2026年人工智能应用基础知识考试题及答案

2026年人工智能应用基础知识考试题及答案一、单项选择题（每题1分，共20分）1.人工智能的英文缩写是（）。A.AIB.ITC.ARD.VR答案：A解析：人工智能的英文为ArtificialIntelligence，缩写为AI。AR是增强现实，VR是虚拟现实，IT是信息技术。2.下列哪项属于人工智能在医疗领域的典型应用？（）A.人脸支付B.智能导诊与辅助诊断C.自动驾驶D.语音点歌答案：B解析：智能导诊、医学影像辅助诊断等是AI在医疗领域的成熟应用。人脸支付属于金融身份识别，自动驾驶属于交通领域。3.人工智能的三要素通常是指（）。A.数据、算力、算法B.硬件、软件、网络C.感知、决策、执行D.输入、处理、输出答案：A解析：数据是燃料，算法是引擎，算力是支撑，三者共同构成人工智能发展的核心要素。4.下列哪种学习方式属于"告诉机器正确答案，让它学会规律"？（）A.无监督学习B.强化学习C.监督学习D.半监督学习答案：C解析：监督学习使用带标签的数据训练模型，让模型学习输入与输出之间的映射关系。5.在机器学习中，将原始数据划分为多个集合，通常不包括下列哪一项？（）A.训练集B.验证集C.测试集D.清洗集答案：D解析：标准划分是训练集、验证集和测试集，不存在"清洗集"。数据清洗是预处理环节。6.下列哪个算法常用于分类任务？（）A.线性回归B.逻辑回归C.K-MeansD.Apriori答案：B解析：逻辑回归输出概率值，常用于二分类。线性回归用于数值预测，K-Means是聚类算法，Apriori用于关联规则挖掘。7.下列哪项不是计算机视觉的典型任务？（）A.人脸识别B.目标检测C.机器翻译D.实例分割答案：C解析：机器翻译属于自然语言处理（NLP）领域，人脸识别、目标检测、实例分割均属于计算机视觉任务。8.自然语言处理（NLP）的主要研究内容包括（）。A.图像生成与风格迁移B.语音合成与变声C.文本分类、机器翻译、情感分析D.视频压缩与编码答案：C解析：NLP处理的是人类语言文本，包括文本分类、机器翻译、情感分析、问答系统等。9.以下哪种输入方式最适合语音识别系统处理？（）A.文本文件B.音频信号C.图片序列D.传感器数值答案：B解析：语音识别将音频信号转换为文本，输入是语音波形或对应的声学特征。10.下列哪项属于机器学习中"过拟合"的表现？（）A.模型在训练集上表现差B.模型在训练集上表现好，但在测试集上表现差C.模型在训练集和测试集上表现都好D.模型训练速度很快答案：B解析：过拟合是指模型过度学习了训练数据中的噪声和细节，导致泛化能力下降。11.强化学习中的"智能体"通过（）来学习策略。A.标签数据B.与环境交互获得的奖励信号C.人工编写的规则库D.静态数据集上的回归答案：B解析：强化学习的核心机制是智能体通过试错与环境交互，以最大化累积奖励为目标调整策略。12.下列哪种数据类型属于非结构化数据？（）A.数据库中的用户表B.商品价格列表C.电子病历文本D.学生成绩单答案：C解析：非结构化数据指没有预定义数据模型、不便用二维逻辑表来表现的数据，如文本、图片、音频、视频等。电子病历以自然语言文本为主。13.卷积神经网络（CNN）中最适合处理的数据类型是（）。A.时序信号B.图像数据C.图结构数据D.数据库记录答案：B解析：CNN通过卷积操作提取局部特征，尤其适合图像等具有网格结构的数据。14.下列哪个模型是生成式人工智能的代表？（）A.决策树B.支持向量机C.GPT系列大语言模型D.线性回归模型答案：C解析：GPT系列模型能够根据上下文生成连贯文本，属于典型的生成式人工智能模型。15.在数据预处理中，处理缺失值的方法不包括（）。A.删除缺失值所在记录B.用均值或中位数填充C.用模型预测填充D.将缺失值替换为随机噪声答案：D解析：常用缺失值处理方法有删除记录、统计量填充和模型预测填充。随机噪声替换会破坏数据分布，不是规范做法。16.下列哪项不是人工智能伦理关注的核心问题？（）A.算法偏见与公平性B.隐私保护C.模型可解释性D.硬盘读写速度答案：D解析：AI伦理关注算法偏见、隐私安全、透明可解释、责任归属等社会性议题，与硬件性能无关。17.智能音箱实现"听指令—理解语义—执行操作"的功能，主要依赖的技术组合是（）。A.语音识别+自然语言理解+意图决策B.图像识别+语音合成C.机器翻译+知识图谱D.传感器+物联网答案：A解析：智能音箱先通过语音识别（ASR）将语音转为文本，再由自然语言理解（NLU）解析语义并判断意图，最后执行相应操作。18.大语言模型（LLM）的"预训练+微调"范式中，微调（Fine-tuning）的主要目的是（）。A.减少模型参数量B.让模型适应特定下游任务C.提高训练数据的采集速度D.将模型从CPU迁移到GPU答案：B解析：预训练让模型学习通用语言知识，微调则利用领域数据调整模型参数，使其在特定任务上表现更优。19.下列哪种评估指标最适合衡量二分类模型在正样本极少场景下的效果？（）A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.交并比（IoU）答案：C解析：在正样本极少的场景（如罕见病筛查）中，准确率容易被多数类主导，召回率衡量的是"真实正样本中被正确找出的比例"，更能反映模型对少数类的识别能力。精确率关注"找出的结果中有多少是对的"，IoU常用于目标检测。20.关于"人机协同"，下列说法最准确的是（）。A.机器完全替代人类B.人类完全控制机器的每一步操作C.人类与机器各自发挥优势，相互配合提升效率D.机器只能执行简单重复任务答案：C解析：人机协同强调人类在创造性、价值判断方面的优势与机器在速度、精度、规模方面的优势相结合，实现"1+1>2"的效果。二、多项选择题（每题2分，共20分）1.下列哪些属于监督学习的应用场景？（）A.垃圾邮件分类B.房价预测C.客户分群D.手写数字识别答案：ABD解析：垃圾邮件分类和手写数字识别是典型的分类任务，房价预测是回归任务，它们都需要带标签数据。客户分群属于无监督学习的聚类任务。2.卷积神经网络（CNN）的常见组成部分包括（）。A.卷积层B.池化层C.全连接层D.激活函数答案：ABCD解析：CNN通常由卷积层、池化层、激活函数和全连接层等组成，卷积层负责特征提取，池化层负责降维，全连接层负责分类或回归输出。3.下列属于自然语言处理典型任务的有（）。A.命名实体识别B.文本摘要C.情感分析D.语音增强答案：ABC解析：命名实体识别、文本摘要、情感分析都是NLP的核心任务。语音增强属于语音信号处理领域，不属于NLP。4.人工智能技术栈从上到下通常包括（）。A.应用层B.算法层C.框架层D.算力层答案：ABCD解析：AI技术栈一般分为应用层（行业解决方案）、算法层（模型与算法）、框架层（TensorFlow等开发工具）和算力层（芯片和硬件平台）。5.下列哪些措施有助于缓解AI模型中的算法偏见？（）A.平衡训练数据中不同群体的样本比例B.在模型评估中引入公平性指标C.完全删除所有敏感属性特征D.对模型进行透明度审查与审计答案：ABD解析：缓解算法偏见需要从数据、算法、评估与监管等环节综合入手。单纯删除敏感属性并不能消除间接偏见，因为其他特征可能与敏感属性高度相关。6.在模型评估中，常用的分类模型性能指标包括（）。A.精确率B.召回率C.F1分数D.均方误差（MSE）答案：ABC解析：精确率、召回率和F1分数是分类任务的核心评估指标。MSE用于回归任务的评估。7.下列哪些属于人工智能在智能制造中的应用？（）A.产品质量视觉检测B.设备预测性维护C.供应链需求预测D.餐厅菜品推荐答案：ABC解析：质量检测、设备维护和需求预测都是智能制造中的典型应用。菜品推荐属于消费服务领域。8.关于大语言模型（LLM），下列说法正确的有（）。A.基于Transformer架构B.通过大规模文本数据进行预训练C.可以零样本完成部分任务D.不具备上下文理解能力答案：ABC解析：LLM基于Transformer架构，在海量文本上预训练，具备上下文理解能力，可以零样本或少样本完成多种任务。9.下列哪些技术可以用于数据增强？（）A.图像随机裁剪与旋转B.文本同义词替换C.音频添加背景噪声D.删除全部异常数据答案：ABC解析：数据增强通过对原始数据进行变换生成新样本，能够提升模型泛化能力。删除异常数据属于数据清洗，不属于数据增强。10.关于人工智能的可靠性，下列说法正确的有（）。A.模型需要具备对不确定输入的鲁棒性B.对抗样本可能使模型产生错误判断C.可解释性有助于提升用户对模型的信任D.模型在训练数据分布之外也能保持同样性能答案：ABC解析：对抗样本是经过精心构造的微小扰动输入，可能导致模型出错。模型在分布外数据上的性能通常会下降，因此D项的表述不正确。三、判断题（每题1分，共10分）1.人工智能等同于深度学习，两者可以互换使用。答案：错误解析：人工智能是更广泛的概念，深度学习只是其一个分支。2.无监督学习的主要特点是不需要人工标注标签。答案：正确3.数据质量的好坏会直接影响机器学习模型的效果。答案：正确4.迁移学习可以将一个任务上学到的知识应用到另一个相关任务上。答案：正确5.卷积神经网络只能用于图像处理，不能处理文本数据。答案：错误解析：CNN也能处理文本，例如TextCNN在文本分类任务中有一定应用。6.强化学习是目前通用人工智能最主流的训练范式。答案：错误解析：目前通用大模型的主流训练范式仍然是大规模预训练加微调。强化学习（如RLHF）用于对齐与优化，但不能说它是通用人工智能最主流的训练范式。7.人工智能伦理问题只是技术问题，与社会制度无关。答案：错误解析：AI伦理涉及法律、社会、文化等多个层面，不仅是技术问题。8.生成式人工智能能够根据提示生成文本、图像、音频等内容。答案：正确9.自监督学习完全不需要数据参与训练。答案：错误解析：自监督学习利用数据自身结构生成监督信号，同样需要大量数据参与训练。10.人工智能模型做出的预测结果一定是完全准确的。答案：错误解析：任何模型都存在误差，AI预测具有概率性，不是绝对真理。四、简答题（每题6分，共30分）1.简述机器学习与深度学习的区别与联系。答案：（1）联系：深度学习是机器学习的一个重要分支，继承了机器学习的基本范式，即从数据中学习规律。（2）区别：①特征提取方式不同。传统机器学习依赖人工特征工程，深度学习可以自动从原始数据中学习特征表示。②数据需求不同。深度学习通常需要大规模数据，传统机器学习在中小规模数据上也能取得较好效果。③模型结构不同。深度学习使用多层神经网络，模型参数量大、表达能力强。④算力需求不同。深度学习训练通常依赖GPU/TPU等高性能硬件，传统机器学习对算力要求较低。2.简述人工智能在智慧教育中的三个典型应用场景。答案：（1）个性化学习推荐：根据学生的学习进度、知识掌握情况和行为数据，智能推荐适合的学习内容和练习题目。（2）智能批改与学情分析：利用NLP和OCR技术自动批改主观题和客观题，并生成多维学情报告，帮助教师精准掌握班级整体情况。（3）智能答疑助教：基于大语言模型构建AI助教，7×24小时解答学生问题，减轻教师重复性辅导负担。3.简述监督学习、无监督学习和强化学习三者的区别，并各举一个应用实例。答案：（1）监督学习：训练数据包含输入和对应的标签，模型学习输入到输出的映射。例如垃圾邮件分类。（2）无监督学习：训练数据没有标签，模型自动发现数据中的结构或模式。例如客户分群、异常检测。（3）强化学习：智能体通过与环境交互，根据奖励信号学习最优策略。例如AlphaGo下棋、机器人运动控制。4.简述训练集、验证集和测试集在模型开发中的各自作用。答案：（1）训练集：用于训练模型参数，让模型学习数据中的规律。（2）验证集：用于模型调参和模型选择，评估模型在未见过的数据上的表现，指导调整超参数，防止过拟合。（3）测试集：在模型训练完成后，用于最终评估模型的泛化能力，模拟模型在实际场景中的表现。测试集不能参与训练过程。5.假如你要为一款AI产品收集用户数据，从数据隐私和安全角度，你认为应当注意哪些问题？答案：（1）知情同意：向用户明确告知数据收集的目的、范围和使用方式，获得用户明确授权。（2）数据最小化：只收集实现产品功能所必需的最少数据，避免过度采集。（3）匿名化与去标识化：对用户身份信息进行脱敏处理，降低隐私泄露风险。（4）数据安全保障：采取加密传输、访问控制、审计日志等技术手段，防止数据泄露和非法访问。（5）合规性：遵守《个人信息保护法》《数据安全法》等法律法规，建立数据安全管理制度。五、论述题（每题10分，共20分）1.近年来，生成式人工智能在内容创作领域快速发展，请结合具体案例论述其对内容生产方式的积极影响和潜在风险，并提出应对建议。答案：（1）积极影响：①大幅提升内容生产效率。设计师可以使用AI绘图工具在几分钟内生成多版设计草图，快速完成创意迭代。②降低内容创作门槛。不会写代码的人可以通过自然语言描述生成代码或文案，非专业人员也能进行视频脚本创作。③拓展创作边界。AI能够生成人类难以想象的高维创意组合，为创作者提供灵感启发。（2）潜在风险：①版权与知识产权争议。AI生成内容可能模仿了受版权保护的风格或作品，侵权责任难以界定。②虚假信息与深度伪造。AI可以制造逼真的虚假新闻、伪造音频视频，增加社会信任成本。③内容质量参差不齐。AI生成内容可能存在事实错误或逻辑漏洞，