2025年人工智能基礎(chǔ)知識(shí)考試題及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪項(xiàng)不屬于機(jī)器學(xué)習(xí)的經(jīng)典任務(wù)類型？A.分類（Classification）B.回歸（Regression）C.聚類（Clustering）D.編譯（Compilation）2.梯度下降算法中，“批量梯度下降（BatchGradientDescent）”的主要特點(diǎn)是？A.每次僅用一個(gè)樣本更新參數(shù)，訓(xùn)練速度快但波動(dòng)大B.每次用全部樣本計(jì)算梯度，訓(xùn)練穩(wěn)定但計(jì)算成本高C.每次用小批量樣本計(jì)算梯度，平衡速度與穩(wěn)定性D.不依賴梯度信息，通過(guò)隨機(jī)搜索優(yōu)化參數(shù)3.在神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)的主要作用是？A.加速參數(shù)初始化B.引入非線性特征，增強(qiáng)模型表達(dá)能力C.減少計(jì)算復(fù)雜度D.防止過(guò)擬合4.以下哪項(xiàng)是Transformer模型的核心機(jī)制？A.卷積操作（Convolution）B.循環(huán)結(jié)構(gòu)（RecurrentUnit）C.注意力機(jī)制（AttentionMechanism）D.殘差連接（ResidualConnection）5.自然語(yǔ)言處理（NLP）中，“詞嵌入（WordEmbedding）”的主要目的是？A.將文本轉(zhuǎn)換為固定長(zhǎng)度的向量，捕捉語(yǔ)義相關(guān)性B.統(tǒng)計(jì)詞語(yǔ)出現(xiàn)頻率，構(gòu)建詞袋模型C.識(shí)別句子中的實(shí)體和關(guān)系D.生成符合語(yǔ)法的新句子6.以下哪種算法屬于無(wú)監(jiān)督學(xué)習(xí)？A.支持向量機(jī)（SVM）用于二分類B.K-means聚類C.線性回歸預(yù)測(cè)房?jī)r(jià)D.隨機(jī)森林預(yù)測(cè)客戶流失7.在計(jì)算機(jī)視覺(jué)中，“目標(biāo)檢測(cè)（ObjectDetection）”與“圖像分類（ImageClassification）”的主要區(qū)別是？A.目標(biāo)檢測(cè)需要定位物體位置，分類僅判斷整體類別B.目標(biāo)檢測(cè)使用卷積神經(jīng)網(wǎng)絡(luò)，分類使用循環(huán)神經(jīng)網(wǎng)絡(luò)C.目標(biāo)檢測(cè)處理單張圖像，分類處理視頻序列D.目標(biāo)檢測(cè)關(guān)注像素級(jí)分割，分類關(guān)注全局特征8.以下哪項(xiàng)是生成式對(duì)抗網(wǎng)絡(luò)（GAN）的核心思想？A.通過(guò)兩個(gè)網(wǎng)絡(luò)（生成器與判別器）的對(duì)抗訓(xùn)練，生成逼真數(shù)據(jù)B.使用自編碼器壓縮數(shù)據(jù)，再重構(gòu)原始數(shù)據(jù)C.通過(guò)強(qiáng)化學(xué)習(xí)優(yōu)化策略，最大化獎(jiǎng)勵(lì)D.利用遷移學(xué)習(xí)將預(yù)訓(xùn)練模型適配到新任務(wù)9.以下哪種技術(shù)可用于緩解神經(jīng)網(wǎng)絡(luò)的過(guò)擬合問(wèn)題？A.增加模型層數(shù)B.數(shù)據(jù)增強(qiáng)（DataAugmentation）C.減少訓(xùn)練數(shù)據(jù)量D.提高學(xué)習(xí)率10.AI倫理中，“算法偏見(jiàn)（AlgorithmBias）”的主要成因是？A.計(jì)算硬件性能差異B.訓(xùn)練數(shù)據(jù)中存在偏見(jiàn)或代表性不足C.模型參數(shù)初始化隨機(jī)D.算法復(fù)雜度過(guò)高二、填空題（每空2分，共20分）1.機(jī)器學(xué)習(xí)的三要素是數(shù)據(jù)、模型和__________。2.深度學(xué)習(xí)中，常用的激活函數(shù)包括ReLU（修正線性單元）、Sigmoid和__________（寫(xiě)出一種）。3.自然語(yǔ)言處理中的“BERT”模型基于__________架構(gòu)（填寫(xiě)模型名稱）。4.強(qiáng)化學(xué)習(xí)的核心要素包括智能體（Agent）、環(huán)境（Environment）、狀態(tài)（State）、動(dòng)作（Action）和__________。5.計(jì)算機(jī)視覺(jué)中，“語(yǔ)義分割（SemanticSegmentation）”的目標(biāo)是為圖像中每個(gè)__________分配類別標(biāo)簽。6.決策樹(shù)算法中，常用的劃分標(biāo)準(zhǔn)有信息增益（ID3）、信息增益率（C4.5）和__________（寫(xiě)出一種）。7.遷移學(xué)習(xí)的常見(jiàn)類型包括__________遷移（將源任務(wù)知識(shí)遷移到目標(biāo)任務(wù)）和跨領(lǐng)域遷移。8.生成式AI中，除GAN外，另一種主流模型是__________（如GPT系列）。9.評(píng)估分類模型性能的常用指標(biāo)包括準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）和__________（F1分?jǐn)?shù)）。10.AI系統(tǒng)的可解釋性（Explainability）指模型能夠以__________的方式說(shuō)明其決策過(guò)程。三、簡(jiǎn)答題（每題8分，共40分）1.簡(jiǎn)述監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)的區(qū)別，并各舉一個(gè)典型應(yīng)用場(chǎng)景。2.解釋卷積神經(jīng)網(wǎng)絡(luò)（CNN）中“卷積層”和“池化層”的作用。3.對(duì)比隨機(jī)森林（RandomForest）與梯度提升樹(shù)（GradientBoostingDecisionTree,GBDT）的異同。4.什么是多模態(tài)學(xué)習(xí)（MultimodalLearning）？列舉其典型應(yīng)用場(chǎng)景。5.說(shuō)明AI倫理中“公平性（Fairness）”的內(nèi)涵，并提出一種緩解算法不公平的方法。四、綜合題（共20分）某公司計(jì)劃開(kāi)發(fā)一個(gè)“智能醫(yī)療影像診斷系統(tǒng)”，用于輔助醫(yī)生識(shí)別肺部CT圖像中的結(jié)節(jié)（可能為良性或惡性）。請(qǐng)結(jié)合人工智能技術(shù)，完成以下任務(wù)：（1）設(shè)計(jì)該系統(tǒng)的核心技術(shù)流程（需包含數(shù)據(jù)處理、模型選擇、訓(xùn)練與評(píng)估環(huán)節(jié)）；（10分）（2）分析該系統(tǒng)可能面臨的技術(shù)挑戰(zhàn)與倫理風(fēng)險(xiǎn)，并提出應(yīng)對(duì)策略。（10分）答案一、單項(xiàng)選擇題1.D（編譯屬于計(jì)算機(jī)語(yǔ)言處理，非機(jī)器學(xué)習(xí)任務(wù)）2.B（批量梯度下降使用全部樣本計(jì)算梯度，穩(wěn)定性高但計(jì)算成本高）3.B（激活函數(shù)通過(guò)非線性變換增強(qiáng)模型表達(dá)能力）4.C（Transformer的核心是自注意力機(jī)制）5.A（詞嵌入將文本轉(zhuǎn)換為低維稠密向量，捕捉語(yǔ)義關(guān)聯(lián)）6.B（K-means是無(wú)監(jiān)督聚類算法）7.A（目標(biāo)檢測(cè)需定位物體位置，分類僅判斷整體類別）8.A（GAN通過(guò)生成器與判別器對(duì)抗訓(xùn)練生成數(shù)據(jù)）9.B（數(shù)據(jù)增強(qiáng)通過(guò)增加訓(xùn)練數(shù)據(jù)多樣性緩解過(guò)擬合）10.B（訓(xùn)練數(shù)據(jù)的偏見(jiàn)是算法偏見(jiàn)的主要成因）二、填空題1.算法（或“學(xué)習(xí)準(zhǔn)則”）2.Tanh（或LeakyReLU等）3.Transformer（或“雙向Transformer”）4.獎(jiǎng)勵(lì)（Reward）5.像素（或“像素點(diǎn)”）6.基尼指數(shù)（GiniIndex，對(duì)應(yīng)CART算法）7.任務(wù)（或“同領(lǐng)域”）8.大語(yǔ)言模型（或“自回歸模型”“LLM”）9.F1分?jǐn)?shù)（或“F1-measure”）10.人類可理解（或“透明”）三、簡(jiǎn)答題1.區(qū)別：監(jiān)督學(xué)習(xí)使用帶標(biāo)簽數(shù)據(jù)訓(xùn)練模型，目標(biāo)是學(xué)習(xí)輸入與標(biāo)簽的映射關(guān)系；無(wú)監(jiān)督學(xué)習(xí)使用無(wú)標(biāo)簽數(shù)據(jù)，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)內(nèi)在結(jié)構(gòu)或模式。場(chǎng)景：監(jiān)督學(xué)習(xí)如基于標(biāo)注圖像的貓狗分類；無(wú)監(jiān)督學(xué)習(xí)如用戶行為數(shù)據(jù)的聚類分析。2.卷積層：通過(guò)卷積核（濾波器）滑動(dòng)掃描輸入特征圖，提取局部空間特征（如邊緣、紋理），實(shí)現(xiàn)特征的平移不變性。池化層：通過(guò)下采樣（如最大池化、平均池化）減少特征圖尺寸，降低計(jì)算復(fù)雜度，同時(shí)保留主要特征，增強(qiáng)模型對(duì)局部變形的魯棒性。3.相同點(diǎn)：均為集成學(xué)習(xí)方法，基于多棵決策樹(shù)的組合預(yù)測(cè)；均通過(guò)降低方差或偏差提升性能。不同點(diǎn)：-隨機(jī)森林：并行訓(xùn)練多棵決策樹(shù)（基于自助采樣和隨機(jī)特征選擇），通過(guò)投票（分類）或平均（回歸）集成結(jié)果；-GBDT：串行訓(xùn)練多棵決策樹(shù)（每棵樹(shù)擬合前序模型的殘差），通過(guò)累加預(yù)測(cè)結(jié)果優(yōu)化損失函數(shù)。4.定義：多模態(tài)學(xué)習(xí)研究如何融合文本、圖像、語(yǔ)音、視頻等多種模態(tài)數(shù)據(jù)，利用不同模態(tài)間的互補(bǔ)信息提升模型性能。場(chǎng)景：智能問(wèn)答（文本+圖像）、視頻內(nèi)容理解（視頻+字幕）、跨模態(tài)檢索（文本檢索圖像）等。5.內(nèi)涵：AI系統(tǒng)對(duì)不同群體（如性別、種族、年齡）的決策應(yīng)無(wú)偏見(jiàn)，避免因數(shù)據(jù)或算法設(shè)計(jì)導(dǎo)致某些群體被不公平對(duì)待（如招聘、信貸場(chǎng)景中的歧視）。方法：在訓(xùn)練數(shù)據(jù)階段進(jìn)行偏見(jiàn)檢測(cè)與修正（如平衡不同群體樣本量）；在模型設(shè)計(jì)中引入公平性約束（如最小化不同群體間的誤差差異）；在評(píng)估階段使用公平性指標(biāo)（如均等賠率）監(jiān)控模型表現(xiàn)。四、綜合題（1）核心技術(shù)流程：-數(shù)據(jù)處理：①數(shù)據(jù)采集：獲取標(biāo)注的肺部CT圖像（包含結(jié)節(jié)位置、良惡性標(biāo)簽），確保數(shù)據(jù)來(lái)源多樣（不同設(shè)備、患者群體）；②數(shù)據(jù)清洗：去除低質(zhì)量圖像（如偽影、模糊），修正標(biāo)注錯(cuò)誤；③數(shù)據(jù)增強(qiáng)：通過(guò)旋轉(zhuǎn)、縮放、對(duì)比度調(diào)整等方法增加訓(xùn)練數(shù)據(jù)多樣性，緩解樣本不平衡（惡性結(jié)節(jié)可能較少）；④數(shù)據(jù)劃分：按7:2:1比例劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。-模型選擇：采用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型（如FasterR-CNN、YOLO系列）結(jié)合分類頭：①主干網(wǎng)絡(luò)（Backbone）：使用ResNet或VisionTransformer提取圖像特征；②區(qū)域建議網(wǎng)絡(luò)（RPN）：生成可能包含結(jié)節(jié)的候選區(qū)域；③分類與回歸頭：對(duì)候選區(qū)域分類（良/惡性）并回歸結(jié)節(jié)位置坐標(biāo)。-訓(xùn)練與評(píng)估：①訓(xùn)練：使用交叉熵?fù)p失（分類任務(wù)）+平滑L1損失（定位任務(wù)）聯(lián)合優(yōu)化；采用遷移學(xué)習(xí)（預(yù)訓(xùn)練于ImageNet的主干網(wǎng)絡(luò)）加速收斂；②驗(yàn)證：通過(guò)驗(yàn)證集調(diào)整超參數(shù)（學(xué)習(xí)率、批量大小），監(jiān)控指標(biāo)（如mAP（平均精度均值）、準(zhǔn)確率、召回率）；③測(cè)試：在獨(dú)立測(cè)試集上評(píng)估模型性能，確保泛化能力（如對(duì)不同設(shè)備、不同患者群體的適應(yīng)性）。（2）技術(shù)挑戰(zhàn)與應(yīng)對(duì)策略：-技術(shù)挑戰(zhàn)：①小樣本問(wèn)題：惡性結(jié)節(jié)樣本少，模型易偏向良性分類；②數(shù)據(jù)異質(zhì)性：不同CT設(shè)備成像參數(shù)差異可能導(dǎo)致特征分布偏移；③假陽(yáng)性/假陰性：漏檢惡性結(jié)節(jié)或誤判良性為惡性，影響臨床可靠性。應(yīng)對(duì)策略：①小樣本：使用少樣本學(xué)習(xí)（Few-shotLearning）或生成式模型（如GAN）合成惡性結(jié)節(jié)樣本；②數(shù)據(jù)異質(zhì)性：采用域自適應(yīng)（DomainAdaptation）技術(shù)，對(duì)齊不同設(shè)備數(shù)據(jù)的特征分布；③假陽(yáng)性/假陰性：引入多模型集成（如融合CNN與Transformer結(jié)果），或結(jié)合臨床指標(biāo)（如患者年齡、病史）輔助決策。-倫理風(fēng)險(xiǎn)與應(yīng)對(duì)策略：