2026年人工智能与边缘计算试题及答案

2026年人工智能与边缘计算试题及答案一、单项选择题（本大题共20小题，每小题1.5分，共30分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在边缘计算体系结构中，下列哪一层主要负责数据的初步处理、过滤和聚合，以减少传输到云端的数据量？A.设备层B.网络层C.边缘层D.云层2.针对边缘设备资源受限的特点，下列哪种模型压缩技术通过移除神经网络中不重要的权重连接来减少模型大小和计算量？A.量化B.知识蒸馏C.权重剪枝D.低秩分解3.在联邦学习中，为了防止中心服务器直接看到用户的原始数据，参与方通常上传什么内容？A.原始数据集B.模型梯度或参数更新C.数据特征向量D.数据加密密钥4.5G网络中的MEC（Multi-accessEdgeComputing，多接入边缘计算）技术，其核心部署理念是将计算能力下沉到哪里？A.核心网数据中心B.无线接入网边缘C.互联网骨干网节点D.用户终端设备5.TinyML（微型机器学习）主要关注在极度受限的设备上运行AI模型，这些设备的典型RAM范围通常是？A.16GB-64GBB.4GB-8GBC.256KB-1MBD.64MB-512MB6.在自动驾驶场景中，为了保证实时性和安全性，车辆对于突发障碍物的识别与决策应当主要依赖什么计算模式？A.纯云计算B.纯边缘计算（车载端）C.云边协同D.终端计算7.下列哪种边缘计算开源项目旨在提供一种标准化的方式，将容器化工作负载编排到边缘节点，是Kubernetes在边缘端的扩展？A.EdgeXFoundryB.ApacheEdgentC.KubeEdgeD.LFEdge8.在边缘AI推理中，将32位浮点数权重转换为8位整数的操作称为？A.剪枝B.量化C.蒸馏D.稀疏化9.边缘计算中的“雾计算”概念主要强调什么？A.计算能力完全集中在云端B.计算能力集中在终端C.计算能力分布在云到端的连续体中，更贴近边缘层但比边缘层更集中D.计算能力基于区块链10.针对视频监控分析场景，为了节省带宽，通常采用“边缘端抽帧+云端分析”的策略。如果要求端到端延迟低于100ms，这种策略是否适用？A.完全适用B.不适用，因为传输延迟会超过限制C.适用，但必须使用5G网络D.不适用，必须全部在云端处理11.在分布式推理系统中，将深度神经网络的前几层部署在边缘设备，后几层部署在云端服务器，这种技术被称为？A.模型分割B.模型并行C.数据并行D.混合精度12.边缘智能面临的主要安全挑战之一是设备物理防护薄弱，容易遭受？A.中间人攻击B.侧信道攻击C.物理篡改与数据提取D.DDoS攻击13.2026年预期的边缘AI发展趋势中，哪种技术将使得在边缘端运行生成式AI（如大语言模型）成为可能？A.增加边缘设备电池容量B.模型小型化与专用NPU的普及C.提高云端服务器算力D.降低网络资费14.在工业互联网中，边缘计算网关除了计算功能外，还必须具备强大的什么能力以适配异构工业协议？A.图形渲染能力B.协议转换与互操作性C.自然语言处理能力D.区块链记账能力15.评估边缘AI系统性能时，除了准确率，下列哪个指标最为关键？A.模型参数总量B.推理延迟与能耗C.训练数据规模D.云端存储成本16.下列关于数字孪生与边缘计算结合的描述，错误的是？A.边缘端负责实体的数据采集和实时控制B.数字孪生体可以部署在云端进行全局优化C.边缘计算无法支撑数字孪生的实时渲染D.边缘计算与数字孪生结合可以实现低延迟的闭环控制17.为了解决边缘设备数据分布不均匀的问题，联邦学习通常采用哪种算法来聚合全局模型？A.随机梯度下降（SGD）B.FedAvg（联邦平均）C.Adam优化器D.K-Means聚类18.在智能家居场景中，若要实现本地语音识别且不依赖网络，这体现了边缘计算的什么特性？A.数据隐私保护B.低延迟C.离线自治D.带宽节省19.边缘容器化技术中，比Docker更轻量级，适合资源极度受限的IoT设备的运行时技术是？A.runcB.containerdC.gVisorD.Wasm（WebAssembly）或unikernel20.在云边协同任务卸载中，根据信道状态和计算负载动态决定任务在何处执行，这属于哪种卸载策略？A.静态卸载B.动态卸载C.全部卸载D.本地执行二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有多项是符合题目要求的。全部选对得满分，选少得部分分，错选不得分）1.边缘计算相较于传统云计算，主要优势包括哪些？A.更低的网络延迟B.更高的数据隐私性和安全性C.减少带宽消耗D.无限的计算资源扩展能力2.下列哪些属于边缘AI应用的典型场景？A.智慧交通中的车牌识别B.工业机器的预测性维护C.沉浸式AR/VR渲染D.全球气象大数据模拟3.为了在边缘设备上高效运行深度学习模型，常用的软硬件协同优化方法有？A.使用专用加速芯片（如NPU、TPU）B.采用模型量化技术C.增加模型层数以提高精度D.使用轻量级网络架构（如MobileNet,EfficientNet）4.边缘计算面临的挑战包括哪些？A.设备异构性严重，统一管理困难B.资源受限（计算、存储、能源）C.网络环境不稳定D.缺乏成熟的开发工具链5.在车联网（V2X）应用中，边缘计算节点（RSU）可以处理哪些任务？A.实时路况感知B.协同驾驶决策C.车载娱乐内容推送D.车辆远程固件升级（OTA）分发6.联邦学习在边缘计算中的应用，主要解决了什么问题？A.数据孤岛问题B.数据隐私泄露风险C.传输带宽过高问题D.模型泛化能力差的问题7.下列哪些技术或协议常用于边缘计算中的服务发现与通信？A.MQTTB.CoAPC.gRPCD.HTTP/28.关于边缘计算中的数据存储，描述正确的有？A.边缘端通常使用SSD或Flash存储B.边缘端存储主要用于缓存临时数据和断网续传C.所有历史数据都必须永久保存在边缘端D.边缘数据库需要具备高写入性能和容错能力9.在设计边缘AI系统时，进行“算力-精度权衡”的考虑因素包括？A.业务对实时性的要求B.业务对误判率的容忍度C.设备的功耗预算D.模型训练的时间成本10.2026年边缘计算与AI融合的前沿研究方向包括？A.边缘大模型（EdgeLLM）的推理优化B.基于边缘的6G网络智能化C.群体智能D.边缘节点的碳中和与绿色计算三、填空题（本大题共15空，每空1分，共15分）1.边缘计算的三要素是：计算、________和存储。2.在神经网络压缩中，________是指训练一个紧凑的学生网络来模仿一个庞大的教师网络的行为。3.边缘计算参考架构通常分为三层：基础设施层、________层和应用层。4.为了在断网情况下保证边缘业务的连续性，边缘节点需要具备________能力。5.在边缘AI推理加速中，________是一种将神经网络计算图映射到专用硬件指令集的技术。6.MQTT协议中，负责接收并转发消息的组件被称为________。7.边缘计算中的“________”攻击指的是攻击者通过分析设备的功耗、电磁辐射等物理信息来推断密钥或模型参数。8.将AI模型直接嵌入到底层硬件（如摄像头芯片）中，无需操作系统干预的技术被称为________AI。9.在云边端协同架构中，________负责长周期数据存储、全局模型聚合和大数据分析。10.针对时序数据的边缘分析，常使用________数据库来高效存储和查询。11.边缘节点的资源调度需要考虑CPU、内存、________以及网络带宽等多维资源。12.5G网络中的________切片技术可以为边缘计算应用提供确定性的网络SLA保障。13.在联邦学习中，参与方本地训练的轮数被称为________。14.为了保护边缘设备上的模型知识产权，常使用________技术对模型权重进行加密。15.边缘计算与云计算的协同模式可以分为：________、协作和并行。四、判断题（本大题共10小题，每小题1分，共10分。正确的打“√”，错误的打“×”）1.边缘计算将完全取代云计算，成为未来唯一的计算模式。（）2.所有的AI训练工作都必须在云端完成，边缘设备只能进行模型推理。（）3.量化技术虽然减少了模型大小和计算量，但通常会带来模型精度的损失。（）4.边缘计算由于靠近数据源，因此天然具有消除所有网络延迟的能力。（）5.在工业4.0中，边缘计算网关可以连接运行不同协议（如Modbus,OPC-UA）的旧设备。（）6.Docker容器因为其体积小、启动快，是目前边缘计算中应用最广泛的虚拟化技术，但并非唯一选择。（）7.联邦学习过程中，中心服务器可以解密出参与方的原始数据。（）8.边缘AI的安全性只关注数据传输加密，不需要关注模型本身的鲁棒性。（）9.随着NPU性能的提升，未来可以在手机端运行数十亿参数的大语言模型进行流式推理。（）10.边缘计算的兴起仅仅是因为网络带宽不足，与数据隐私法规无关。（）五、简答题（本大题共4小题，每小题10分，共40分）1.请简述在边缘计算场景下，为什么需要进行模型压缩？常见的模型压缩技术有哪些，并简要说明其原理。2.请解释什么是云边协同计算？并结合一个具体的应用场景（如智慧城市或自动驾驶），说明数据是如何在云、边、端三层流动的。3.联邦学习是保护边缘数据隐私的重要手段。请描述联邦学习的基本工作流程，并指出它相比于将数据直接上传到云端训练有什么优势。4.针对视频流分析任务，如果将全部视频流上传云端分析，会遇到什么瓶颈？如果采用边缘计算方案，通常采用什么样的架构来解决这些瓶颈？请详细阐述。六、应用与分析题（本大题共3小题，共55分）1.（本题15分）任务卸载决策分析假设有一个边缘计算系统，包含一个移动设备（MD）和一个边缘服务器（ES）。移动设备需要处理一个计算密集型任务。任务参数如下：输入数据大小：D=2MB任务所需CPU周期数：W=1000Mega-cycles移动设备本地计算能力：f_local=1GHz/s边缘服务器计算能力：f_edge=5GHz/s移动设备与边缘服务器之间的上行传输速率：R=10Mbps忽略下行传输结果的时间（假设结果数据量极小）和能量消耗计算，仅关注时间。(1)请计算如果任务在本地执行，所需的执行时间T_local是多少？(2)请计算如果任务卸载到边缘服务器执行，所需的总时间T_edge是多少？（包括传输时间T_trans和边缘计算时间T_comp）(3)基于上述计算结果，从延迟最小化的角度，应该选择本地执行还是边缘卸载执行？如果上行速率下降到1Mbps，决策会如何变化？2.（本题20分）系统架构设计某大型工厂计划部署“智能缺陷检测系统”。该系统需要在生产流水线上对传送带上的产品进行实时拍照检测。流水线速度为2米/秒，相机每秒拍摄20张高清图片（每张约3MB）。工厂要求检测延迟低于200ms，且不允许将包含核心工艺的原始图片流出工厂内网。工厂中心机房有高性能GPU服务器，车间有若干工控机（边缘节点）。请根据以上需求，设计一套基于边缘计算的AI检测系统架构。要求：(1)绘制或描述系统的逻辑架构图（包含终端层、边缘层、云端层）。(2)详细说明各层的主要功能和部署的组件。(3)阐述如何满足“低延迟”和“数据不出厂”的安全要求。(4)如果流水线速度提升一倍，系统应该如何扩展或优化？3.（本题20分）综合案例分析：大语言模型在边缘端的落地挑战与对策随着生成式AI的发展，某公司希望在2026年推出一款智能语音助手终端。该终端需要内置一个70亿参数（7B）的大语言模型（LLM），以实现流畅的自然语言对话，且在无网环境下也能工作。终端硬件限制为：4GBRAM，算力约为10TOPS（INT8）。(1)请分析直接将原始FP32精度的7B模型部署到该终端上会遇到哪些主要困难？（从存储、内存、计算速度三个方面分析）(2)针对这些困难，请提出一套完整的技术解决方案，涵盖模型优化和推理引擎两个方面。(3)在实际部署中，发现模型回答长文本问题时经常出现中断或回答质量下降，请分析可能的原因并提出改进建议。(4)除了技术优化，从用户体验角度出发，如何设计“云边协同”的交互机制，使得在联网时能获得更智能的回答，同时保持离线可用性？参考答案与解析一、单项选择题1.C2.C3.B4.B5.C6.B7.C8.B9.C10.B11.A12.C13.B14.B15.B16.C17.B18.C19.D20.B二、多项选择题1.ABC2.ABC3.ABD4.ABC5.ABC6.AB7.ABCD8.ABD9.ABC10.ABCD三、填空题1.网络2.知识蒸馏3.平台4.离线自治（或离线缓存）5.算子融合（或算子优化）6.Broker（代理）7.侧信道8.传感（或端侧智能/胶囊AI）9.云端10.时序11.GPU（或加速卡/NPU）12.网络13.Epoch（或本地轮次）14.模型加密（或混淆）15.分层（或集中）四、判断题1.×（解析：边缘计算是云计算的补充，扩展了云的边界，二者是协同关系。）2.×（解析：随着边缘硬件性能提升，可以进行增量学习或小规模模型的训练。）3.√4.×（解析：只能减少网络传输延迟，无法消除计算和本地处理的延迟。）5.√6.√7.×（解析：联邦学习设计初衷就是服务器无法获取原始数据，只能获取参数更新。）8.×（解析：模型对抗攻击（如对抗样本）也是重要的安全考量。）9.√10.×（解析：隐私法规（如GDPR）也是推动边缘计算发展的重要因素。）五、简答题1.答案要点：原因：边缘设备（如IoT传感器、手机）通常受限于计算能力（CPU/GPU算力）、内存（RAM）、存储空间以及电池能耗。原始深度学习模型（尤其是CNN和Transformer）通常参数量大、计算密集，直接部署会导致推理速度慢、发热严重、内存溢出或迅速耗尽电量。常见技术及原理：1.剪枝：移除神经网络中权重极小或对输出影响较小的连接或神经元，使模型稀疏化，从而减少参数量和计算量。2.量化：将模型参数从高精度（如32位浮点数）表示转换为低精度（如8位整数或4位整数）表示。这能显著减少模型大小（通常压缩4倍），并利用低精度计算单元加速推理。3.知识蒸馏：训练一个紧凑的“学生”模型，让它模仿一个庞大复杂的“教师”模型的输出（包括softmax概率分布），从而使学生模型在保持较小体积的同时获得接近教师模型的性能。4.低秩分解：将模型中的大型矩阵分解为两个或多个较小的矩阵相乘，减少参数数量。2.答案要点：定义：云边协同计算是指通过云计算和边缘计算的有机融合，根据任务特性、网络状况和资源状态，动态地在云端中心服务器、边缘节点和终端设备之间分配计算任务，实现性能、成本和带宽的最优平衡。场景举例（自动驾驶）：端（车）：负责毫秒级紧急任务的感知与决策，如雷达/摄像头数据采集、障碍物检测、紧急制动。数据量大且实时性要求极高，不依赖网络。边（路侧单元RSU/区域MEC）：负责中短周期的数据处理与协同，如车辆轨迹预测、区域内交通信号灯协同、高精地图的局部更新与分发。解决单车盲区问题，降低回传云端的带宽。云（数据中心）：负责长周期的大数据处理，如全局交通流量分析、深度学习模型训练与更新、全国高精地图的生成与存储。云端将训练好的新模型下发至边缘和车辆。3.答案要点：工作流程：1.初始化：服务器下发全局模型给所有参与的边缘客户端。2.本地训练：各客户端利用本地私有数据训练模型，计算参数更新（梯度）。3.上传更新：客户端将加密或掩码后的参数更新上传至服务器。4.聚合：服务器聚合来自各客户端的更新（通常采用加权平均），生成新的全局模型。5.迭代：重复上述步骤，直到模型收敛。优势：1.数据隐私：原始数据始终保留在本地设备，不上传云端，符合隐私法规（GDPR等），降低了数据泄露风险。2.节省带宽：传输的是模型参数（MB级），远小于原始数据集（GB/TB级），大幅降低网络负载。3.利用边缘数据：能够利用分散在边缘、无法集中存储的海量数据进行模型训练，提高模型泛化能力。4.答案要点：全部上传云端的瓶颈：1.带宽压力：高清视频流产生巨大的数据量，持续上传容易造成网络拥塞，成本高昂。2.高延迟：传输和排队回传导致延迟增加，无法满足实时性要求（如安防报警、工业质检）。3.隐私风险：原始视频可能包含敏感信息，上传存在泄露风险。边缘计算架构方案：采用“端-边-云”分层架构。1.端（摄像头）：负责视频采集，并进行初步的抽帧或简单运动检测（如只检测画面是否有变化）。若无变化，则不传输。2.边（边缘网关/MEC服务器）：部署AI推理引擎（如TensorFlowLite,OpenVINO）。功能：接收视频流或关键帧，运行目标检测、人脸识别等算法。处理：过滤掉90%以上的无效数据（如无人背景），仅将识别到的结构化数据（如“发现人脸，坐标x,y，时间t”）或报警片段（异常事件视频）上传云端。3.云：接收结构化数据进行大数据分析、存储、归档和全局视图展示。此架构通过“源头过滤”和“边缘智能”极大降低了带宽占用和响应延迟。六、应用与分析题1.参考答案：(1)本地执行时间T_local：T_local=任务所需CPU周期数/本地计算能力T_local=1000Mega-cycles/1GHz/s=1000/1=1秒(s)(2)边缘卸载执行时间T_edge：传输时间T_trans=输入数据大小/上行传输速率注意单位换算：D=2MB=16Mb(假设1Byte=8bits)，R=10MbpsT_trans=16Mb/10Mbps=1.6秒边缘计算时间T_comp=任务所需CPU周期数/边缘服务器计算能力T_comp=1000Mega-cycles/5GHz/s=1000/5=0.2秒(s)总时间T_edge=T_trans+T_comp=1.6+0.2=1.8秒(3)决策分析：比较T_local(1.0s)和T_edge(1.8s)，由于1.0<1.8，从延迟最小化角度，应该选择本地执行。原因：虽然边缘服务器计算速度快（0.2svs1.0s），但数据传输开销（1.6s）过大，抵消了计算优势。如果上行速率下降到1Mbps：T_trans_new=16Mb/1Mbps=16秒T_edge_new=16+0.2=16.2秒此时T_edge(16.2s)>>T_local(1.0s)，更应选择本地执行。传输带宽的恶化使得卸载变得更加不可行。2.参考答案：(1)系统逻辑架构：终端层：高清工业相机+光源触发器边缘层：车间工控机（部署边缘推理平台）云端层：工厂中心机房GPU服务器（训练与数据管理）(2)各层功能与组件：终端层：负责实时图像采集。通过千兆网口将图像发送至边缘节点。边缘层：组件：Docker容器、推理引擎（如TensorRT/TFLite）、消息队列（MQTT）、边缘数据库（InfluxDB/SQLite）。功能：接收图像流，实时运行缺陷检测模型（YOLO/ResNet等）。将检测结果（OK/NG，缺陷位置）实时反馈给产线控制系统（如剔除NG品）。将NG图片及检测日志存储在本地数据库，并异步同步至云端。云端层：组件：深度学习训练框架、数据标注平台、模型仓库。功能：汇总边缘上传的NG样本进行模型重训练和迭代优化。管理所有边缘节点的状态和模型版本分发。(3)满足低延迟与安全要求：低延迟：推理计算在车间工控机本地完成，无需经过广域网传输，仅受局域网和本地计算影响，可轻松控制在200ms以内。数据不出厂：边缘节点与云端通过工厂内网（物理隔离或防火墙）连接。原始图片数据默认仅存储在边缘端，仅上传必要的元数据或经过脱敏处理的NG样本至中心机房，确保核心工艺数据不流出工厂物理边界。(4)扩展与优化：如果流水线速度提升一倍，吞吐量需求翻倍。方案1（水平扩展）：增加边缘工控机的台数，采用负载均衡策略，将相机分流到不同的边缘节点处理。方案2（硬件升级）：升级边缘节点配置，如更换为多GPU服务器，或使用推理性能更强的专用加速卡（如NVIDIAJetsonAGXOrin）。方案3（模型优化）：进一步对