器人辅助操作答案：ABCD5.下列属于大语言模型（LLM）典型应用方式的有？A.文本摘要B.代码生成C.对话问答D.机器翻译答案：ABCD三、判断题（每题1分，共10分）1.深度学习模型在所有场景下都优于传统机器学习模型。答案：错误解析：在数据量小、特征维度低的场景下，逻辑回归、决策树等传统模型可能更稳定高效，深度学习并非万能。2.在梯度下降中，学习率设置过小会导致收敛速度过慢。答案：正确3.卷积神经网络（CNN）只能处理图像数据。答案：错误解析：CNN同样可以处理文本（如TextCNN）、语音等一维序列数据，卷积运算的本质是局部特征提取，与数据类型无关。4.K-means聚类算法需要预先指定聚类个数K。答案：正确5.在类别严重不平衡的数据集上，准确率（Accuracy）仍然是可靠的评估指标。答案：错误解析：类别不平衡时，模型只需将全部样本预测为多数类即可获得很高准确率，应结合精确率、召回率、F1值等指标综合评估。6.GPT系列大模型属于判别式模型的典型代表。答案：错误解析：GPT是生成式预训练模型，其训练目标为预测下一个token，属于生成式模型而非判别式模型。7.联邦学习允许参与方在不共享本地原始数据的前提下协同训练模型。答案：正确8.RAG（检索增强生成）技术可以有效缓解大语言模型的幻觉问题。答案：正确解析：RAG通过检索外部知识库并将相关内容注入上下文，使模型回答有据可依，从而降低凭空编造的概率。9.AI系统发生决策错误时，责任完全由算法承担，开发者和服务提供方无需负责。答案：错误解析：根据我国相关法规，生成式AI服务提供者需承担内容安全与合规主体责任，责任主体始终是人。10.强化学习通过智能体与环境不断交互，并依据奖励反馈来优化策略。答案：正确四、简答题（每题5分，共15分）1.简述人工智能、机器学习与深度学习三者之间的关系。答案：三者是逐层包含的关系。人工智能是研究如何让机器具备感知、推理、决策等智能行为的学科总称，范围最广；机器学习是人工智能的重要分支，核心是让计算机从数据中自动学习规律并做出预测，而非依靠人工编写规则；深度学习是机器学习的一个子类，基于多层神经网络自动学习数据的层次化特征表示，在图像、语音、自然语言处理等领域表现突出。2.简述解决模型过拟合常用的三种方法及其原理。答案：（1）增加训练数据或数据增强：更多样本帮助模型学到数据中的普遍规律，降低对训练集中噪声和偶然模式的依赖；（2）正则化（如L1、L2正则化）：在损失函数中加入权重范数惩罚项，约束权重取值使其趋于较小值，从而降低模型复杂度；（3）Dropout：训练时按一定概率随机丢弃部分神经元，减少神经元之间复杂的共适应关系，增强模型泛化能力。此外，早停、交叉验证、降低模型复杂度等方法也可有效缓解过拟合。3.简述大语言模型"提示工程"中Zero-shot、Few-shot与思维链（CoT）的含义。答案：（1）Zero-shot：在提示中不提供任何示例，直接让模型根据指令完成新任务，考验模型对任务意图的理解能力；（2）Few-shot：在提示中给出少量输入输出示例，使模型通过上下文学习理解任务模式，再对新的输入作答；（3）思维链（Chain-of-Thought，CoT）：在提示中引导模型先输出中间推理步骤，再得出最终结论，可显著提升数学推理、逻辑推断等复杂任务的正确率。五、案例分析题（每题10分，共20分）1.某电商平台构建用户购买行为预测模型时，训练集准确率达到98%，但测试集准确率仅为73%。（1）该现象属于机器学习中的哪类典型问题？（2）请提出至少4种改进措施。答案：（1）该现象属于典型的过拟合（Overfitting）问题。模型在训练集上表现优异，说明其过度拟合了训练数据中的噪声与局部细节，导致对未见过的测试数据泛化能力下降，表现为测试集准确率显著低于训练集。（2）改进措施：①扩充训练数据：收集更多样本或采用数据增强（如特征扰动、SMOTE过采样等）增加数据多样性；②引入正则化：使用L1或L2正则化对模型权重施加惩罚，约束模型复杂度；③使用Dropout：训练中随机丢弃部分神经元，降低神经元间的耦合依赖；④早停（EarlyStopping）：监控验证集损失，在验证性能不再提升时提前终止训练；⑤降低模型复杂度：减少网络层数、神经元数量，或换用逻辑回归、XGBoost等更简单的模型；⑥特征选择与降维：剔除冗余或噪声特征，减少模型学习的无关模式；⑦采用K折交叉验证：更稳定地评估模型泛化性能，避免单次数据划分带来的偏差。解析：本题重点考查对过拟合现象的判断与解决能力。（1）判断依据是训练集准确率远高于测试集，二者差距明显；（2）改进措施需围绕"提升模型泛化能力"的核心思路展开，答出4条及以上且措施合理即可得满分。2.某智能客服系统基于大语言模型构建，上线后用户反映系统偶尔会输出与事实不符的错误信息，有时还会出现不当言论。（1）从AI技术角度分析上述问题可能的原因。（2）请提出至少3种优化与治理方案。答案：（1）可能原因：①大语言模型存在"幻觉"问题：在知识覆盖不足、提示模糊或上下文缺失时，模型可能生成看似合理但与事实不符的内容；②训练数据存在偏见或有害内容：模型从训练语料中习得了不当表达方式或歧视性观点；③领域知识更新滞后：模型训练数据具有时效性，无法覆盖最新业务知识，导致错误回答；④提示设计与安全对齐不足：未对回答范围进行有效约束，面对诱导性问题或恶意输入时输出不安全内容；⑤缺乏可靠的知识引用依据：模型作答时没有检索或核对外部知识来源，仅凭内部参数记忆生成回答。（2）优化与治理方案：①引入RAG（检索增强生成）：将用户问题先检索企业知识库，把检索结果作为上下文输入模型，使回答有据可依，显著减少幻觉；②安全对齐与领域微调：采用RLHF（基于人类反馈的强化学习）进行安全对齐，并使用高质量合规语料做领域微调；③建立内容审核过滤机制：在模型输入端和输出端部署敏感词检测、违规内容过滤与事实一致性校验模