2025年計算機技術(shù)與應(yīng)用考試試卷及答案一、單項選擇題（每題2分，共20分）1.2025年主流通用大語言模型（如GPT-5、文心大模型4.0）的典型參數(shù)量級為：A.10億級B.100億級C.千億級D.萬億級2.以下哪項不屬于量子計算的核心物理實現(xiàn)方案？A.超導(dǎo)量子比特B.離子阱C.光子量子比特D.馮·諾依曼架構(gòu)3.邊緣計算中，“邊緣節(jié)點”的典型部署位置是：A.數(shù)據(jù)中心機房B.終端設(shè)備（如手機）C.運營商基站或企業(yè)本地服務(wù)器D.衛(wèi)星通信中繼站4.RISC-V架構(gòu)的核心優(yōu)勢是：A.完全開源免費B.支持復(fù)雜指令集C.與x86架構(gòu)完全兼容D.僅適用于移動端5.生成式AI（AIGC）中，“幻覺（Hallucination）”問題指的是：A.模型生成內(nèi)容與訓練數(shù)據(jù)完全一致B.模型生成無事實依據(jù)的錯誤信息C.模型對輸入數(shù)據(jù)產(chǎn)生視覺錯覺D.模型訓練時出現(xiàn)梯度消失6.隱私計算中，“聯(lián)邦學習”的主要目標是：A.在不共享原始數(shù)據(jù)的前提下聯(lián)合訓練模型B.加密所有訓練數(shù)據(jù)后集中存儲C.僅使用公開數(shù)據(jù)訓練模型D.提高模型的計算速度7.2025年主流GPU（如NVIDIAH200）的主要架構(gòu)升級方向是：A.提升單精度浮點運算（FP32）能力B.強化稀疏計算與Transformer優(yōu)化C.降低晶體管密度以減少功耗D.完全替代CPU功能8.以下哪項屬于“數(shù)字孿生”在智能制造中的典型應(yīng)用？A.實時監(jiān)控生產(chǎn)線溫度B.基于歷史數(shù)據(jù)預(yù)測設(shè)備故障C.在虛擬環(huán)境中模擬生產(chǎn)線調(diào)整后的運行效果D.統(tǒng)計產(chǎn)品合格率9.區(qū)塊鏈技術(shù)中，“零知識證明（ZKP）”的核心作用是：A.提高區(qū)塊鏈的交易吞吐量B.驗證信息真實性而不泄露具體內(nèi)容C.替代共識算法（如PoW）D.增強區(qū)塊鏈的匿名性10.2025年，以下哪種技術(shù)最可能成為智能駕駛汽車的“最后一公里”決策核心？A.高精度地圖B.多模態(tài)大模型（融合視覺、激光雷達、雷達數(shù)據(jù)）C.4G通信D.傳統(tǒng)規(guī)則式?jīng)Q策算法二、填空題（每題2分，共20分）1.大語言模型的“上下文窗口”指模型能夠處理的_________最大長度，2025年主流模型已支持_________級長度。2.量子計算中的“量子比特（Qubit）”可以同時處于_________和_________的疊加態(tài)。3.邊緣計算的三層架構(gòu)通常包括_________、邊緣節(jié)點層和_________。4.RISC-V架構(gòu)通過_________機制支持不同場景的擴展，其基礎(chǔ)指令集包含_________條基本指令。5.生成式AI的“對齊（Alignment）”訓練主要解決模型輸出與_________的匹配問題，常用方法包括_________和人類反饋強化學習（RLHF）。6.隱私計算的三大核心技術(shù)路徑是聯(lián)邦學習、_________和_________。7.MLOps（機器學習運維）的關(guān)鍵環(huán)節(jié)包括模型開發(fā)、_________、_________和監(jiān)控迭代。8.數(shù)字孿生系統(tǒng)的核心組成包括物理實體、_________、_________和交互接口。9.區(qū)塊鏈的“分片（Sharding）”技術(shù)通過將網(wǎng)絡(luò)劃分為_________來提高_________。10.智能駕駛的“車路協(xié)同（V2X）”中，“V2I”指車輛與_________的通信，“V2N”指車輛與_________的通信。三、簡答題（每題8分，共40分）1.簡述大語言模型（LLM）的“微調(diào)（Fine-tuning）”與“提示工程（PromptEngineering）”的區(qū)別，并說明2025年主流微調(diào)技術(shù)（如LoRA、QLoRA）的優(yōu)勢。2.量子計算當前的主要瓶頸是什么？列舉2025年可能實現(xiàn)的量子計算實際應(yīng)用場景（至少3個）。3.邊緣計算與云計算的協(xié)同模式有哪幾種？說明“云邊端一體化”在智慧城市中的具體應(yīng)用（如交通管理）。4.生成式AI（AIGC）在內(nèi)容創(chuàng)作領(lǐng)域（如文案、設(shè)計）的核心價值是什么？需解決哪些倫理與法律問題？5.對比x86、ARM、RISC-V三種處理器架構(gòu)，分析RISC-V在物聯(lián)網(wǎng)（IoT）設(shè)備中的適配優(yōu)勢。四、綜合應(yīng)用題（20分）某醫(yī)院計劃構(gòu)建基于隱私計算的跨機構(gòu)醫(yī)療數(shù)據(jù)聯(lián)合分析平臺，目標是在不共享原始病歷的前提下，聯(lián)合3家醫(yī)院的糖尿病患者數(shù)據(jù)訓練預(yù)測模型（需分析年齡、BMI、血糖值、用藥史等特征與并發(fā)癥的關(guān)系）。請設(shè)計該平臺的技術(shù)方案，要求包含以下內(nèi)容：（1）核心技術(shù)選型（如聯(lián)邦學習類型、加密算法）；（2）數(shù)據(jù)預(yù)處理與特征對齊的具體步驟；（3）模型訓練流程（包括參數(shù)交換與安全驗證）；（4）模型評估與結(jié)果共享的合規(guī)性設(shè)計。答案一、單項選擇題1.C（2025年主流大模型參數(shù)量已突破千億級，部分專用模型達萬億級）2.D（馮·諾依曼是經(jīng)典計算架構(gòu)，非量子計算方案）3.C（邊緣節(jié)點通常部署在靠近終端的本地服務(wù)器或基站，平衡延遲與算力）4.A（RISC-V完全開源，支持模塊化擴展，不強制兼容其他架構(gòu)）5.B（幻覺指模型生成無事實依據(jù)的錯誤內(nèi)容，是AIGC的核心挑戰(zhàn)）6.A（聯(lián)邦學習通過本地訓練、參數(shù)交換實現(xiàn)“數(shù)據(jù)可用不可見”）7.B（2025年GPU重點優(yōu)化稀疏計算、Transformer架構(gòu)，適配大模型推理）8.C（數(shù)字孿生的核心是虛擬環(huán)境模擬物理實體的全生命周期）9.B（零知識證明可在不泄露信息的情況下驗證真實性，如區(qū)塊鏈隱私交易）10.B（多模態(tài)大模型能融合多傳感器數(shù)據(jù)，提升復(fù)雜場景決策能力）二、填空題1.連續(xù)文本；萬詞（或“10k”）2.0態(tài)；1態(tài)（或“基態(tài)；激發(fā)態(tài)”）3.終端設(shè)備層；云中心層4.模塊化擴展；475.人類價值觀；監(jiān)督微調(diào)（SFT）6.安全多方計算（MPC）；可信執(zhí)行環(huán)境（TEE）7.模型部署；模型監(jiān)控8.虛擬模型；服務(wù)系統(tǒng)9.多個分片；交易處理效率（或“吞吐量”）10.基礎(chǔ)設(shè)施（如信號燈）；網(wǎng)絡(luò)（或“云端”）三、簡答題1.區(qū)別：微調(diào)是通過少量特定任務(wù)數(shù)據(jù)調(diào)整模型參數(shù)，提升任務(wù)專用性；提示工程是通過設(shè)計輸入文本引導(dǎo)模型輸出，不修改模型參數(shù)。2025年主流微調(diào)技術(shù)優(yōu)勢：LoRA（低秩適配）僅訓練少量可訓練參數(shù)（如矩陣分解后的低秩矩陣），大幅降低計算與存儲成本；QLoRA結(jié)合量化技術(shù)（如4位/8位量化），進一步減少內(nèi)存占用，支持在消費級GPU上微調(diào)千億模型。2.主要瓶頸：量子比特的相干時間短（易受噪聲干擾）、糾錯技術(shù)復(fù)雜、量子體積（QuantumVolume）不足。2025年應(yīng)用場景：①化學分子模擬（如新藥研發(fā)中的蛋白質(zhì)折疊預(yù)測）；②金融投資組合優(yōu)化（量子退火解決NP難問題）；③密碼學攻擊（如破解RSA加密的預(yù)研）。3.協(xié)同模式：①邊緣預(yù)處理+云端深度計算（邊緣過濾冗余數(shù)據(jù)，云端處理復(fù)雜任務(wù)）；②云端模型下發(fā)+邊緣推理（如AI模型在云端訓練后部署到邊緣節(jié)點）；③云邊協(xié)同訓練（聯(lián)邦學習中邊緣與云端參數(shù)交互）。智慧城市交通管理：路口攝像頭（端）實時采集車流數(shù)據(jù)，邊緣節(jié)點（路口服務(wù)器）快速分析擁堵狀態(tài)并調(diào)整信號燈；復(fù)雜預(yù)測（如區(qū)域車流趨勢）上傳云端，結(jié)合歷史數(shù)據(jù)與天氣等外部信息生成全局調(diào)度策略，再下發(fā)邊緣節(jié)點執(zhí)行。4.核心價值：提升內(nèi)容生產(chǎn)效率（如自動生成廣告文案、設(shè)計初稿）、降低創(chuàng)作門檻（非專業(yè)用戶可生成高質(zhì)量內(nèi)容）、支持個性化（根據(jù)用戶偏好定制內(nèi)容）。倫理與法律問題：①版權(quán)爭議（生成內(nèi)容是否侵權(quán)訓練數(shù)據(jù)中的版權(quán)作品）；②虛假信息（如偽造新聞、Deepfake視頻）；③偏見傳播（模型繼承訓練數(shù)據(jù)中的性別、種族偏見）；④數(shù)據(jù)隱私（訓練數(shù)據(jù)可能包含個人敏感信息）。5.架構(gòu)對比：x86（復(fù)雜指令集，性能強但閉源、授權(quán)費高）；ARM（精簡指令集，低功耗但部分核心閉源）；RISC-V（完全開源、模塊化、可定制）。IoT適配優(yōu)勢：①開源免費降低開發(fā)成本；②模塊化設(shè)計可根據(jù)IoT設(shè)備需求（如低功耗、小面積）裁剪指令集；③支持RISC-V的輕量級操作系統(tǒng)（如Zephyr）適配低算力終端；④避免ARM/Intel的專利限制，適合物聯(lián)網(wǎng)設(shè)備的多樣化場景（如傳感器、智能家居終端）。四、綜合應(yīng)用題技術(shù)方案設(shè)計：（1）核心技術(shù)選型：-聯(lián)邦學習類型：選擇橫向聯(lián)邦學習（3家醫(yī)院數(shù)據(jù)特征相同，樣本不同）；-加密算法：使用同態(tài)加密（如Paillier算法）保護梯度參數(shù)，結(jié)合安全多方計算（MPC）驗證參數(shù)有效性；-可信執(zhí)行環(huán)境（TEE）：在各醫(yī)院服務(wù)器部署SGX/SEV等硬件隔離環(huán)境，防止本地數(shù)據(jù)泄露。（2）數(shù)據(jù)預(yù)處理與特征對齊：①數(shù)據(jù)清洗：各醫(yī)院本地去除缺失值超過30%的記錄，標準化年齡（分箱）、BMI（正態(tài)化）、血糖值（單位統(tǒng)一）等特征；②特征對齊：通過哈希映射統(tǒng)一用藥史的編碼（如“胰島素”統(tǒng)一為Code001），使用隱私集合交集（PSI）技術(shù)在加密狀態(tài)下確認共同特征（如排除僅某家醫(yī)院存在的罕見特征）；③標簽統(tǒng)一：并發(fā)癥類型按ICD-11編碼對齊，確?！疤悄虿∧I病”等標簽定義一致。（3）模型訓練流程：①初始化：云端服務(wù)器生成初始模型（如XGBoost或輕量級神經(jīng)網(wǎng)絡(luò)），參數(shù)加密后下發(fā)各醫(yī)院；②本地訓練：各醫(yī)院在TEE中使用本地數(shù)據(jù)計算梯度，用同態(tài)加密對梯度加密后上傳云端；③參數(shù)聚合：云端對加密梯度加權(quán)平均（權(quán)重根據(jù)各醫(yī)院樣本量分配），生成新模型參數(shù)，加密后返回各醫(yī)院；④迭代優(yōu)化：重復(fù)上述步驟直至模型收斂（損失函數(shù)低于閾值或達到最大迭代次數(shù)）；⑤安全驗證：每次參數(shù)上傳前，各醫(yī)院通過MPC驗證梯度的合理性（如梯度范圍是否在正常區(qū)間），防止投毒攻擊。（4）模型評估與合規(guī)性設(shè)計：①模型評估：各醫(yī)院在本地保留20%測試數(shù)據(jù)，用最終模型預(yù)測并發(fā)癥風險