2026年人工智能考试题本科及答案

2026年人工智能考试题本科及答案一、单项选择题（每题2分，共20分）1.1950年，哪位科学家在论文《计算机器与智能》中提出了著名的"模仿游戏"来检验机器是否具有智能？A.约翰·麦卡锡B.艾伦·图灵C.马文·明斯基D.克劳德·香农答案：B解析：该"模仿游戏"即后来的"图灵测试"。麦卡锡是1956年达特茅斯会议的发起人，常与图灵混淆。2.下列搜索算法中，不使用任何与目标状态相关的启发信息的是？A.A*搜索B.深度优先搜索C.贪婪最佳优先搜索D.爬山法答案：B解析：深度优先搜索按固定策略盲目扩展节点；A*和贪婪最佳优先搜索依赖启发函数，爬山法依赖局部状态评估。3.在二人零和博弈问题中，用于大幅削减极大极小搜索分支数量的经典剪枝技术是？A.随机剪枝B.分支定界C.α-β剪枝D.早停法答案：C解析：α-β剪枝通过维护α（下界）和β（上界）两个阈值，剪去不影响最终决策的分支。4.在卷积神经网络中，通常用哪种操作来降低特征图的空间尺寸并增强平移不变性？A.卷积B.池化C.批归一化D.全连接答案：B5.下列哪一个是ReLU激活函数的数学定义？A.fB.fC.fD.f答案：C解析：ReLU将负输入置零、正输入原样输出。D是绝对值函数，不能实现单侧抑制。6.模型在训练集上误差很低，但在测试集上误差较高，这一现象称为？A.过拟合B.欠拟合C.梯度消失D.维度灾难答案：A7.在强化学习中，智能体主要通过什么信号来调整和改进自己的策略？A.人工标注的类别标签B.无监督聚类结果C.环境反馈的奖励信号D.静态规则库答案：C8.在知识图谱中，下列哪个三元组正确表达了"北京是中国的首都"这一事实？A.（北京，中国，首都）B.（中国，北京，首都）C.（首都，北京，中国）D.（北京，首都，中国）答案：D解析：知识图谱三元组形式为（头实体，关系，尾实体），即（北京，首都，中国）。9.现代大语言模型（如GPT、BERT）所基于的核心网络架构是？A.循环神经网络RNNB.卷积神经网络CNNC.TransformerD.玻尔兹曼机答案：C解析：BERT基于Transformer编码器，GPT基于Transformer解码器。10.只根据当前感知信息直接决定动作、不维护任何内部状态的智能体属于？A.简单反射型智能体B.基于模型的反射型智能体C.基于目标的智能体D.基于效用的智能体答案：A二、填空题（每空1分，共10分）1.1956年，在美国____（会议名称）上，首次正式提出"人工智能"这一术语，标志着人工智能学科的诞生。答案：达特茅斯2.产生式系统由三个基本部分组成，分别是__、和__。答案：规则库、综合数据库（事实库）、推理机（控制系统）3.ID3算法使用__作为属性选择度量，C4.5算法则使用__作为属性选择度量。答案：信息增益、信息增益率4.在神经网络训练中，Dropout技术通过在__阶段随机丢弃部分神经元及其连接来抑制__现象。答案：训练、过拟合5.强化学习通常建模为马尔可夫决策过程(S,A,P,R答案：奖励函数、折扣因子三、判断题（每题2分，共10分）1.目前商用的人脸识别、语音助手等人工智能系统本质上仍属于弱人工智能。答案：正确2.爬山法（贪心搜索）在最优化问题中总能找到全局最优解。答案：错误解析：爬山法只比较相邻状态并选择当前最优方向，容易陷入局部最优或平台区。3.在贝叶斯网络中，给定某节点的父节点后，该节点与其所有非后代节点条件独立。答案：正确解析：这是贝叶斯网络"局部独立性"的基本性质，也是网络参数分解的依据。4.大语言模型通常在无监督大规模语料上预训练，再通过少量标注数据进行指令微调即可获得较强下游任务能力。答案：正确5.决策树在训练集上生长得越深越好，应使其叶子节点纯度达到100%，无需剪枝。答案：错误解析：完全生长的决策树会对训练集过拟合，泛化能力下降，需要预剪枝或后剪枝。四、简答题（每题5分，共20分）1.简述人工智能的三大主要研究流派及其核心观点。答案：(1)符号主义（逻辑主义）：认为智能活动的基础是物理符号系统，可用逻辑规则进行知识表示与推理，代表成果有专家系统。(2)连接主义（仿生学派）：认为智能源于神经元网络的连接机制，通过调整连接权值实现学习，代表成果有神经网络与深度学习。(3)行为主义（进化主义）：认为智能取决于感知与动作之间的交互，强调"感知—动作"模式，代表成果有智能机器人与进化计算。2.简述盲目搜索与启发式搜索的区别，并各举出一种典型算法。答案：盲目搜索按预先规定的固定策略在状态空间中穷举式扩展节点，不使用目标相关信息，效率较低但完备性好，典型算法有广度优先搜索、深度优先搜索、一致代价搜索。启发式搜索利用启发函数估计当前节点到目标的代价，引导搜索优先扩展最有希望的节点，效率较高，典型算法有贪婪最佳优先搜索、A*搜索。3.为什么卷积神经网络比全连接网络更适合图像识别任务？答案：(1)局部感知：卷积核只连接局部感受野区域，符合图像局部相关的特性。(2)参数共享：同一卷积核在图像各处滑动，大幅减少参数量，降低过拟合风险。(3)池化操作：降低特征图分辨率，扩大感受野，同时赋予一定的平移不变性。(4)层次化特征提取：浅层提取边缘纹理，深层提取语义信息，端到端学习特征。4.简述强化学习中"探索"与"利用"的含义及二者之间的关系。答案：探索是尝试未执行过的动作，以获取环境的新信息；利用是根据已知经验选择当前估计回报最高的动作。二者之间存在矛盾：只利用可能陷入局部最优，只探索则累积回报低。智能体需要在两者之间权衡，常用方法有ε-贪心策略、UCB策略等，这是强化学习中的核心挑战之一。五、计算与应用题（每题10分，共20分）1.某决策表记录了8天的户外运动数据，其中"打网球"为类别标签，特征为"天气"和"刮风"，数据如下：序号天气刮风打网球1晴否是2晴是否3阴否是4阴是是5雨否否6雨是否7晴否是8雨否是请使用ID3算法：(1)计算数据集的经验熵H((2)分别计算属性"天气"和"刮风"的条件熵与信息增益（结果保留三位小数）；(3)确定根节点的划分属性。答案：(1)类别"是"与"否"各4条，p1H(2)按"天气"划分：-晴：3条，其中"是"2条、"否"1条，熵为−-阴：2条，均为"是"，熵为0-雨：3条，其中"是"1条、"否"2条，熵为−HGain按"刮风"划分：-刮风=是：3条，其中"是"1条、"否"2条，熵为−-刮风=否：5条，其中"是"4条、"否"1条，熵为−HGain(3)由于Gain(解析：ID3在每个节点选择信息增益最大的属性进行划分。本题关键是分别求出各属性的条件熵，注意按属性取值分组后，每组熵以样本占比为权重加权求和。2.下表是8封邮件的训练数据，特征"免费"和"点击"表示词语是否出现在邮件中（1为出现，0为不出现），标签"垃圾"表示邮件是否为垃圾邮件（1为垃圾，0为正常）。邮件免费点击垃圾11012011311140005110601070008111现收到一封新邮件，其中同时出现"免费"和"点击"两个词，请用朴素贝叶斯分类器判断该邮件是否为垃圾邮件，要求写出完整计算过程。答案：(1)计算先验概率：P(2)估计条件概率：在垃圾邮件中：PP在正常邮件中：PP(3)计算后验概率（未归一化）：PP(4)归一化：P由于0.818>解析：朴素贝叶斯假设特征在给定类别下相互独立，因此后验概率可按各条件概率连乘计算。本例中分子分母同时省略了常数项P(六、综合题（20分）某城市交通管理部门希望部署一套基于深度学习的智能监控系统，实现对监控视频中行驶车辆的自动检测与车型分类（轿车、公交车、卡车）。请设计该系统的技术方案，并完成以下任务：(1)给出系统整体技术流程；(2)设计一个用于车型分类的卷积神经网络，说明卷积层、池化层、全连接层各自的角色；(3)说明训练数据集应如何构建与标注；(4)提出至少两种缓解过拟合的方法；(5)选择合适的评价指标并说明理由。答案：(1)系统整体技术流程为：监控视频帧提取→目标检测（如YOLO、FasterR-CNN等）定位并裁剪车辆区域→车型分类网络对裁剪区域进行分类→后处理（置信度过滤、跟踪平滑）→输出车辆类别与位置信息。(2)车型分类卷积神经网络可设计为：输入层接收224×-卷积层：通过共享权值的卷积核提取图像的局部特征，如边缘、纹理、轮廓等。-池化层：对特征图降采样，减少计算量与参数量，扩大感受野并增强平移不变性。-全连接层：整合高层语义特征，将特征映射到类别得分空间。(3)数据集构建与标注要求：-采集多场景数据，涵盖不同时段（白天、夜晚）、不同天气（晴、雨、雾）、不同拍摄角度、不同车辆型号与颜色。-使用矩形框对每辆车进行位置标注，并给每个框赋予类别标签（轿车、公交车、卡车）。-划分训练集、验证集和测试集，三者互不重叠。-可对训练数据进行数据增强，如随机裁剪、水平翻转、亮度调整等，增加样本多样性。(4)缓解过拟合的方法：-数据增强：通过随机变换扩充训练样本，提升模型泛化能力。-Dropout：在全连接层随机丢弃部分神经元，减少神经元之间的联合适应。-早停法：监控验证集误差，在验证误差不再下降时停止训练。-正则化：在损失函数中加入L1或L2正则项，限制权值规模。-预训练迁移学习：使用ImageNet上预训练的模型进行微调，减少训练数据需求。(5)评价指标选择：-对车型分类任务，可选用宏平均F1值：因为三类车辆样本数