2026年人工智能基础知识竞赛真题及答案

2026年人工智能基础知识竞赛真题及答案一、单项选择题（本大题共20小题，每小题2分，共40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）1.1956年，约翰·麦卡锡、马文·明斯基、克劳德·香农等科学家在达特茅斯会议上首次提出了“人工智能”这一术语，标志着人工智能学科的诞生。请问，达特茅斯会议举办地位于美国的哪所学院？A.哈佛大学B.麻省理工学院C.达特茅斯学院D.斯坦福大学2.在机器学习中，监督学习与非监督学习的主要区别在于？A.数据是否经过预处理B.训练数据是否有标签C.算法是否使用梯度下降D.模型是否需要测试集3.下列关于过拟合的描述中，不正确的是？A.过拟合通常表现为训练集误差很低，但测试集误差很高B.增加训练数据的数量通常有助于缓解过拟合C.使用正则化方法（如L1、L2）可以抑制过拟合D.过拟合发生时，模型的偏差通常很高4.在深度学习的神经网络中，常用的激活函数ReLU（RectifiedLinearUnit）的数学表达式是？A.fB.fC.fD.f5.决策树算法中，用于衡量数据集纯度或不确定性的常用指标是熵。对于二分类问题，当两类样本各占50%时，熵的值是多少？A.0B.0.5C.1D.26.支持向量机（SVM）是一种强大的分类模型，其核心思想是？A.最大化类间距离B.最小化分类错误C.最大化样本点到超平面的距离（即间隔）D.最小化样本点到超平面的距离7.在自然语言处理（NLP）中，Word2Vec是一种常用的词嵌入技术。它主要包含两种训练模型，分别是Skip-gram和？A.CBOW(ContinuousBag-of-Words)B.BERT(BidirectionalEncoderRepresentationsfromTransformers)C.GPT(GenerativePre-trainedTransformer)D.RNN(RecurrentNeuralNetwork)8.卷积神经网络（CNN）在计算机视觉领域取得了巨大成功。在CNN的卷积层之后，通常会加入池化层。池化层的主要作用是？A.增加数据的非线性B.提取图像的边缘特征C.降低特征图的维度，减少计算量和参数数量D.防止梯度消失9.在聚类算法中，K-Means算法通过迭代将样本分到K个簇中。该算法的目标函数通常是？A.最大化簇内距离，最小化簇间距离B.最小化簇内距离，最大化簇间距离C.最大化所有样本点到中心的距离D.最小化所有样本点到中心的距离10.循环神经网络（RNN）在处理序列数据时面临梯度消失或梯度爆炸的问题。为了解决长距离依赖问题，一种改进的RNN结构被提出，它引入了“门控机制”来控制信息的遗忘和记忆。这种结构是？A.LSTM(LongShort-TermMemory)B.GRU(GatedRecurrentUnit)C.Seq2SeqD.AttentionMechanism11.生成对抗网络由生成器和判别器两部分组成。在训练过程中，生成器的目标是？A.最大化判别器的损失B.最小化判别器的准确率C.生成真实的数据分布以欺骗判别器D.准确区分真实数据和生成数据12.强化学习中，智能体通过与环境交互来学习策略。Q-learning是一种经典的算法，其中Q(s,a)表示？A.状态s下采取动作a的即时奖励B.状态s下采取动作a的累积期望回报C.状态s的转移概率D.动作a的执行概率13.在评估分类模型性能时，精确率和召回率是一对重要的指标。当精确率和召回率出现矛盾时，通常使用什么指标来综合衡量？A.Accuracy(准确率)B.F1-ScoreC.RMSE(均方根误差)D.AUC(曲线下面积)14.Transformer模型是近年来NLP领域的里程碑式工作，它完全基于注意力机制。Transformer架构中引入的位置编码是为了？A.增强模型的表达能力B.解决模型无法捕捉序列顺序信息的问题C.加速模型的收敛速度D.减少模型的参数量15.下列关于深度学习框架的描述，正确的是？A.TensorFlow仅支持Python语言B.PyTorch主要用于工业部署，不支持研究C.Keras是一个高层神经网络API，可以运行在TensorFlow之上D.Caffe主要用于自然语言处理任务16.在逻辑回归中，使用的激活函数是Sigmoid函数。对于二分类问题，模型输出值大于0.5时通常判定为正类。Sigmoid函数的值域是？A.(B.[C.[D.(17.主成分分析（PCA）是一种常用的降维技术。它通过线性变换将原始数据变换为一组各维度线性无关的表示，提取出数据的主要成分。PCA在数学上主要通过计算什么来实现？A.协方差矩阵的特征值和特征向量B.相关矩阵的逆矩阵C.梯度下降的最优解D.拉格朗日乘数18.在深度学习中，Dropout是一种常用的正则化技术。在训练过程中，Dropout的操作是？A.随机将一部分神经元的输出置为0B.随机删除一部分神经元C.随机将一部分神经元的权重置为0D.随机将一部分神经元的偏置置为019.AlphaGo是DeepMind开发的人工智能程序，它在围棋领域击败了人类世界冠军。AlphaGo主要结合了哪两种技术？A.卷积神经网络和强化学习B.循环神经网络和遗传算法C.支持向量机和决策树D.逻辑回归和聚类算法20.随着模型规模的增大，大语言模型涌现出了许多小模型不具备的能力。这通常被称为？A.迁移学习B.突现能力C.过拟合D.对抗攻击二、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3分，选对但不全得1分，有选错得0分）21.人工智能发展的主要流派包括？A.符号主义B.连接主义C.行为主义D.经验主义22.下列哪些属于数据预处理的常用方法？A.归一化B.标准化C.缺失值填充D.独热编码23.常见的梯度下降优化算法包括？A.SGD(随机梯度下降)B.AdamC.RMSpropD.Adagrad24.卷积神经网络（CNN）的典型层结构包括？A.卷积层B.池化层C.全连接层D.Embedding层25.自然语言处理中的常见任务包括？A.文本分类B.命名实体识别C.机器翻译D.语义分割26.下列关于损失函数的描述，正确的有？A.均方误差（MSE）常用于回归问题B.交叉熵损失常用于分类问题C.HingeLoss是SVM的损失函数D.损失函数值越小，表示模型预测效果越好27.导致模型在测试集上表现不佳的原因可能包括？A.过拟合B.欠拟合C.训练数据和测试数据分布不一致D.数据泄露28.增强学习的基本要素包括？A.智能体B.环境C.奖励D.策略29.下列哪些是生成式大模型（如GPT系列）的特点？A.能够根据上下文生成连贯的文本B.具备少样本学习能力C.通常基于Transformer的Decoder架构D.模型参数量通常较小，适合在手机端运行30.在人工智能伦理与安全方面，需要关注的问题包括？A.算法偏见与歧视B.隐私泄露C.对抗样本攻击D.可解释性三、判断题（本大题共15小题，每小题1分，共15分。请判断各题描述的正确与否，正确的打“√”，错误的打“×”）31.深度学习是机器学习的一个子集，而机器学习是人工智能的一个子集。（）32.神经网络的隐藏层层数越多，模型的效果一定越好。（）33.K-近邻算法（KNN）是一种懒惰学习算法，它在训练阶段几乎没有计算开销。（）34.在逻辑回归中，虽然名字带有“回归”，但它实际上是一种分类算法。（）35.所有的机器学习模型都需要通过梯度下降来进行训练。（）36.核技巧可以将线性不可分的数据映射到高维空间，使其变得线性可分。（）37.深度学习中的“深度”指的是神经网络的层数很多。（）38.L1正则化更容易产生稀疏解，因此常用于特征选择。（）39.在卷积神经网络中，卷积核的参数是在训练过程中学习得到的。（）40.梯度消失问题在深层网络中尤为严重，通常发生在使用Sigmoid或Tanh激活函数时。（）41.贝叶斯分类器基于贝叶斯定理，并假设特征之间是强相关的。（）42.提升方法是一种集成学习技术，通过将多个弱学习器组合成一个强学习器。（）43.Transformer模型中的自注意力机制计算复杂度与序列长度的平方成正比。（）44.数据增强是解决过拟合问题的有效手段之一，例如在图像训练中随机旋转图片。（）45.在强化学习中，探索与利用是一个权衡问题，Epsilon-Greedy策略是一种解决方法。（）四、填空题（本大题共15小题，每小题2分，共30分。请在横线上填写恰当的词语、公式或数值）46.在感知机模型中，如果输入向量x=[,,…,]，权重向量w=[,,…,47.在评估回归模型时，________指标表示预测值与真实值差值的平方的期望，它对异常值比较敏感。48.随机森林是一种基于Bagging策略的集成学习方法，它组合了多个________模型。49.在神经网络的反向传播算法中，利用________法则计算复合函数的导数，从而将误差从输出层向输入层传播。50.为了防止深度神经网络中的梯度消失问题，除了使用ReLU激活函数外，还可以使用________连接，将前一层的输出直接加到后一层的输入上。51.在自然语言处理中，________模型通过双向编码器结构，能够同时利用上下文信息生成词向量表示。52.计算机视觉中的________是指在图像分类任务中，通过在图像上覆盖一个精心设计的微小扰动，导致模型做出错误分类。53.在聚类分析中，________算法通过构建样本之间的层次结构图来进行聚类，可以分为凝聚式和分裂式。54.在强化学习中，________函数定义了智能体在状态s下采取动作a后获得即时奖励的期望。55.深度信念网络（DBN）是由多个________堆叠而成的生成模型。56.在图像处理中，________操作通过在图像周围填充0（或其他值），可以控制卷积后输出特征图的尺寸。57.对于一个二分类问题，若真正例（TP）为5，假正例（FP）为5，假反例（FN）为10，则召回率（Recall）为________。（以分数或小数表示）58.神经网络中的BatchNormalization（BN）层通常作用在全连接层或卷积层之后、激活函数________（之前/之后），用于加速训练并稳定梯度。59.AlphaGoZero相比AlphaGo，最大的改进在于它不再使用人类棋谱数据进行监督学习，而是完全通过________自我对弈进行强化学习。60.在图神经网络（GNN）中，________聚合操作用于根据邻居节点的信息更新中心节点的特征表示。五、简答题（本大题共5小题，每小题8分，共40分。请简要回答下列问题，要求条理清晰，要点明确）61.请简述梯度下降法的基本原理，并比较批量梯度下降（BGD）、随机梯度下降（SGD）和小批量梯度下降的优缺点。62.什么是偏差和方差？它们与模型复杂度有什么关系？请结合“偏差-方差权衡”解释如何选择合适的模型。63.请解释卷积神经网络中卷积层的两个关键特性：局部感知野和权值共享，并说明它们的作用。64.请简述Transformer模型中“自注意力机制”的工作原理，并说明引入多头注意力机制的好处。65.在自然语言处理中，传统的RNN（循环神经网络）在处理长文本时存在什么问题？LSTM（长短期记忆网络）是如何解决这些问题的？六、综合应用题（本大题共2小题，共50分。要求分析过程详细，计算准确）66.（25分）假设你正在构建一个二分类的垃圾邮件识别系统。你有一个包含1000封邮件的数据集，其中200封是垃圾邮件（正类），800封是正常邮件（负类）。你训练了一个模型，在测试集上的预测结果如下：真正例（TP）：150封（正确识别为垃圾邮件）假正例（FP）：50封（正常邮件被误判为垃圾邮件）假反例（FN）：50封（垃圾邮件被误判为正常邮件）真反例（TN）：750封（正确识别为正常邮件）（1）请计算该模型的准确率、精确率、召回率和F1-Score。（保留4位小数）（2）如果业务需求非常严格，要求“宁可错杀一千（把正常邮件判为垃圾），不可放过一个（漏掉垃圾邮件）”，你应该重点关注哪个指标？如何调整模型阈值来满足这一需求？（3）针对该数据集中正负样本比例不平衡（1:4）的问题，除了调整评估指标外，还可以在数据层面或算法层面采取哪些措施来缓解？67.（25分）某卷积神经网络（CNN）处理单通道灰度图像。（1）输入图像的大小为32×（2）第一层为卷积层C1，使用10个大小为5×（3）第二层为池化层S2，使用2×（4）第三层为卷积层C3，使用20个大小为5×请回答以下问题：（1）计算卷积层C1输出特征图的尺寸，以及C1层包含的参数数量（包含偏置项）。（2）计算池化层S2输出特征图的尺寸。（3）计算卷积层C3输出特征图的尺寸，以及C3层包含的参数数量（包含偏置项）。（4）若将C3层的输出展平后连接到一个全连接层，该全连接层的输入节点数是多少？参考答案及解析一、单项选择题1.【答案】C【解析】达特茅斯会议于1956年夏季在美国新罕布什尔州的达特茅斯学院举行。2.【答案】B【解析】监督学习的训练数据既有特征又有标签（答案），而非监督学习的训练数据只有特征没有标签。3.【答案】D【解析】过拟合是指模型在训练数据上表现很好，但在测试数据上表现较差。此时模型通常方差较高，而偏差较低。D选项描述错误。4.【答案】C【解析】ReLU函数定义为f(5.【答案】C【解析】熵的公式为H(p)=−6.【答案】C【解析】SVM的目标是找到一个超平面，使得不同类别的样本点到该超平面的最小距离（间隔）最大化。7.【答案】A【解析】Word2Vec包含CBOW（根据上下文预测中心词）和Skip-gram（根据中心词预测上下文）两种模型。8.【答案】C【解析】池化层（如最大池化、平均池化）的主要作用是下采样，即降低特征图的维度，从而减少计算量和防止过拟合。9.【答案】B【解析】K-Means的目标是最小化簇内样本点到簇中心的距离平方和（SSE），这等价于最大化簇间距离。10.【答案】A【解析】LSTM（长短期记忆网络）通过引入遗忘门、输入门和输出门来解决RNN的梯度消失和长距离依赖问题。GRU也是改进版，但LSTM提出得更早且更经典。11.【答案】C【解析】生成器的目标是生成尽可能真实的数据，使得判别器无法区分真假，即最大化判别器将生成数据判为真的概率。12.【答案】B【解析】Q值Q(s,a)13.【答案】B【解析】F1-Score是精确率和召回率的调和平均数，用于综合评价二者。14.【答案】B【解析】Transformer是并行计算的，没有RNN的递归结构，因此无法天然捕捉序列的位置信息，需要显式加入位置编码。15.【答案】C【解析】Keras是一个高层神经网络API，现在已成为TensorFlow的核心一部分，可以运行在TensorFlow、CNTK或Theano之上。16.【答案】D【解析】Sigmoid函数的值域是(017.【答案】A【解析】PCA通过计算协方差矩阵的特征值和特征向量，选取特征值最大的若干个特征向量作为主成分。18.【答案】A【解析】Dropout在训练时以概率p随机将神经元的输出置为0，测试时则所有神经元都参与工作但权重需缩放。19.【答案】A【解析】AlphaGo结合了策略网络（CNN）和蒙特卡洛树搜索（强化学习/搜索算法）。20.【答案】B【解析】当模型参数量超过一定规模时，大语言模型会突然涌现出小模型不具备的能力，这被称为突现能力。二、多项选择题21.【答案】ABC【解析】人工智能三大主要流派：符号主义（逻辑推理）、连接主义（神经网络）、行为主义（控制论/进化）。22.【答案】ABCD【解析】归一化、标准化、缺失值填充、独热编码均为常见的数据预处理方法。23.【答案】ABCD【解析】SGD、Adam、RMSprop、Adagrad均为常用的梯度下降优化器。24.【答案】ABC【解析】CNN典型结构包括卷积层、池化层和全连接层。Embedding层常用于NLP，但在CNN中也可以用，不过典型结构通常指ABC。25.【答案】ABC【解析】语义分割是计算机视觉任务，不是NLP任务。26.【答案】ABCD【解析】MSE用于回归，交叉熵用于分类，HingeLoss用于SVM。损失函数值越小模型越好。27.【答案】ABC【解析】数据泄露通常导致训练效果虚高，而非测试集表现不佳（除非测试集也有泄露导致分布不一致）。但在严格意义上，泄露会导致模型评估失效。这里主要指泛化能力差的原因：过拟合、欠拟合、数据分布不一致。28.【答案】ABCD【解析】强化学习要素包括智能体、环境、状态、动作、奖励、策略等。29.【答案】ABC【解析】GPT等大模型参数巨大，通常不适合在手机端直接运行（需量化或蒸馏），故D错误。30.【答案】ABCD【解析】AI伦理与安全涵盖算法偏见、隐私保护、对抗攻击、可解释性等多个方面。三、判断题31.【答案】√32.【答案】×（层数过多可能导致过拟合或梯度消失，且计算成本增加，不一定效果越好）33.【答案】√（KNN是懒惰学习，训练时只是存储数据）34.【答案】√35.【答案】×（有些模型如决策树、KNN不需要梯度下降）36.【答案】√37.【答案】√38.【答案】√（L1正则化倾向于产生稀疏权重）39.【答案】√40.【答案】√41.【答案】×（朴素贝叶斯假设特征之间条件独立，而非强相关）42.【答案】√43.【答案】√44.【答案】√45.【答案】√四、填空题46.【答案】内积（或点积）47.【答案】均方误差（MSE）48.【答案】决策树49.【答案】链式50.【答案】残差（ResNet）51.【答案】BERT52.【答案】对抗样本53.【答案】层次聚类54.【答案】奖励（或Reward）55.【答案】受限玻尔兹曼机（RBM）56.【答案】填充57.【答案】0.75（或3/4，Recall=TP/(TP+FN)=150/(150+50)=150/200=0.75）58.【答案】之前59.【答案】强化学习60.【答案】消息传递（或邻居聚合）五、简答题61.【答案】基本原理：梯度下降法是一种迭代优化算法，通过沿着损失函数关于参数的负梯度方向更新参数，以逐步减小损失函数值，寻找局部最小值。比较：批量梯度下降（BGD）：每次迭代使用所有样本计算梯度。优点：收敛稳定，易并行；缺点：数据量大时速度慢，内存占用高。随机梯度下降（SGD）：每次迭代仅使用一个样本计算梯度。优点：更新快，跳出局部最优能力强；缺点：收敛震荡，不稳定。小批量梯度下降：每次迭代使用一小批样本计算梯度。优点：结合了BGD的稳定性和SGD的效率，是目前最常用的方法。62.【答案】偏差：模型预测值的平均值与真实值之间的差异，反映模型本身的拟合能力。方差：模型对于不同训练集产生的预测结果的差异，反映模型的稳定性。关系：模型复杂度越高，偏差通常越低（拟合能力强），但方差越高（易过拟合）；模型复杂度越低，偏差越高（易欠拟合），但方差越低。偏差-方差权衡：目标是在偏差和方差之间找到平衡点，使得总误差最小。通常通过交叉验证选择合适的模型复杂度（如决策树的深度、正则化系数）。63.【答案】局部感知野：卷积层的每个神经元只连接输入图像的一个局部区域。作用：提取局部特征（如边缘、纹理），减少参数数量。权值共享：卷积核在图像的不同位置滑动时使用相同的权重参数。作用：利用图像的平移不变性，大幅减少模型参数数量，防止过拟合。64.【答案】自注意力原理：通过计算Query、Key、Value三个向量，利用Query和Key的点积计算注意力权重，再对Value进行加权求和，从而捕捉序列内部元素之间的依赖关系。多头注意力好处：允许模型在不同的表示子空间中并行地关注信息的不同方面，增强了模型捕捉复杂特征和长距离依赖的能力。65.【答案】问题：传统RNN在处理长序列时，由于链式求导法则，梯度在反向传播过程中连乘，容易导致梯度消失（无法更新长距离前的权重）或梯度爆炸（数值不稳定）。解决：LSTM引入了门控机制（遗忘门、输入门、输出门）和细胞状态。细胞状态类似于传送带，信息可以在上面流动而变化很小，从