2025年人工智能技術(shù)與應(yīng)用考試及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪項(xiàng)技術(shù)是實(shí)現(xiàn)多模態(tài)大模型跨模態(tài)對(duì)齊的核心方法？A.對(duì)比學(xué)習(xí)（ContrastiveLearning）B.強(qiáng)化學(xué)習(xí)（ReinforcementLearning）C.自監(jiān)督學(xué)習(xí)（Self-SupervisedLearning）D.元學(xué)習(xí)（MetaLearning）答案：A解析：多模態(tài)大模型需要將不同模態(tài)（如圖像、文本、語(yǔ)音）的特征映射到同一語(yǔ)義空間，對(duì)比學(xué)習(xí)通過(guò)最大化跨模態(tài)正樣本對(duì)的相似性、最小化負(fù)樣本對(duì)的相似性，是實(shí)現(xiàn)跨模態(tài)對(duì)齊的關(guān)鍵技術(shù)。強(qiáng)化學(xué)習(xí)主要用于決策優(yōu)化，自監(jiān)督學(xué)習(xí)側(cè)重利用無(wú)標(biāo)注數(shù)據(jù)生成監(jiān)督信號(hào)，元學(xué)習(xí)關(guān)注模型快速適應(yīng)新任務(wù)的能力，均非核心。2.在自動(dòng)駕駛系統(tǒng)中，激光雷達(dá)（LiDAR）點(diǎn)云數(shù)據(jù)的處理通常不包括以下哪個(gè)步驟？A.點(diǎn)云分割（PointCloudSegmentation）B.目標(biāo)檢測(cè)（ObjectDetection）C.圖像超分辨率（ImageSuper-Resolution）D.運(yùn)動(dòng)預(yù)測(cè)（MotionPrediction）答案：C解析：激光雷達(dá)點(diǎn)云數(shù)據(jù)處理的核心流程包括點(diǎn)云分割（識(shí)別道路、車(chē)輛等）、目標(biāo)檢測(cè)（定位障礙物）、運(yùn)動(dòng)預(yù)測(cè)（推斷目標(biāo)未來(lái)軌跡）。圖像超分辨率是針對(duì)二維圖像的分辨率提升技術(shù)，與三維點(diǎn)云處理無(wú)關(guān)。3.以下哪種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)最適合處理時(shí)序變長(zhǎng)的醫(yī)療心電信號(hào)（ECG）？A.卷積神經(jīng)網(wǎng)絡(luò)（CNN）B.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）C.視覺(jué)Transformer（ViT）D.圖神經(jīng)網(wǎng)絡(luò)（GNN）答案：B解析：心電信號(hào)是典型的時(shí)序數(shù)據(jù)，且長(zhǎng)度可變。RNN及其變體（如LSTM、GRU）通過(guò)循環(huán)結(jié)構(gòu)捕獲序列中的時(shí)間依賴(lài)關(guān)系，適合處理變長(zhǎng)時(shí)序數(shù)據(jù)。CNN更擅長(zhǎng)空間特征提取，ViT主要用于圖像等網(wǎng)格數(shù)據(jù)，GNN適用于圖結(jié)構(gòu)數(shù)據(jù)，均非最優(yōu)選擇。4.在AI倫理評(píng)估中，“算法公平性”通常不涉及以下哪項(xiàng)指標(biāo)？A.人口統(tǒng)計(jì)學(xué)平等（DemographicParity）B.校準(zhǔn)平等（CalibrationEquality）C.均方誤差（MeanSquaredError）D.機(jī)會(huì)平等（EqualOpportunity）答案：C解析：算法公平性關(guān)注模型對(duì)不同群體（如性別、種族）的預(yù)測(cè)是否存在偏見(jiàn)，常用指標(biāo)包括人口統(tǒng)計(jì)學(xué)平等（各群體被預(yù)測(cè)為正類(lèi)的概率相同）、校準(zhǔn)平等（各群體中預(yù)測(cè)概率與實(shí)際概率一致）、機(jī)會(huì)平等（各群體中真陽(yáng)性率相同）。均方誤差是模型預(yù)測(cè)準(zhǔn)確性的指標(biāo)，與公平性無(wú)關(guān)。5.以下哪項(xiàng)技術(shù)是大語(yǔ)言模型（LLM）實(shí)現(xiàn)“思維鏈”（ChainofThought,CoT）推理的關(guān)鍵？A.提示工程（PromptEngineering）B.知識(shí)蒸餾（KnowledgeDistillation）C.模型量化（ModelQuantization）D.權(quán)重剪枝（WeightPruning）答案：A解析：思維鏈通過(guò)設(shè)計(jì)特定提示（如“讓我們一步步思考”）引導(dǎo)模型生成中間推理步驟，屬于提示工程的應(yīng)用。知識(shí)蒸餾用于壓縮模型，模型量化和權(quán)重剪枝是模型輕量化技術(shù)，均不直接支持推理過(guò)程的顯式生成。6.計(jì)算機(jī)視覺(jué)中，YOLOv8相比YOLOv5的主要改進(jìn)是？A.引入Transformer編碼器B.采用多尺度特征融合（FPN+PAN）C.優(yōu)化損失函數(shù)為CIoUD.支持動(dòng)態(tài)錨框生成（DynamicAnchor）答案：A解析：YOLOv8在骨干網(wǎng)絡(luò)中引入了Transformer結(jié)構(gòu)（如C2f模塊），提升了長(zhǎng)距離依賴(lài)的捕捉能力；多尺度特征融合是YOLOv5已有的設(shè)計(jì)，CIoU損失在YOLOv4及后續(xù)版本已應(yīng)用，動(dòng)態(tài)錨框生成屬于部分改進(jìn)但非核心。7.以下哪種方法最適合解決聯(lián)邦學(xué)習(xí)（FederatedLearning）中的“數(shù)據(jù)異質(zhì)性”問(wèn)題？A.全局模型參數(shù)平均（FedAvg）B.個(gè)性化聯(lián)邦學(xué)習(xí)（PersonalizedFL）C.模型壓縮（ModelCompression）D.差分隱私（DifferentialPrivacy）答案：B解析：數(shù)據(jù)異質(zhì)性指各參與方（客戶(hù)端）的數(shù)據(jù)分布差異大，個(gè)性化聯(lián)邦學(xué)習(xí)通過(guò)為每個(gè)客戶(hù)端微調(diào)或保留獨(dú)立參數(shù)，適應(yīng)其本地?cái)?shù)據(jù)分布，緩解異質(zhì)性問(wèn)題。FedAvg是基礎(chǔ)聚合方法，對(duì)異質(zhì)性魯棒性差；模型壓縮和差分隱私分別解決模型大小和隱私問(wèn)題，不直接處理數(shù)據(jù)異質(zhì)性。8.自然語(yǔ)言處理（NLP）中，“零樣本學(xué)習(xí)”（Zero-ShotLearning）的實(shí)現(xiàn)主要依賴(lài)？A.大規(guī)模預(yù)訓(xùn)練模型的語(yǔ)義理解能力B.大量標(biāo)注的目標(biāo)任務(wù)數(shù)據(jù)C.領(lǐng)域自適應(yīng)（DomainAdaptation）技術(shù)D.強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)機(jī)制答案：A解析：零樣本學(xué)習(xí)要求模型在未見(jiàn)過(guò)目標(biāo)任務(wù)標(biāo)注數(shù)據(jù)時(shí)完成任務(wù)，依賴(lài)預(yù)訓(xùn)練模型通過(guò)文本描述（如提示）理解任務(wù)語(yǔ)義并泛化。其他選項(xiàng)中，目標(biāo)任務(wù)數(shù)據(jù)是少樣本或監(jiān)督學(xué)習(xí)的需求，領(lǐng)域自適應(yīng)針對(duì)跨領(lǐng)域遷移，強(qiáng)化學(xué)習(xí)用于優(yōu)化決策，均非零樣本的核心。9.在生成式AI中，穩(wěn)定擴(kuò)散模型（StableDiffusion）的核心組件是？A.變分自編碼器（VAE）B.擴(kuò)散模型（DiffusionModel）C.生成對(duì)抗網(wǎng)絡(luò)（GAN）D.自回歸模型（AutoregressiveModel）答案：B解析：StableDiffusion基于擴(kuò)散模型框架，通過(guò)逐步添加噪聲再逆過(guò)程生成圖像；VAE用于壓縮和解碼圖像，GAN通過(guò)對(duì)抗訓(xùn)練生成，自回歸模型按順序生成元素（如文本），均非其核心。10.AI安全領(lǐng)域中，“對(duì)抗樣本攻擊”的主要目標(biāo)是？A.提升模型泛化能力B.欺騙模型做出錯(cuò)誤預(yù)測(cè)C.降低模型計(jì)算復(fù)雜度D.增強(qiáng)模型可解釋性答案：B解析：對(duì)抗樣本是通過(guò)微小擾動(dòng)修改輸入數(shù)據(jù)（如圖像添加不可見(jiàn)噪聲），使模型產(chǎn)生錯(cuò)誤預(yù)測(cè)的樣本，其核心目標(biāo)是攻擊模型的魯棒性。其他選項(xiàng)與攻擊目標(biāo)無(wú)關(guān)。二、填空題（每題2分，共20分）1.深度學(xué)習(xí)中，BatchNormalization（BN）層的主要作用是__________，從而加速訓(xùn)練并提升模型泛化能力。答案：緩解內(nèi)部協(xié)變量偏移（InternalCovariateShift）2.大語(yǔ)言模型的“上下文學(xué)習(xí)”（In-ContextLearning）能力主要依賴(lài)于模型對(duì)__________的建模。答案：長(zhǎng)距離語(yǔ)義依賴(lài)（或“長(zhǎng)程上下文關(guān)聯(lián)”）3.計(jì)算機(jī)視覺(jué)中，用于目標(biāo)檢測(cè)的“錨框”（AnchorBox）設(shè)計(jì)需基于__________的統(tǒng)計(jì)分布。答案：訓(xùn)練數(shù)據(jù)中目標(biāo)框的寬高比（或“目標(biāo)尺寸”）4.強(qiáng)化學(xué)習(xí)中，“策略梯度”（PolicyGradient）方法直接優(yōu)化__________，而值函數(shù)方法（如DQN）優(yōu)化狀態(tài)-動(dòng)作值函數(shù)。答案：策略函數(shù)（或“策略參數(shù)”）5.多模態(tài)學(xué)習(xí)中，“跨模態(tài)檢索”（Cross-ModalRetrieval）的評(píng)估指標(biāo)通常包括__________（至少寫(xiě)出一個(gè)）。答案：召回率（Recall@K）、平均精度（MeanAveragePrecision,MAP）6.聯(lián)邦學(xué)習(xí)按數(shù)據(jù)分布差異可分為_(kāi)_________（數(shù)據(jù)特征分布不同）和__________（數(shù)據(jù)樣本分布不同）兩類(lèi)。答案：橫向聯(lián)邦（HorizontalFL）、縱向聯(lián)邦（VerticalFL）7.生成式AI中，“可控生成”（ControllableGeneration）通常通過(guò)引入__________（如類(lèi)別標(biāo)簽、文本描述）來(lái)約束生成過(guò)程。答案：條件變量（或“控制信號(hào)”）8.AI倫理中的“可解釋性”（Explainability）要求模型輸出結(jié)果的決策過(guò)程__________。答案：可被人類(lèi)理解（或“透明可追溯”）9.邊緣AI（EdgeAI）的核心挑戰(zhàn)是__________（至少寫(xiě)出一個(gè)）。答案：計(jì)算資源受限、實(shí)時(shí)性要求高、隱私保護(hù)需求10.自然語(yǔ)言處理中，“指代消解”（CoreferenceResolution）的任務(wù)是識(shí)別文本中__________的語(yǔ)言表達(dá)式。答案：指向同一實(shí)體（或“具有相同指稱(chēng)”）三、簡(jiǎn)答題（每題8分，共40分）1.簡(jiǎn)述遷移學(xué)習(xí)（TransferLearning）的核心思想，并舉例說(shuō)明其在醫(yī)療AI中的應(yīng)用場(chǎng)景。答案：遷移學(xué)習(xí)的核心思想是利用源領(lǐng)域（已有的、數(shù)據(jù)豐富的領(lǐng)域）的知識(shí)，幫助目標(biāo)領(lǐng)域（數(shù)據(jù)稀缺、任務(wù)相關(guān)的領(lǐng)域）的模型提升性能，解決目標(biāo)領(lǐng)域標(biāo)注數(shù)據(jù)不足的問(wèn)題。在醫(yī)療AI中，例如皮膚病診斷任務(wù)中，由于特定皮膚?。ㄈ绾币?jiàn)皮疹）的標(biāo)注圖像數(shù)量少，可先在大規(guī)模自然圖像（如ImageNet）上預(yù)訓(xùn)練CNN模型，再將其遷移到皮膚病圖像數(shù)據(jù)集上進(jìn)行微調(diào)。預(yù)訓(xùn)練模型已學(xué)習(xí)到通用的視覺(jué)特征（如邊緣、紋理），微調(diào)后能快速適應(yīng)皮膚病圖像的特征，降低對(duì)小樣本數(shù)據(jù)的依賴(lài)。2.對(duì)比生成對(duì)抗網(wǎng)絡(luò)（GAN）和變分自編碼器（VAE）在生成數(shù)據(jù)時(shí)的優(yōu)缺點(diǎn)。答案：GAN通過(guò)生成器（G）和判別器（D）的對(duì)抗訓(xùn)練生成數(shù)據(jù)，優(yōu)點(diǎn)是生成樣本質(zhì)量高、分布更接近真實(shí)數(shù)據(jù)，且無(wú)需顯式建模數(shù)據(jù)分布；缺點(diǎn)是訓(xùn)練不穩(wěn)定（易出現(xiàn)模式崩潰、梯度消失），難以評(píng)估生成效果，且無(wú)法直接生成條件化樣本（需結(jié)合CGAN等改進(jìn)）。VAE通過(guò)編碼器將輸入映射到隱空間分布，再通過(guò)解碼器生成數(shù)據(jù)，優(yōu)點(diǎn)是訓(xùn)練穩(wěn)定（基于最大似然估計(jì)），支持隱空間的概率建模（可插值、采樣），且便于引入條件信息；缺點(diǎn)是生成樣本模糊（因優(yōu)化的是對(duì)數(shù)似然，傾向于平均化），隱空間分布可能與真實(shí)分布存在偏差。3.說(shuō)明多模態(tài)大模型（如GPT-4V）在“視覺(jué)問(wèn)答”（VisualQuestionAnswering,VQA）任務(wù)中的技術(shù)流程。答案：技術(shù)流程包括：（1）多模態(tài)輸入編碼：將圖像輸入視覺(jué)編碼器（如CNN或視覺(jué)Transformer）提取局部和全局特征，文本問(wèn)題輸入語(yǔ)言編碼器（如BERT）提取語(yǔ)義特征；（2）跨模態(tài)對(duì)齊：通過(guò)對(duì)比學(xué)習(xí)或交叉注意力機(jī)制，將視覺(jué)特征與文本特征映射到同一語(yǔ)義空間，建立圖像區(qū)域與問(wèn)題關(guān)鍵詞的關(guān)聯(lián)；（3）融合推理：使用多模態(tài)融合模塊（如交叉注意力層、門(mén)控融合單元）整合視覺(jué)和文本特征，生成對(duì)問(wèn)題的理解表示；（4）答案生成：將融合后的特征輸入語(yǔ)言解碼器（如Transformer解碼器），通過(guò)自回歸生成或分類(lèi)輸出答案。4.解釋AI模型“魯棒性”（Robustness）的含義，并列舉兩種提升模型魯棒性的方法。答案：魯棒性指模型在輸入數(shù)據(jù)存在噪聲、擾動(dòng)或分布偏移時(shí)，仍能保持穩(wěn)定預(yù)測(cè)性能的能力。提升方法包括：（1）對(duì)抗訓(xùn)練：在訓(xùn)練數(shù)據(jù)中添加對(duì)抗樣本（如通過(guò)FGSM生成的擾動(dòng)樣本），強(qiáng)制模型學(xué)習(xí)更魯棒的特征；（2）數(shù)據(jù)增強(qiáng)：對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行多樣化擾動(dòng)（如圖像旋轉(zhuǎn)、加噪，文本同義詞替換），擴(kuò)大模型的輸入分布覆蓋范圍；（3）正則化：通過(guò)L1/L2正則化、Dropout等方法約束模型復(fù)雜度，避免過(guò)擬合到噪聲特征；（4）領(lǐng)域自適應(yīng)：針對(duì)跨領(lǐng)域數(shù)據(jù)分布差異，通過(guò)特征對(duì)齊（如MMD損失）使模型適應(yīng)新領(lǐng)域。5.分析大語(yǔ)言模型（LLM）“涌現(xiàn)能力”（EmergentAbilities）的定義及其對(duì)AI發(fā)展的意義。答案：涌現(xiàn)能力指大語(yǔ)言模型在參數(shù)規(guī)模、數(shù)據(jù)量或計(jì)算量超過(guò)某個(gè)閾值后，突然獲得的小模型不具備的能力（如邏輯推理、多步問(wèn)答、跨語(yǔ)言翻譯）。其意義在于：（1）推動(dòng)通用人工智能（AGI）發(fā)展：涌現(xiàn)能力表明大模型可能通過(guò)規(guī)模擴(kuò)展逼近更通用的智能；（2）改變技術(shù)路徑：傳統(tǒng)“小模型+任務(wù)特定設(shè)計(jì)”轉(zhuǎn)向“大模型+提示工程”，降低任務(wù)適配成本；（3）引發(fā)研究范式變革：需重新理解模型能力的產(chǎn)生機(jī)制，而非僅關(guān)注局部?jī)?yōu)化；（4）帶來(lái)新挑戰(zhàn)：如不可預(yù)測(cè)的涌現(xiàn)行為可能引發(fā)安全風(fēng)險(xiǎn)，需加強(qiáng)對(duì)齊研究。四、案例分析題（20分）某醫(yī)院計(jì)劃引入AI系統(tǒng)輔助乳腺癌早期篩查，使用鉬靶X光圖像（Mammography）進(jìn)行腫瘤檢測(cè)。假設(shè)你是該項(xiàng)目的技術(shù)負(fù)責(zé)人，請(qǐng)?jiān)O(shè)計(jì)一套技術(shù)方案，包括以下內(nèi)容：（1）數(shù)據(jù)準(zhǔn)備與預(yù)處理步驟；（2）模型選擇與架構(gòu)設(shè)計(jì)；（3）模型評(píng)估指標(biāo)與倫理風(fēng)險(xiǎn)控制措施。答案：（1）數(shù)據(jù)準(zhǔn)備與預(yù)處理步驟：①數(shù)據(jù)收集：獲取符合DICOM標(biāo)準(zhǔn)的鉬靶圖像，覆蓋不同年齡、種族的患者，確保數(shù)據(jù)多樣性；標(biāo)注需由3名以上放射科醫(yī)生交叉驗(yàn)證，標(biāo)注內(nèi)容包括腫瘤位置（boundingbox）、類(lèi)型（良性/惡性）、密度分級(jí)（BI-RADS）。②數(shù)據(jù)清洗：剔除低質(zhì)量圖像（如曝光不足、偽影嚴(yán)重），處理標(biāo)注不一致樣本（通過(guò)專(zhuān)家復(fù)標(biāo)或投票機(jī)制修正）。③預(yù)處理：-灰度歸一化：將DICOM圖像的像素值映射到0-255范圍，消除設(shè)備差異；-感興趣區(qū)域（ROI）提?。菏褂没陂撝祷騏-Net的分割模型定位乳腺區(qū)域，去除背景；-數(shù)據(jù)增強(qiáng)：對(duì)訓(xùn)練集進(jìn)行旋轉(zhuǎn)（±15°）、翻轉(zhuǎn)（水平/垂直）、加高斯噪聲（σ=0.01），提升模型泛化性；-平衡類(lèi)別：通過(guò)過(guò)采樣（SMOTE）或加權(quán)損失函數(shù)解決惡性腫瘤樣本少的問(wèn)題。（2）模型選擇與架構(gòu)設(shè)計(jì)：采用多階段檢測(cè)框架：①候選區(qū)域生成：使用FasterR-CNN作為基礎(chǔ)檢測(cè)器，骨干網(wǎng)絡(luò)選擇ResNet-50（兼顧精度與速度），提取圖像多尺度特征（通過(guò)FPN），生成可能的腫瘤候選框。②特征增強(qiáng)：引入注意力機(jī)制（如CBAM），重點(diǎn)關(guān)注腫瘤邊緣、鈣化點(diǎn)等關(guān)鍵特征；結(jié)合臨床先