2026年人工智能概论试题及答案

2026年人工智能概论试题及答案一、单项选择题（每题1.5分，共30分）1.图灵测试的核心思想是？A.让机器下棋战胜人类B.通过人机对话使测试者无法区分机器与人C.让机器识别图像D.让机器完成数学证明2.1956年首次正式提出“人工智能（ArtificialIntelligence）”这一术语的会议是？A.达特茅斯会议B.图灵测试发布会C.国际机器学习大会D.联合国教科文组织大会3.下列属于无监督学习任务的是？A.垃圾邮件分类B.房价预测C.客户分群D.手写数字识别4.在A*搜索算法中，估价函数f(n)A.从起点到节点n的实际代价B.从节点n到目标节点的估计代价C.从起点到目标节点的实际代价D.节点n在搜索树中的深度5.卷积神经网络（CNN）中，卷积层的主要作用是？A.降低特征图尺寸B.提取局部特征C.引入非线性变换D.输出最终分类结果6.专家系统中，用于存储领域专门知识的部分称为？A.推理机B.知识库C.解释器D.人机接口7.强化学习中，智能体调整自身策略所依据的直接信号是？A.人工标注的标签B.环境反馈的奖励信号C.输入数据的方差D.模型的参数量8.自然语言处理中，词嵌入（WordEmbedding）的主要作用是将词语映射为？A.稀疏的独热向量B.低维稠密的实数向量C.语法分析树D.字符编码序列9.大语言模型（LLM）所依赖的核心神经网络架构是？A.循环神经网络（RNN）B.卷积神经网络（CNN）C.TransformerD.Hopfield网络10.某模型在训练集上准确率很高，但在测试集上表现明显下降，这种现象称为？A.欠拟合B.过拟合C.梯度消失D.维度灾难11.在机器学习模型开发过程中，专门用于模型选择与超参数调优的数据子集是？A.训练集B.验证集C.测试集D.无标注数据集12.在贝叶斯公式P(A|A.后验概率B.先验概率C.似然概率D.联合概率13.在智能体的PEAS描述框架中，字母A代表？A.Agent（智能体）B.Actuator（执行器）C.Algorithm（算法）D.Action（动作）14.数据预处理中，将特征数值线性缩放到[0A.标准化B.归一化C.离散化D.主成分分析15.机器翻译、情感分析、文本摘要等任务属于人工智能的哪一研究领域？A.计算机视觉B.自然语言处理C.语音识别D.知识表示与推理16.决策树算法中，ID3算法选择划分特征的依据是？A.基尼指数B.信息增益C.均方误差D.余弦相似度17.下列属于生成式人工智能（AIGC）典型应用的是？A.人脸识别门禁系统B.根据文字描述生成图像C.网络入侵检测D.电商商品推荐18.关于深度学习与机器学习的关系，下列说法正确的是？A.深度学习包含机器学习B.机器学习是深度学习的一个分支C.深度学习是机器学习的一个分支D.二者是互不相关的并列领域19.单层感知机模型的局限性在于无法解决？A.线性可分问题B.异或（XOR）问题C.线性回归问题D.二分类问题20.下列哪项不属于人工智能伦理与治理关注的核心问题？A.算法偏见与公平性B.用户隐私保护C.AI系统的可解释性D.CPU主频的高低二、多项选择题（每题2分，共20分）说明：每题有两个或两个以上正确选项，多选、少选、错选均不得分。1.下列属于机器学习典型任务的有？A.分类B.回归C.聚类D.降维2.下列属于监督学习算法的有？A.线性回归B.逻辑回归C.决策树D.K-means聚类3.常用的防止过拟合的方法包括？A.正则化B.DropoutC.数据增强D.提前停止（EarlyStopping）4.卷积神经网络（CNN）的基本组成层包括？A.卷积层B.池化层C.全连接层D.循环层5.下列属于自然语言处理任务的有？A.情感分析B.命名实体识别C.机器翻译D.人脸检测6.智能体的PEAS描述框架包含的要素有？A.性能度量（Performance）B.环境（Environment）C.执行器（Actuator）D.传感器（Sensor）7.下列属于人工智能应用场景的有？A.自动驾驶B.医学影像辅助诊断C.智能语音助手D.电商推荐系统8.关于大语言模型（LLM），下列说法正确的有？A.基于Transformer架构B.通过大规模预训练获得语言理解与生成能力C.具备上下文学习（In-ContextLearning）能力D.只能处理纯文本，无法处理图像等其他模态9.分类模型评估中常用的性能指标包括？A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.F1分数10.关于图灵测试，下列说法正确的有？A.由阿兰·图灵提出B.通过人机对话判断机器是否具有智能C.通过测试即可证明机器具有完全的人类意识D.是衡量人工智能水平的唯一标准三、判断题（每题1分，共10分）1.强人工智能（AGI）指具备与人类相当的理解、学习和思考能力，并能将其应用于广泛任务的人工智能。2.模型在训练集上的准确率越高，其泛化能力一定越强。3.池化层可以降低特征图的空间分辨率，从而减少计算量并增强平移不变性。4.循环神经网络（RNN）适合处理文本、语音等序列数据。5.当A*算法的启发函数h(n)满足可采纳条件（即h6.无监督学习不需要数据标签。7.专家系统中的推理机负责存储领域专家知识。8.生成式人工智能只能生成文本内容，不能生成图像、音频或视频。9.过拟合表现为模型在训练集上误差较低，但在未见过的测试集上误差较高。10.人工智能的发展只依赖算法创新，不需要数据和算力的支撑。四、简答题（每题5分，共20分）1.简述人工智能的三大主要流派及其核心思想，并各举一个典型代表。2.简述机器学习的一般流程（至少写出五个环节）。3.试比较监督学习、无监督学习与强化学习三者的异同。4.简述卷积神经网络的基本结构及各组成部分的作用。五、综合应用题（每题10分，共20分）1.某课程团队收集了8名学生的学习记录，拟用决策树模型判断学生是否通过期末考试。特征A：复习时间是否超过10小时（1=是，0=否）；特征B：是否完成习题集（1=是，0=否）；特征C：是否参加答疑辅导（1=是，0=否）。标签Y=1表示通过，样本ABCY1111121101311114100150100600007000080000(1)计算数据集D的类别熵H(D)，以及特征A、B(2)以特征A为根节点划分后，各子节点是否需要继续划分？请说明理由。（2分）H特征A：当A=1时4个样本全部为Y=1，当G特征B：B=1时有3个Y=1、1个Y=0；HG特征C：C=1时2个样本全为Y=1，熵为0；C=HG比较三个特征的信息增益：G因此应选择特征A（复习时间是否超过10小时）作为根节点的划分特征。(2)以A为根节点划分后，A=1分支的4个样本全部属于Y=1，A=0分支的4个样本全部属于2.以大语言模型为代表的生成式人工智能正在深刻影响社会。请从技术、法律、伦理三个角度，分别说明其带来的主要风险，并提出对应的治理建议。参考答案与解析一、单项选择题1.答案：B2.答案：A3.答案：C解析：客户分群通常使用K-means等聚类算法，训练数据不包含类别标签，属于无监督学习；其余三项均为有标签数据的监督学习任务。4.答案：B5.答案：B解析：卷积层通过卷积核在局部区域滑动实现特征提取；降低尺寸主要靠池化层，引入非线性主要靠激活函数层。6.答案：B7.答案：B8.答案：B9.答案：C10.答案：B11.答案：B解析：训练集用于学习参数，验证集用于调参和模型选择，测试集仅在最终评估时使用一次，以反映真实泛化能力。12.答案：B13.答案：B14.答案：B15.答案：B16.答案：B17.答案：B18.答案：C19.答案：B解析：单层感知机只能处理线性可分问题，而异或问题线性不可分，因此单层感知机无法学习XOR映射。20.答案：D二、多项选择题1.答案：ABCD2.答案：ABC3.答案：ABCD4.答案：ABC5.答案：ABC6.答案：ABCD7.答案：ABCD8.答案：ABC解析：多模态大模型已能同时处理文本、图像、音频等多种模态，故D错误。9.答案：ABCD10.答案：AB解析：图灵测试是一种行为层面的启发式判据，通过测试不等于机器具有真正的人类意识，也不是唯一标准。三、判断题1.答案：正确2.答案：错误3.答案：正确4.答案：正确5.答案：正确6.答案：正确7.答案：错误解析：存储领域知识的是知识库，推理机负责利用知识库中的知识进行推理。8.答案：错误9.答案：正确10.答案：错误四、简答题1.答案：(1)符号主义（逻辑主义）：认为智能的本质是对符号的逻辑操作，通过显式的知识表示与推理模拟智能。典型代表：专家系统、知识图谱。(2)联结主义：模拟人脑神经元网络的工作方式，通过大量简单单元相互连接、调整连接权重来学习智能行为。典型代表：神经网络、深度学习。(3)行为主义（行动主义）：认为智能表现为智能体与环境的交互，通过“感知—行动”的反馈循环产生智能行为。典型代表：强化学习、智能机器人。2.答案：(1)数据收集：获取原始数据，包括公开数据集、业务数据、传感器数据等；(2)数据预处理：对数据进行清洗、缺失值处理、归一化，并划分训练集、验证集与测试集；(3)特征工程：对原始数据进行特征选择、特征提取与特征变换，提升模型表现；(4)模型选择与训练：根据任务类型选择合适的模型，在训练集上学习模型参数；(5)模型评估与调优：使用验证集评估模型性能，通过交叉验证、超参数搜索等手段优化模型；(6)模型部署与监控：将模型部署到实际系统，持续监控其表现并定期更新维护。3.答案：三者都属于机器学习，目标都是让系统从数据或交互中自动改进性能，主要区别在于监督信号的形式：(1)监督学习：训练数据带有标签，模型学习从输入x到输出y的映射，典型任务为分类与回归，如垃圾邮件分类、房价预测。(2)无监督学习：训练数据没有标签，模型从数据中自动发现内在结构与分布，典型任务为聚类与降维，如客户分群、主成分分析。(3)强化学习：没有直接标签，智能体通过与环境的试错交互获得奖惩信号，目标是学习使长期累计奖励最大化的策略，如围棋对弈、机器人控制。4.答案：(1)输入层：接收原始图像或其他二维/三维数据；(2)卷积层：通过卷积核在输入上滑动，提取局部特征（如边缘、纹理等）；(3)激活函数层（如ReLU）：引入非线性变换，增强模型的表达能力；(4)池化层：对特征图进行下采样，降低特征维度，减少计算量，增强平移不变性并抑制过拟合；(5)全连接层：整合高层抽象特征并映射到输出空间；(6)输出层：给出最终分类概率或回归结果。五、综合应用题1.答案：(1)数据集中8个样本，其中Y=1有4个，2.答案：本题为开放性试题，言之成理即可，参考答案要点如下：技术层面的风险与治理建议：风险：(1)模型幻觉，即模型会生成看似合理但事实错误的内容；(2)可解释性不足，决策过程难以追溯；(3)鲁棒性不强，易受对抗样本攻击或诱导输出有害内容。建议：(1)加强可解释人工智能（XAI）研究，提升模型透明度；(2)采用基于人类反馈的强化学习（RLHF）与红队测试，使模型行为与人类意图对齐；(3)研发AI生成内容的检测与水印技术，便于追溯来源。法律层面的风险与治理建议：风险：(1)训练数据可能侵犯著作权、隐私权等合法权益；(2)生成内容的版权归属与侵权责任主体不明确；(3)深度伪造等技术可能被用于诈骗、诽谤等违法行为。建议：(1)加快人工智能领域专门立法，明确训练数据使用的合法边界；(2)建立算法备案、安全评估和问责制度，明确开发者、运营者与使用者的法律责任；(3)完善生成内容版