2025年大學(xué)認(rèn)知科學(xué)與技術(shù)專業(yè)題庫——認(rèn)知科學(xué)與技術(shù)認(rèn)知智能探索考試時間：______分鐘總分：______分姓名：______一、名詞解釋（每小題3分，共15分）1.認(rèn)知神經(jīng)科學(xué)2.深度學(xué)習(xí)3.具身認(rèn)知4.自然語言處理5.機(jī)器學(xué)習(xí)二、簡答題（每小題5分，共20分）1.簡述符號主義和聯(lián)結(jié)主義在認(rèn)知建模中的主要區(qū)別。2.列舉至少三種常用的認(rèn)知神經(jīng)科學(xué)研究方法，并簡述其原理。3.解釋什么是注意，并簡述其在中樞信息處理中的作用。4.描述情感計算在人機(jī)交互中的幾個應(yīng)用場景。三、論述題（每小題10分，共30分）1.論述深度學(xué)習(xí)技術(shù)如何推動了自然語言處理領(lǐng)域的發(fā)展，并舉例說明其在至少兩個具體任務(wù)中的應(yīng)用。2.結(jié)合具體實(shí)例，論述具身認(rèn)知理論對人工智能發(fā)展的啟示。3.探討發(fā)展通用人工智能（AGI）面臨的重大挑戰(zhàn)，并提出可能的應(yīng)對思路。四、計算/應(yīng)用題（共35分）1.假設(shè)你正在設(shè)計一個簡單的圖像識別系統(tǒng)來區(qū)分貓和狗的圖片。請簡述你會采用哪種或哪些深度學(xué)習(xí)模型，并說明選擇該模型的原因。然后，描述你會如何評估該系統(tǒng)的性能。（15分）2.設(shè)有一個數(shù)據(jù)集用于預(yù)測房屋價格，包含房屋面積（平方米）、房間數(shù)量和價格（萬元）三個特征?，F(xiàn)使用線性回歸模型進(jìn)行訓(xùn)練，得到模型參數(shù)（權(quán)重和偏置）分別為：面積權(quán)重=0.5，房間權(quán)重=0.3，偏置=-2。請計算當(dāng)輸入一個面積為100平方米、房間數(shù)量為3的房屋時，該模型的預(yù)測價格。（20分）試卷答案一、名詞解釋1.認(rèn)知神經(jīng)科學(xué)：研究認(rèn)知過程（如感知、記憶、思維、語言等）的神經(jīng)基礎(chǔ)，通過結(jié)合認(rèn)知心理學(xué)、神經(jīng)科學(xué)、語言學(xué)、哲學(xué)、人類學(xué)等多學(xué)科方法，探索大腦如何實(shí)現(xiàn)智能行為的科學(xué)領(lǐng)域。2.深度學(xué)習(xí)：機(jī)器學(xué)習(xí)的一個分支，通過構(gòu)建具有多層（深度）非線性處理單元的人工神經(jīng)網(wǎng)絡(luò)，模擬人腦的學(xué)習(xí)過程，能夠從大量數(shù)據(jù)中自動學(xué)習(xí)復(fù)雜的模式和特征表示。3.具身認(rèn)知：一種認(rèn)知理論，認(rèn)為認(rèn)知過程不僅僅發(fā)生在大腦中，而是身體、大腦與環(huán)境相互作用的結(jié)果，強(qiáng)調(diào)身體的存在、狀態(tài)和行動在認(rèn)知形成中的核心作用。4.自然語言處理：計算機(jī)科學(xué)和人工智能的一個子領(lǐng)域，致力于研究如何讓計算機(jī)能夠理解、解釋、生成和與人類進(jìn)行自然語言（如中文、英文）的交互。5.機(jī)器學(xué)習(xí)：人工智能的一個核心領(lǐng)域，研究如何讓計算機(jī)系統(tǒng)利用經(jīng)驗(yàn)（數(shù)據(jù)）自動改進(jìn)其性能，而無需進(jìn)行顯式編程。它專注于開發(fā)算法使計算機(jī)能夠從數(shù)據(jù)中學(xué)習(xí)。二、簡答題1.簡述符號主義和聯(lián)結(jié)主義在認(rèn)知建模中的主要區(qū)別。*符號主義：認(rèn)為智能源于符號操作和推理。模型通常使用符號表示知識，通過邏輯規(guī)則進(jìn)行推理。強(qiáng)調(diào)表征（what）和過程（how），認(rèn)為思維是內(nèi)部的、抽象的符號манипуляции。例如，專家系統(tǒng)。*聯(lián)結(jié)主義：模仿人腦神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)，認(rèn)為智能源于大量簡單處理單元的相互連接和并行處理。模型使用神經(jīng)網(wǎng)絡(luò)，通過調(diào)整連接權(quán)重來學(xué)習(xí)數(shù)據(jù)中的模式。強(qiáng)調(diào)分布式表征和并行計算，認(rèn)為思維是底層的、基于計算的。*主要區(qū)別在于對智能本質(zhì)的假設(shè)、知識表示方式、信息處理機(jī)制和學(xué)習(xí)過程。2.列舉至少三種常用的認(rèn)知神經(jīng)科學(xué)研究方法，并簡述其原理。*功能性磁共振成像（fMRI）：原理是基于“血氧水平依賴”效應(yīng)，即神經(jīng)元活動增強(qiáng)時，局部血氧含量會發(fā)生變化，導(dǎo)致大腦皮層特定區(qū)域在BOLD信號（血氧水平依賴信號）上呈現(xiàn)波動。通過檢測這些波動，可以間接推斷神經(jīng)活動的時空分布。*腦電圖（EEG）：原理是記錄頭皮上由大量神經(jīng)元同步放電產(chǎn)生的電活動總和。具有極高的時間分辨率（毫秒級），但空間分辨率相對較低。常用于研究事件相關(guān)電位（ERP），即特定認(rèn)知事件引發(fā)的規(guī)律性腦電波變化。*經(jīng)顱磁刺激（TMS）：原理是利用時變磁場在顱外產(chǎn)生一個短暫的、局部的感應(yīng)電流，從而非侵入性地暫時改變特定腦區(qū)的神經(jīng)元活動?？捎糜诖_定特定腦區(qū)在認(rèn)知任務(wù)中的作用，或研究大腦連接的功能。3.解釋什么是注意，并簡述其在中樞信息處理中的作用。*注意：是指心理活動對一定對象的選擇性指向和集中。它使得個體能夠從眾多刺激中選擇出Relevant的信息進(jìn)行加工，同時抑制無關(guān)信息的干擾。*作用：*篩選信息：在信息過載的環(huán)境下，注意如同一個過濾器，幫助大腦選擇最I(lǐng)mportant或最Relevant的信息進(jìn)行深入處理，忽略無關(guān)細(xì)節(jié)。*資源分配：將有限的認(rèn)知資源（如處理能力、工作記憶容量）優(yōu)先分配給當(dāng)前任務(wù)的關(guān)鍵部分，確保任務(wù)的順利完成。*提高加工深度和準(zhǔn)確性：被注意到的信息更容易被編碼、存儲和提取，處理也更精細(xì)、更準(zhǔn)確。*維持和監(jiān)控：使個體能夠持續(xù)關(guān)注目標(biāo)對象或任務(wù)狀態(tài)，并進(jìn)行必要的監(jiān)控和調(diào)整。4.描述情感計算在人機(jī)交互中的幾個應(yīng)用場景。*用戶情感識別與適應(yīng)：通過分析用戶的語音語調(diào)、面部表情、生理信號（如心率）等，判斷用戶的情緒狀態(tài)（如高興、悲傷、憤怒、疲勞），并據(jù)此調(diào)整系統(tǒng)響應(yīng)方式（如改變界面風(fēng)格、調(diào)整交互節(jié)奏、提供安慰性信息或推薦內(nèi)容）。*情感化娛樂與教育：設(shè)計能夠理解和回應(yīng)用戶情感的虛擬角色或游戲伙伴，提供更具沉浸感和互動性的娛樂體驗(yàn)。在教育領(lǐng)域，系統(tǒng)能感知學(xué)生的學(xué)習(xí)情緒，適時給予鼓勵或調(diào)整教學(xué)策略。*輔助機(jī)器人交互：使服務(wù)機(jī)器人（如陪伴機(jī)器人、導(dǎo)覽機(jī)器人）能夠理解人類的情感需求，做出更自然、更體貼的反應(yīng)，提升人機(jī)交互的自然度和友好度。*可用性評估與界面設(shè)計：通過監(jiān)測用戶在操作界面時的情感反應(yīng)，評估界面的易用性和用戶體驗(yàn)，為界面設(shè)計提供改進(jìn)依據(jù)。三、論述題1.論述深度學(xué)習(xí)技術(shù)如何推動了自然語言處理領(lǐng)域的發(fā)展，并舉例說明其在至少兩個具體任務(wù)中的應(yīng)用。*深度學(xué)習(xí)通過其強(qiáng)大的特征自動學(xué)習(xí)能力和端到端的學(xué)習(xí)范式，極大地推動了自然語言處理（NLP）領(lǐng)域的發(fā)展。*特征自動學(xué)習(xí)：傳統(tǒng)NLP方法往往需要人工設(shè)計復(fù)雜的特征（如詞性標(biāo)注、句法依存關(guān)系等），而深度學(xué)習(xí)模型（特別是卷積神經(jīng)網(wǎng)絡(luò)CNN、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN及其變種LSTM、Transformer等）能夠從原始文本數(shù)據(jù)中自動學(xué)習(xí)到有效的、層次化的特征表示，無需大量人工干預(yù)，顯著提升了模型性能。*端到端學(xué)習(xí)：深度學(xué)習(xí)模型可以構(gòu)建從輸入文本到最終輸出結(jié)果的直接映射，簡化了多階段處理流程，減少了信息損失和錯誤累積。*上下文理解：Transformer等模型通過自注意力機(jī)制，能夠捕捉文本中長距離的依賴關(guān)系和上下文信息，使得模型對語義的理解更加深入和準(zhǔn)確。*具體應(yīng)用實(shí)例：*機(jī)器翻譯：基于Transformer的神經(jīng)機(jī)器翻譯（NMT）系統(tǒng)取代了傳統(tǒng)的基于規(guī)則和統(tǒng)計機(jī)器翻譯方法，在翻譯質(zhì)量上取得了突破性進(jìn)展，能夠生成更流暢、更自然的譯文。*文本摘要：深度學(xué)習(xí)模型（如基于RNN或Transformer的序列到序列模型）能夠自動學(xué)習(xí)文本的關(guān)鍵信息，生成簡潔、準(zhǔn)確、連貫的摘要，顯著提高了摘要生成的效率和質(zhì)量。2.結(jié)合具體實(shí)例，論述具身認(rèn)知理論對人工智能發(fā)展的啟示。*具身認(rèn)知理論強(qiáng)調(diào)認(rèn)知與身體、環(huán)境之間的緊密聯(lián)系，為人工智能的發(fā)展提供了新的視角和啟示。*啟示一：構(gòu)建更真實(shí)的智能體。傳統(tǒng)的AI系統(tǒng)往往是“disembodied”（與身體分離）的，主要依賴符號和計算。具身認(rèn)知啟示我們，智能離不開身體與環(huán)境的互動。未來的AI系統(tǒng)應(yīng)具備物理形態(tài)（如機(jī)器人），能夠通過感知（視覺、觸覺等）與環(huán)境互動，并通過行動（移動、操作等）改變環(huán)境，從而學(xué)習(xí)和發(fā)展智能。例如，發(fā)展能夠像人類一樣在真實(shí)環(huán)境中學(xué)習(xí)導(dǎo)航和操作的移動機(jī)器人。*啟示二：重視感覺運(yùn)動系統(tǒng)的作用。具身認(rèn)知認(rèn)為感覺和運(yùn)動系統(tǒng)不僅是認(rèn)知的輸入和輸出通道，更是認(rèn)知過程本身的重要組成部分。這啟示AI在設(shè)計和實(shí)現(xiàn)模型時應(yīng)更重視感知和運(yùn)動能力的結(jié)合。例如，在機(jī)器人控制中，結(jié)合視覺感知和觸覺反饋進(jìn)行更精細(xì)的操作；在語言理解中，考慮語音的物理產(chǎn)生過程和聽覺感知特性。*啟示三：探索新的認(rèn)知架構(gòu)。具身認(rèn)知挑戰(zhàn)了純粹基于符號或抽象計算的認(rèn)知模型。它啟示AI研究者探索更貼近生物智能的、基于感知-行動循環(huán)的認(rèn)知架構(gòu)。例如，研究如何讓神經(jīng)網(wǎng)絡(luò)模擬感官輸入的處理和運(yùn)動輸出的規(guī)劃；開發(fā)能夠通過與環(huán)境交互進(jìn)行自組織的AI系統(tǒng)。*啟示四：關(guān)注認(rèn)知的生態(tài)和情境性。具身認(rèn)知強(qiáng)調(diào)認(rèn)知是在特定的生態(tài)和情境中產(chǎn)生的。這啟示AI系統(tǒng)不應(yīng)僅僅處理抽象數(shù)據(jù)，而應(yīng)理解任務(wù)發(fā)生的具體情境，并適應(yīng)不同的環(huán)境條件。例如，開發(fā)能夠理解對話發(fā)生在何種社交場合的智能對話系統(tǒng)。3.探討發(fā)展通用人工智能（AGI）面臨的重大挑戰(zhàn)，并提出可能的應(yīng)對思路。*通用人工智能（AGI）指的是具備與人類相當(dāng)甚至超越人類的認(rèn)知能力的智能體，能夠理解、學(xué)習(xí)和應(yīng)用知識于廣泛任務(wù)，表現(xiàn)出常識推理、自主規(guī)劃、情感理解等能力。發(fā)展AGI面臨諸多重大挑戰(zhàn)：*挑戰(zhàn)一：知識與常識的獲取與整合。人類擁有海量的常識知識，且能靈活運(yùn)用。讓機(jī)器獲得如此廣闊、隱含、情境化的常識是一個巨大難題。當(dāng)前AI大多依賴大量標(biāo)注數(shù)據(jù)進(jìn)行學(xué)習(xí)，但常識往往難以形式化和標(biāo)注。*應(yīng)對思路：探索從非結(jié)構(gòu)化文本（如百科、小說）中自動抽取常識的方法；研究如何結(jié)合符號推理與神經(jīng)網(wǎng)絡(luò)，存儲和運(yùn)用顯性知識與隱性常識；發(fā)展能夠通過與模擬或真實(shí)環(huán)境交互來習(xí)得常識的機(jī)制。*挑戰(zhàn)二：真正的理解與推理能力。AGI需要具備對世界基本規(guī)律的深刻理解，并進(jìn)行靈活的、類似人類的推理。目前的AI大多是基于模式匹配的“弱理解”，缺乏深層語義和因果推理能力。*應(yīng)對思路：發(fā)展能夠進(jìn)行因果推理的模型；研究如何讓AI具備跨領(lǐng)域的遷移學(xué)習(xí)能力，將一個領(lǐng)域的知識理解應(yīng)用于新領(lǐng)域；增強(qiáng)AI的常識推理能力，使其能夠進(jìn)行符合物理和社交規(guī)則的推斷。*挑戰(zhàn)三：自主性、創(chuàng)造性與目標(biāo)設(shè)定。AGI應(yīng)能設(shè)定自己的目標(biāo)（或在指導(dǎo)下設(shè)定），并自主地規(guī)劃、執(zhí)行和調(diào)整策略，具備一定的創(chuàng)造力。目前AI的目標(biāo)通常是外在設(shè)定的，自主性和創(chuàng)造性有限。*應(yīng)對思路：研究內(nèi)在動機(jī)和目標(biāo)驅(qū)動的學(xué)習(xí)算法；探索允許AI在倫理框架內(nèi)進(jìn)行目標(biāo)探索和自主決策的機(jī)制；發(fā)展能夠生成新穎、有用想法的生成模型。*挑戰(zhàn)四：意識、情感與社會智能的模擬。AGI是否需要（或如何實(shí)現(xiàn)）類似人類的意識、情感和社會智能，仍是開放問題。這些能力與高級認(rèn)知功能緊密相關(guān)。*應(yīng)對思路：深入研究意識、情感的社會認(rèn)知神經(jīng)科學(xué)基礎(chǔ)；探索模擬這些高級功能的計算模型；研究如何讓AI更好地理解人類情感，進(jìn)行自然、有同理心的交互。*挑戰(zhàn)五：安全性與倫理問題。強(qiáng)大的AGI可能帶來不可預(yù)測的風(fēng)險。如何確保其目標(biāo)與人類價值觀一致（對齊問題），以及如何控制其潛在能力，是至關(guān)重要的問題。*應(yīng)對思路：大力發(fā)展AI安全和對齊研究，包括可解釋性AI、價值學(xué)習(xí)、魯棒性控制等；建立完善的倫理規(guī)范和監(jiān)管框架；進(jìn)行充分的測試和風(fēng)險評估。四、計算/應(yīng)用題1.假設(shè)你正在設(shè)計一個簡單的圖像識別系統(tǒng)來區(qū)分貓和狗的圖片。請簡述你會采用哪種或哪些深度學(xué)習(xí)模型，并說明選擇該模型的原因。然后，描述你會如何評估該系統(tǒng)的性能。*模型選擇與原因：*首選模型：卷積神經(jīng)網(wǎng)絡(luò)（CNN）。原因：CNN在圖像識別任務(wù)中表現(xiàn)出色，能夠自動學(xué)習(xí)圖像的局部特征（如邊緣、紋理、部件）和空間層次結(jié)構(gòu)特征。其卷積層和池化層能夠有效提取和壓縮圖像信息，減少參數(shù)量，提高泛化能力。許多成熟且性能優(yōu)異的CNN架構(gòu)（如VGG,ResNet,EfficientNet等）可以直接使用或作為基礎(chǔ)進(jìn)行改進(jìn)。*備選模型/補(bǔ)充：如果需要考慮圖像的順序或全局上下文，可以考慮將CNN的輸出與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或Transformer結(jié)合，形成CNN-RNN或CNN-Transformer模型。對于極小數(shù)據(jù)集，可以采用遷移學(xué)習(xí)，使用在大規(guī)模數(shù)據(jù)集（如ImageNet）上預(yù)訓(xùn)練的CNN模型，并在少量貓狗數(shù)據(jù)上進(jìn)行微調(diào)。*性能評估方法：*數(shù)據(jù)集劃分：將收集到的貓狗圖片數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。訓(xùn)練集用于模型參數(shù)學(xué)習(xí)，驗(yàn)證集用于調(diào)整超參數(shù)和模型選擇，測試集用于最終評估模型性能，確保評估結(jié)果的客觀性。*評估指標(biāo)：*整體準(zhǔn)確率（Accuracy）：衡量模型正確分類樣本的比例，是基本的評估指標(biāo)。*混淆矩陣（ConfusionMatrix）：顯示模型在各個類別上的分類結(jié)果，可以清晰地看到模型在區(qū)分貓和狗時具體是哪些類別容易被混淆，有助于分析模型弱點(diǎn)。*精確率（Precision）與召回率（Recall）：精確率衡量模型預(yù)測為正類的樣本中真正是正類的比例；召回率衡量所有正類樣本中被模型正確預(yù)測出來的比例。對于類別不平衡的數(shù)據(jù)集（如果貓狗數(shù)量不均），這兩個指標(biāo)比準(zhǔn)確率更有意義。*