2026年人工智能基础与应用考试题及答案

2026年人工智能基础与应用考试题及答案一、单项选择题（每题2分，共20分）1.人工智能的诞生标志是1956年召开的哪次会议？A.日内瓦会议B.达特茅斯会议C.西雅图会议D.慕尼黑会议答案：B2.在机器学习中，下列哪种算法属于无监督学习？A.支持向量机B.线性回归C.K-Means聚类D.逻辑回归答案：C3.卷积神经网络（CNN）中，池化层的主要作用是？A.提取图像边缘特征B.增加模型的非线性表达能力C.减少特征图维度，降低计算量并防止过拟合D.将二维特征转化为一维向量答案：C4.Transformer架构摒弃了传统的循环结构，其核心机制是？A.门控循环单元（GRU）B.自注意力机制C.卷积操作D.残差连接答案：B5.在A*算法中，评估函数f(n)A.hB.h(C.h(D.h答案：B6.训练神经网络时，如果学习率设置过大，通常会观察到损失函数值出现什么变化？A.平稳下降B.振荡甚至发散C.缓慢下降D.保持不变答案：B7.强化学习中的Q-learning算法主要利用哪个方程进行更新？A.贝尔曼方程B.纳什均衡方程C.梯度下降方程D.最大似然方程答案：A8.大语言模型微调技术LoRA的核心思想是？A.冻结预训练权重，并在旁路增加低秩矩阵进行训练B.对所有参数进行全量微调C.通过量化技术减少模型参数D.利用强化学习对齐人类偏好答案：A解析：LoRA（Low-RankAdaptation）通过冻结预训练模型权重，在Transformer的每一层注入可训练的低秩分解矩阵，大幅减少可训练参数量，同时保持或提升模型性能。9.以下关于生成对抗网络（GAN）的说法，错误的是？A.GAN由生成器和判别器组成B.生成器的目标是生成逼真数据以欺骗判别器C.判别器的目标是区分真实数据和生成数据D.GAN的训练过程非常稳定，不容易出现模式崩溃答案：D解析：GAN的训练过程极具挑战性，非常不稳定，极易出现模式崩溃问题，即生成器只产生少数几种样本而失去多样性。10.以下哪种技术主要用于解决分类数据中类别分布极度不均衡的问题？A.数据标准化B.SMOTE过采样C.主成分分析（PCA）D.独热编码答案：B解析：SMOTE（SyntheticMinorityOver-samplingTechnique）通过在少数类样本之间进行插值来生成合成样本，是处理类别不平衡的常用方法。PCA用于降维，独热编码用于处理离散类别特征。二、多项选择题（每题2分，共10分）1.下列哪些是常见的激活函数？A.ReLUB.SigmoidC.TanhD.MSE答案：A,B,C2.在训练深度神经网络时，为了防止过拟合，可以采用以下哪些方法？A.DropoutB.L1/L2正则化C.数据增强D.提前停止答案：A,B,C,D3.以下属于生成式人工智能模型的有？A.生成对抗网络（GAN）B.变分自编码器（VAE）C.扩散模型D.支持向量机（SVM）答案：A,B,C解析：GAN、VAE和扩散模型都是典型的生成式模型，用于学习数据分布并生成新样本；SVM属于判别式分类模型。4.决策树算法中，常用的特征划分准则包括？A.信息增益B.增益率C.基尼指数D.均方误差答案：A,B,C,D解析：ID3使用信息增益，C4.5使用增益率，CART分类树使用基尼指数，CART回归树使用均方误差作为划分准则。5.评估二分类模型性能时，常用的评价指标包括？A.准确率B.精确率C.召回率D.F1分数答案：A,B,C,D三、判断题（每题1分，共10分）1.人工智能的研究目标就是让机器完全替代人类进行思考。答案：错误2.K-Means聚类算法在训练前需要预先指定簇的数量K。答案：正确3.在机器学习中，模型在训练集上的损失越小，其在测试集上的性能就一定越好。答案：错误4.残差网络通过引入跳跃连接有效缓解了深度神经网络中的梯度消失问题。答案：正确5.长短期记忆网络（LSTM）只能用于处理时间序列数据，不能用于自然语言处理。答案：错误6.主成分分析（PCA）是一种常用的无监督降维方法。答案：正确7.Adam优化器结合了动量法和自适应学习率的优点。答案：正确8.在强化学习中，智能体在探索新策略和利用已知最优策略之间存在权衡。答案：正确9.所有大语言模型（LLM）本质上都是基于卷积神经网络构建的。答案：错误10.联邦学习允许多个参与方在不共享本地数据的情况下共同训练模型，有助于保护数据隐私。答案：正确四、简答题（每题6分，共30分）1.简述监督学习与无监督学习的主要区别。答案：(1)数据标注：监督学习使用带标签的数据进行训练；无监督学习使用无标签的数据进行训练。(2)学习目标：监督学习的目标是学习输入到输出的映射关系，用于分类或回归预测；无监督学习的目标是发现数据内在的结构和规律，如聚类或降维。(3)典型算法：监督学习包括线性回归、决策树等；无监督学习包括K-Means、PCA等。2.什么是梯度消失现象？在深度神经网络中如何缓解这一问题？答案：梯度消失是指在反向传播过程中，使用链式法则计算梯度时，如果激活函数的导数小于1且网络层数较深，误差梯度在向底层传递时会呈指数级衰减，导致底层网络参数几乎无法更新。缓解方法：(1)使用ReLU等导数恒为1或较大区间的激活函数；(2)引入批归一化层；(3)使用残差连接结构；(4)采用合适的权重初始化方法（如He初始化）。3.简述Transformer中自注意力机制的计算过程。答案：(1)将输入向量映射为查询向量Q、键向量K和值向量V。(2)计算Q与K的点积，得到注意力得分矩阵：S=(3)将得分矩阵除以dk(4)通过Softmax函数将得分转化为注意力权重。(5)将注意力权重与V相乘并求和，得到最终的注意力输出：Attention4.什么是强化学习中的马尔可夫决策过程（MDP）？它包含哪几个核心要素？答案：马尔可夫决策过程是强化学习问题的数学建模，它假设未来状态只与当前状态和采取的动作有关，与过去的历史无关（马尔可夫性质）。核心要素包含五元组(S(1)S：状态空间，表示环境可能处于的所有状态。(2)A：动作空间，表示智能体可以采取的所有动作。(3)P：状态转移概率，表示在状态s下采取动作a转移到状态s′(4)R：奖励函数，表示在状态s下采取动作a后获得的即时奖励。(5)γ：折扣因子，用于权衡即时奖励和长期奖励。5.简述生成对抗网络（GAN）的基本原理及训练过程中的主要难点。答案：(1)基本原理：GAN由生成器和判别器组成。生成器接收随机噪声，试图生成逼真的假数据；判别器试图区分输入数据是真实样本还是生成器生成的假样本。两者进行极小极大博弈，生成器的目标是最大化判别器的分类错误率，判别器的目标是提高分类准确率。最终生成器能够生成以假乱真的数据。(2)主要难点：GAN的训练过程极不稳定。主要难点包括模式崩溃（生成器只能生成极少几种模式的样本，缺乏多样性）以及难以收敛到纳什均衡。五、综合应用题（每题15分，共30分）1.计算题：设有一线性回归模型，其预测函数为y=wx+b。给定损失函数为均方误差L=12(y−y)2，其中y为真实值。已知样本x=2，真实值答案：预测值为y=wx∂∂代入数据计算梯度：∂∂参数更新：wb解析：本题考查反向传播与梯度下降的基础计算。关键在于正确求导链式法则，区分预测值y与真实值y，并注意学习率的符号方向。2.综合设计题：某大型医疗企业拥有海量的私有医疗诊断数据，现希望基于当前开源的大语言模型（LLM）构建一个医疗智能问答助手。请为其设计一个基于检索增强生成（RAG）的架构方案，说明系统核心流程，并分析该方案相比直接微调模型的优势。系统架构与核心流程：(1)数据准备与索引建立：将企业的私有医疗数据进行清洗、分块处理，使用文本嵌入模型将文本块转换为高维向量，并存入向量数据库（如FAISS、Milvus）。(2)用户查询检索：当接收到用户的医疗问题时，使用同样的嵌入模型将问题向量化。在向量数据库中进行相似度检索，召回Top-K相关的私有医疗文档块。(3)提示词构建：将用户问题与检索到的文档块拼接，构建完整的上下文提示词模板，如“基于以下参考资料：[检索内容]，请回答问题：[用户问题]”。(4)大模型生成：将构建好的提示词输入给开源大语言模型，由大模型基于提供的上下文生成最终的医疗回答。相比直接微调的优势：(1)知识更新成本低：RAG架构只需更新向量数据库中的文档即可让模型获取最新医疗知识，无需重新训练模型；微调需重新训练，耗时且昂贵。(2)幻觉控制能力强：模型基于检索到的确切上下文进行回答，降低了捏造事实的风险，这在严谨的医疗领域至关重要