2026年人工智能技术基础与应用知识考试试题及答案

2026年人工智能技术基础与应用知识考试试题及答案一、单项选择题（每题2分，共40分）1.“人工智能”作为学科正式诞生的标志性事件是？A.1950年图灵发表《计算机器与智能》B.1956年达特茅斯会议C.1997年“深蓝”击败国际象棋世界冠军D.2016年AlphaGo战胜李世石答案：B解析：1956年达特茅斯会议被公认为人工智能学科正式诞生的标志。2.下列哪个属于监督学习任务？A.根据用户购买记录将用户划分为若干群体B.给定房屋面积、位置等特征预测房价C.在无标签数据中发现异常模式D.智能体通过试错学习行走策略答案：B解析：A、C是无监督学习任务，D是强化学习任务；有标签回归预测房价属于监督学习。3.贝叶斯定理的正确表达式是？A.PB.PC.PD.P答案：A4.关于K近邻（KNN）算法，下列说法错误的是？A.属于基于实例的惰性学习算法B.预测时需要对样本间的距离进行计算C.K值越大，模型通常越容易过拟合D.特征量纲差异较大时需要进行归一化处理答案：C解析：K值越大，决策边界越平滑，越不容易过拟合；K值过小如1时反而容易过拟合。5.在神经网络中，以下哪个激活函数的输出范围是(0A.ReLUB.SigmoidC.TanhD.LeakyReLU答案：B解析：Sigmoid将任意实数映射到(0,16.反向传播（Backpropagation）主要用于？A.计算损失函数对各参数的梯度B.增加网络的层数C.对输入数据进行降维D.生成训练数据答案：A7.卷积神经网络中，池化层的主要作用不包括？A.降低特征图的空间分辨率B.减少参数量和计算量C.增强模型对平移等轻微变形的鲁棒性D.直接对类别标签进行分类答案：D8.下列哪项是RNN适合处理的数据类型？A.定长图像像素矩阵B.序列数据，如文本、语音C.孤立的无序表格记录D.静态知识图谱的一次性查询答案：B9.Transformer中自注意力机制的核心优势是？A.只能处理短序列B.直接建模序列中任意两个位置间的依赖关系C.完全无法并行化D.只能用于机器翻译答案：B解析：自注意力打破了RNN按时间步逐步传递的限制，可以并行地建立任意两个位置之间的联系。10.Word2Vec中的CBOW模型是根据什么预测什么？A.根据上下文词预测中心词B.根据中心词预测上下文词C.根据整句预测下一个词D.根据词频预测词性答案：A解析：CBOW（ContinuousBag-of-Words）用上下文词预测中心词；Skip-gram则相反。11.下列哪个不是常见的文本分类任务？A.情感分析B.垃圾邮件识别C.主题分类D.图像去噪答案：D12.在目标检测任务中，要求在图像中标出目标的位置和类别，而图像分类只需要？A.判断整张图像的类别B.分割出每个像素的类别C.输出目标的外接框D.生成图像的文本描述答案：A13.关于强化学习，下列描述正确的是？A.训练数据必须带有标签B.智能体通过与环境交互获得奖励信号来优化策略C.不需要定义目标D.属于监督学习的一种答案：B14.在搜索算法中，A*算法的估价函数一般形式为f(n)A.从起点到当前节点已花费的实际代价B.从当前节点到目标节点的启发式估计代价C.从当前节点到目标节点的实际最短代价D.路径的总代价答案：B解析：g(n)15.知识图谱中的三元组一般表示形式是？A.实体-关系-实体B.属性-实体-属性C.概念-属性-数值D.主体-事件-时间答案：A16.专家系统通常由哪几部分构成？A.知识库、推理机、人机交互界面B.数据库、操作系统、编译器C.传感器、执行器、控制器D.卷积层、池化层、全连接层答案：A17.下列哪种做法不能直接降低机器学习模型的过拟合风险？A.增加训练数据量B.使用DropoutC.无限制增大模型参数量D.添加L2正则化项答案：C18.大语言模型（LLM）的“幻觉”现象指的是？A.模型在训练时出现梯度爆炸B.模型生成与事实不符或凭空捏造的内容C.模型输入的上下文长度受限D.模型输出总是重复某一句话答案：B19.关于人工智能伦理，下列做法不恰当的是？A.在招聘模型部署前进行公平性评估B.向用户说明AI系统的能力边界C.用包含敏感个人信息的未脱敏数据直接训练D.建立AI决策的审计和问责机制答案：C20.联邦学习的主要目的是？A.让多个参与方在不共享原始数据的前提下联合训练模型B.将模型部署到联邦政府的服务器上C.减少模型参数量以加快推理D.用一个数据集训练多个模型答案：A解析：联邦学习的核心思想是“数据不动，模型动”，通过交换梯度或模型参数实现协作训练，保护各方数据隐私。二、多项选择题（每题3分，共15分）1.下列属于常见机器学习算法或方法的有？A.线性回归B.决策树C.K-meansD.卷积神经网络答案：ABCD解析：线性回归、决策树属于监督学习算法，K-means属于无监督聚类算法，卷积神经网络属于深度学习方法，它们都属于机器学习范畴。2.下列措施中，能够用于缓解深度学习模型过拟合的有？A.数据增强B.降低模型复杂度C.早停法D.正则化答案：ABCD解析：数据增强扩充训练样本，降低模型复杂度与正则化约束模型表达能力，早停在验证集变差时终止训练，均可缓解过拟合。3.关于注意力机制和Transformer，下列说法正确的有？A.自注意力可以建模序列中任意两个位置间的关系B.Transformer原始结构由编码器和解码器组成C.多头注意力将注意力计算拆分为多个子空间并行完成D.位置编码用于为模型提供序列位置信息答案：ABCD解析：自注意力可建立全局依赖；原始Transformer是Encoder-Decoder结构；多头注意力在不同表示子空间并行计算；位置编码弥补注意力机制不包含位置信息的缺陷。4.下列关于人工智能伦理与安全的说法正确的有？A.AI系统可能存在算法偏见B.数据隐私保护是AI应用的重要要求C.AI系统具备完全自主的道德判断能力D.应建立AI系统的可解释性要求答案：ABD解析：C错误。当前AI系统不具备完全自主的道德判断能力，仍需要人类在算法设计、应用部署和监管中承担伦理与安全责任。5.下列属于计算机视觉典型任务的有？A.图像分类B.目标检测C.语义分割D.文本生成答案：ABC解析：图像分类、目标检测、语义分割都是计算机视觉任务；文本生成属于自然语言处理领域。三、判断题（每题1分，共10分）1.1950年图灵提出的“图灵测试”是判断机器是否具有智能的一种思想实验。答案：正确2.在监督学习中，训练数据必须包含特征和标签。答案：正确3.K-means算法需要预先指定聚类数K。答案：正确4.卷积神经网络只能够处理图像数据，不能处理文本。答案：错误解析：CNN同样可以处理文本、语音等一维序列数据，例如文本分类任务中可对词向量序列做卷积。5.LSTM通过门控机制在一定程度上解决了经典RNN的梯度消失问题。答案：正确6.正则化强度越大，模型在训练集上的准确率通常越高。答案：错误解析：正则化会约束模型复杂度，可能降低训练集准确率，但目的是提升泛化能力。7.强化学习中，奖励函数的设计对智能体学习效果影响不大。答案：错误解析：奖励函数决定了优化方向，是强化学习中最关键的设计环节之一。8.数据清洗属于数据预处理的重要环节。答案：正确9.大语言模型生成的内容一定真实可靠。答案：错误解析：大语言模型可能产生“幻觉”，生成看似合理但与事实不符的内容，需要结合外部知识或人工核验。10.在AI应用中，敏感数据脱敏后仍应严格控制访问权限。答案：正确四、简答题（每题5分，共15分）1.简述监督学习、无监督学习和强化学习的区别，并各举一个应用实例。答案：监督学习使用带有标签的数据训练模型，学习输入到输出的映射关系，典型任务包括分类和回归，实例有垃圾邮件识别、房价预测。无监督学习使用无标签数据，挖掘数据内部的结构或分布规律，典型任务包括聚类和降维，实例有客户分群、异常检测。强化学习不需要预定义标签，智能体通过与环境的交互获得奖励信号，不断调整策略以最大化累计奖励，实例有围棋博弈、机器人控制。解析：三者的核心区别在于训练信号来源：监督学习依赖人工标注标签，无监督学习从数据本身发现结构，强化学习通过环境交互的奖励反馈优化策略。2.什么是过拟合？列举至少三种缓解过拟合的常用方法。答案：过拟合是指模型在训练数据上表现很好，但在未见过的测试数据上表现较差，即泛化能力不足。常用缓解方法包括：（1）增加训练数据量；（2）降低模型复杂度，如减少网络层数或参数量；（3）使用正则化，如L1、L2正则化；（4）深度学习中使用Dropout；（5）数据增强；（6）早停法。解析：过拟合的本质是模型过度拟合训练集中的噪声和细节。上述方法通过增加有效信息、约束模型复杂度或提前终止训练来提升泛化性能。3.简述Transformer中自注意力机制的基本思想，并说明它相比循环神经网络（RNN）的主要优势。答案：自注意力机制的基本思想是：对于输入序列中的每个位置，先将其转换为查询（Query）、键（Key）和值（Value）向量；然后通过查询与所有键计算相似度得到注意力权重，再对相应的值向量加权求和，从而得到融合全序列信息的位置表示。相比RNN的主要优势：（1）可以并行计算，训练效率高；（2）可以直接建模任意位置间的长距离依赖，避免信息逐步传递导致的衰减；（3）更有利于缓解梯度消失和梯度爆炸问题。解析：Transformer将序列建模从“逐步递归”变为“全连接式并行”，注意力权重由数据驱动学习，因此能够更充分地捕捉全局上下文信息。五、综合分析题（共20分）1.某银行计划构建基于机器学习的客户信用风险评估模型，用于审批个人贷款申请。请回答：（1）从数据分析与建模角度，设计一个技术方案。要求说明：需要收集哪些数据（至少写出3类特征，注意不要包含受法律严格保护的敏感属性）、该问题属于哪类机器学习任务、可以选用哪个算法模型、应采用哪些评估指标。（10分）（2）从AI伦理与可解释性角度，指出该场景可能面临的至少两个问题，并提出相应的改进措施。（10分）答案：（1）技术方案设计：数据特征可包括：①历史信贷行为数据，如还款状态、逾期次数、信用卡使用率；②贷款申请信息，如贷款金额、期限、贷款用途；③与信用相关的基本属性，如年龄、职业、收入水平。应避免采集与信用评估无关且受法律保护的敏感信息，如种族、宗教信仰、政治面貌等。该问题属于有监督学习中的二分类任务。可选用逻辑回归、随机森林、XGBoost或深度神经网络等模型。评估指标可选用准确率、精确率、召回率、F1值、ROC-AUC等。由于信贷数据通常类别不平衡，应重点关注精确率、召回率与AUC。（2）伦理与可解释性问题及改进措施：问题一：算法偏见。历史数据可能包含对部分群体的歧视模式，模型会学习并放大这种偏差，导致不公平结果。改进措施：对训练数据和模型预测结果进行公平性审计，检测并校正有偏特征或预测差异。问题二：缺乏可解释性。使用复杂模型时，申请人被拒贷但无法获得明确理由，既影响用户体验，也可能违反金融监管中关于算法透明和可解释性