2025年人工智能技術(shù)基礎(chǔ)與應(yīng)用知識(shí)考試試題及答案一、單項(xiàng)選擇題（每題2分，共30分）1.在Transformer架構(gòu)中，用于捕捉序列內(nèi)部長(zhǎng)距離依賴關(guān)系的核心機(jī)制是A.卷積核滑動(dòng)窗口?B.循環(huán)門(mén)控單元?C.自注意力矩陣?D.池化下采樣答案：C解析：自注意力通過(guò)QueryKeyValue計(jì)算任意位置間的權(quán)重，直接建模長(zhǎng)距離依賴，無(wú)需逐步傳遞隱狀態(tài)。2.聯(lián)邦學(xué)習(xí)在跨設(shè)備場(chǎng)景下最常采用的聚合算法是A.FedAvg?B.FedProx?C.FedSGD?D.FedNova答案：A解析：FedAvg通過(guò)本地多輪SGD后再加權(quán)平均，通信效率高且實(shí)現(xiàn)簡(jiǎn)單，是工業(yè)界默認(rèn)方案。3.下列關(guān)于StableDiffusion描述正確的是A.擴(kuò)散過(guò)程在像素空間完成?B.采用離散VAE潛空間?C.去噪網(wǎng)絡(luò)為UNet結(jié)構(gòu)?D.訓(xùn)練時(shí)使用最大似然估計(jì)答案：C解析：StableDiffusion將圖像壓縮到連續(xù)潛空間后做擴(kuò)散，去噪網(wǎng)絡(luò)使用UNet預(yù)測(cè)噪聲，損失為MSE。4.在深度強(qiáng)化學(xué)習(xí)中，造成“高估偏差”的主要原因是A.策略梯度方差大?B.時(shí)序差分目標(biāo)使用max操作?C.經(jīng)驗(yàn)回放相關(guān)性?D.獎(jiǎng)勵(lì)稀疏答案：B解析：DQN中maxQ(s',a')會(huì)傾向于選擇被高估的動(dòng)作值，導(dǎo)致正向累積誤差。5.當(dāng)使用混合精度訓(xùn)練時(shí)，下列哪項(xiàng)技術(shù)可防止梯度下溢A.LossScaling?B.梯度裁剪?C.權(quán)重衰減?D.學(xué)習(xí)率預(yù)熱答案：A解析：LossScaling將損失乘系數(shù)放大，反向傳播后再縮放權(quán)重更新，避免fp16下溢。6.在VisionTransformer中，位置編碼通常采用A.可學(xué)習(xí)1D向量?B.固定2D正弦曲線?C.相對(duì)位置偏置?D.卷積隱式編碼答案：B解析：ViT原論文使用2D正弦位置編碼，兼顧行列信息且具備外推能力。7.下列關(guān)于A搜索算法說(shuō)法錯(cuò)誤的是A.可保證找到最優(yōu)解?B.啟發(fā)函數(shù)必須可采納?C.時(shí)間復(fù)雜度恒為指數(shù)級(jí)?D.采用優(yōu)先隊(duì)列實(shí)現(xiàn)答案：C解析：若啟發(fā)函數(shù)足夠好，A的復(fù)雜度可接近多項(xiàng)式，并非恒為指數(shù)。8.在GPT3的175B參數(shù)版本中，采用的張量并行策略是A.層內(nèi)列切?B.層內(nèi)行切?C.流水線并行?D.數(shù)據(jù)+模型混合并行答案：A解析：MegatronLM將注意力與FFN的權(quán)重按列切分到不同GPU，減少單卡顯存。9.下列哪種方法最適合解決多任務(wù)學(xué)習(xí)中的“負(fù)遷移”A.Hardparametersharing?B.GradNorm?C.單任務(wù)獨(dú)立訓(xùn)練?D.增加數(shù)據(jù)增強(qiáng)答案：B解析：GradNorm動(dòng)態(tài)調(diào)整各任務(wù)梯度范數(shù)比例，緩解梯度沖突，抑制負(fù)遷移。10.在目標(biāo)檢測(cè)中，YOLOv7引入的“輔助頭”主要作用是A.提供額外正則化?B.增加推理速度?C.降低mAP?D.減少參數(shù)量答案：A解析：輔助頭在訓(xùn)練階段提供額外損失，引導(dǎo)主干學(xué)習(xí)更泛化特征，推理時(shí)丟棄。11.下列關(guān)于DiffusionModel采樣加速算法中，DDIM的關(guān)鍵特性是A.需馬爾可夫鏈?B.可確定性采樣?C.必須隨機(jī)噪聲?D.無(wú)法插值答案：B解析：DDIM通過(guò)非馬爾可夫推斷，允許確定性采樣，支持潛空間插值。12.在AutoML中，DARTS算法搜索的是A.宏觀結(jié)構(gòu)?B.微觀操作與連接?C.超參數(shù)?D.數(shù)據(jù)增強(qiáng)策略答案：B解析：DARTS將連接與操作松弛為可學(xué)習(xí)權(quán)重，通過(guò)雙層優(yōu)化搜索微觀結(jié)構(gòu)。13.下列關(guān)于模型壓縮技術(shù)排序正確的是（按壓縮率從大到?。〢.量化>剪枝>蒸餾?B.剪枝>量化>蒸餾?C.蒸餾>剪枝>量化?D.量化>蒸餾>剪枝答案：A解析：INT8量化直接降低4倍存儲(chǔ)；剪枝可達(dá)10倍稀疏但需硬件支持；蒸餾僅遷移知識(shí)，壓縮率最低。14.在圖神經(jīng)網(wǎng)絡(luò)中，GCN的層數(shù)過(guò)多會(huì)導(dǎo)致A.過(guò)平滑?B.梯度爆炸?C.節(jié)點(diǎn)特征維度爆炸?D.鄰接矩陣奇異答案：A解析：多次聚合后節(jié)點(diǎn)表示趨于一致，分類能力下降，即過(guò)平滑現(xiàn)象。15.下列關(guān)于AlphaFold2的Evoformer模塊描述正確的是A.僅使用自注意力?B.將MSA與配對(duì)表示交替更新?C.不使用三角更新?D.輸出直接為3D坐標(biāo)答案：B解析：Evoformer在MSA行列注意力與配對(duì)表示間交替，利用三角更新捕捉幾何約束，最終經(jīng)結(jié)構(gòu)模塊輸出坐標(biāo)。二、多項(xiàng)選擇題（每題3分，共15分，多選少選均不得分）16.以下哪些技術(shù)可有效緩解LLM推理時(shí)的顯存占用A.KVCache?B.動(dòng)態(tài)批處理?C.梯度檢查點(diǎn)?D.8bit量化權(quán)重答案：A、B、D解析：KVCache緩存鍵值避免重復(fù)計(jì)算；動(dòng)態(tài)批處理合并短句；8bit量化降低顯存；梯度檢查點(diǎn)用于訓(xùn)練階段。17.關(guān)于對(duì)比學(xué)習(xí)損失函數(shù)InfoNCE，下列說(shuō)法正確的是A.基于softmax形式?B.負(fù)樣本越多下界越緊?C.溫度系數(shù)越小越均勻?D.等價(jià)于交叉熵答案：A、B、C解析：InfoNCE為歸一化softmax；負(fù)樣本增加逼近互信息下界；溫度減小則分布更尖銳；與交叉?_entropy不等價(jià)。18.在自動(dòng)駕駛感知系統(tǒng)中，多傳感器融合的優(yōu)勢(shì)包括A.冗余容錯(cuò)?B.提升惡劣場(chǎng)景性能?C.降低算法復(fù)雜度?D.空間覆蓋互補(bǔ)答案：A、B、D解析：融合提供冗余與互補(bǔ)，改善雨雪場(chǎng)景；但增加系統(tǒng)復(fù)雜度而非降低。19.下列屬于NeRF的改進(jìn)工作A.MipNeRF?B.InstantNGP?C.PointNeRF?D.RetinaNet答案：A、B、C解析：MipNeRF解決抗鋸齒；InstantNGP使用多分辨率哈希編碼加速；PointNeRF結(jié)合點(diǎn)云；RetinaNet為檢測(cè)網(wǎng)絡(luò)。20.在可解釋AI中，可用于圖像分類全局解釋的方法有A.SHAP?B.GradCAM?C.LIME?D.IntegratedGradients答案：A、C解析：SHAP與LIME可提供像素級(jí)全局貢獻(xiàn)；GradCAM與IG為局部解釋，需針對(duì)單樣本。三、判斷題（每題1分，共10分，正確打“√”，錯(cuò)誤打“×”）21.Transformer解碼器在訓(xùn)練階段也使用自回歸掩碼。答案：√解析：防止位置i看到未來(lái)token，保持推理一致性。22.使用ReLU激活一定不會(huì)發(fā)生梯度消失。答案：×解析：負(fù)區(qū)間梯度為零，深層網(wǎng)絡(luò)仍可能出現(xiàn)“死亡ReLU”。23.模型剪枝后無(wú)需微調(diào)即可保持原精度。答案：×解析：剪枝破壞權(quán)重平衡，需微調(diào)恢復(fù)精度。24.在PPO算法中，clip參數(shù)越大，策略更新越保守。答案：×解析：clip范圍大則允許更大比值變化，更新更激進(jìn)。25.DiffusionModel的反向過(guò)程可以視為逐步去噪的馬爾可夫鏈。答案：√解析：DDPM定義q(xt1|xt)為馬爾可夫鏈，逐步去噪。26.圖注意力網(wǎng)絡(luò)GAT的注意力系數(shù)是邊權(quán)重的對(duì)稱函數(shù)。答案：×解析：GAT使用LeakyReLU后softmax，系數(shù)非對(duì)稱。27.在FewShotLearning中，原型網(wǎng)絡(luò)使用支持集樣本均值作為類原型。答案：√解析：PrototypicalNetworks取embedding均值，最近鄰分類。28.知識(shí)蒸餾中，學(xué)生模型logits的Temperature越高，軟標(biāo)簽越平滑。答案：√解析：溫度升高softmax輸出更均勻，暗含更多暗知識(shí)。29.使用混合專家模型MoE時(shí)，所有專家網(wǎng)絡(luò)在推理階段都會(huì)被激活。答案：×解析：MoE通過(guò)門(mén)控只激活Topk專家，保持計(jì)算量可控。30.在AutoEncoder中，隱變量維度越高，重構(gòu)誤差一定越低。答案：×解析：過(guò)高維度可能導(dǎo)致過(guò)擬合，驗(yàn)證集誤差反而上升。四、填空題（每空2分，共20分）31.在VisionTransformer中，輸入圖像被劃分為固定大小的______，并通過(guò)線性投影得到token序列。答案：patches解析：ViT將224×224圖切分14×14=196個(gè)16×16patch，展平后線性映射。32.在深度強(qiáng)化學(xué)習(xí)DDPG中，策略網(wǎng)絡(luò)被稱為_(kāi)_____網(wǎng)絡(luò)，用于輸出確定性動(dòng)作。答案：Actor解析：DDPG為ActorCritic框架，Actor輸出連續(xù)動(dòng)作，Critic評(píng)估Q值。33.在生成對(duì)抗網(wǎng)絡(luò)中，若判別器輸出為0.5，說(shuō)明生成器達(dá)到了______均衡。答案：Nash解析：理想狀態(tài)下判別器無(wú)法區(qū)分真假，輸出0.5即納什均衡。34.在模型量化中，將FP32權(quán)重映射到INT8時(shí)，常用的映射方式稱為_(kāi)_____量化。答案：線性對(duì)稱/非對(duì)稱（填“線性”即給分）解析：線性量化通過(guò)縮放因子zeropoint將浮點(diǎn)值均勻映射到整數(shù)。35.在推薦系統(tǒng)冷啟動(dòng)問(wèn)題中，利用用戶畫(huà)像與物品屬性進(jìn)行建模的策略稱為_(kāi)_____推薦。答案：基于內(nèi)容解析：Contentbased方法依賴特征工程，無(wú)需歷史交互即可預(yù)測(cè)。36.在BERT預(yù)訓(xùn)練中，______任務(wù)隨機(jī)遮蔽15%的token，讓模型預(yù)測(cè)原詞。答案：MLM（MaskedLanguageModel）解析：MLM使模型獲得雙向上下文表示，區(qū)別于GPT的單向。37.在圖神經(jīng)網(wǎng)絡(luò)中，鄰接矩陣歸一化時(shí)常用的對(duì)稱歸一化形式為_(kāi)_____。答案：D^(1/2)AD^(1/2)解析：對(duì)稱歸一化緩解節(jié)點(diǎn)度差異，防止梯度消失。38.在目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)中，AP@0.5表示IoU閾值為_(kāi)_____時(shí)的平均精度。答案：0.5解析：PASCALVOC標(biāo)準(zhǔn)以IoU=0.5為界，COCO采用0.5:0.95均值。39.在語(yǔ)音合成中，WaveNet使用______分布對(duì)音頻采樣點(diǎn)進(jìn)行建模。答案：離散混合邏輯（或填“離散”）解析：WaveNet采用10bit離散化后使用softmax，也可用混合邏輯分布。40.在聯(lián)邦學(xué)習(xí)中，參與方上傳的是______而非原始數(shù)據(jù)，從而保護(hù)隱私。答案：梯度/模型參數(shù)解析：FedAvg上傳本地梯度或權(quán)重，數(shù)據(jù)不出本地，滿足隱私要求。五、簡(jiǎn)答題（每題8分，共40分）41.描述Transformer中MultiHeadAttention的計(jì)算流程，并解釋為何多頭能提升表達(dá)能力。答案：1)對(duì)輸入X分別線性映射得Q、K、V；2)將QKV切分h份，每份維度d_k=d_model/h；3)每份獨(dú)立計(jì)算縮放點(diǎn)積注意力得到head_i；4)拼接所有head，再線性投影輸出。解析：多頭允許模型在不同子空間并行關(guān)注不同位置與語(yǔ)義，類似卷積的多通道，增強(qiáng)表達(dá)能力與穩(wěn)健性。42.列舉三種主流的無(wú)監(jiān)督域自適應(yīng)方法，并簡(jiǎn)述其核心思想。答案：1)對(duì)抗域適應(yīng)（DANN）：通過(guò)梯度反轉(zhuǎn)層讓特征提取器欺騙域判別器，使源域與目標(biāo)域特征分布對(duì)齊；2)自監(jiān)督偽標(biāo)簽（MME）：在目標(biāo)域上利用熵最小化生成高置信偽標(biāo)簽，迭代微調(diào)；3)對(duì)比域適應(yīng)（CDAN）：將特征與分類預(yù)測(cè)聯(lián)合作為條件，使用多線性映射進(jìn)行條件對(duì)抗對(duì)齊。解析：三類方法分別從分布距離、偽標(biāo)簽、條件分布角度減小域差異。43.說(shuō)明NeRF中位置編碼（PositionalEncoding）的作用，并給出其數(shù)學(xué)形式。答案：位置編碼將低維坐標(biāo)映射到高維正弦空間，使MLP可學(xué)習(xí)高頻變化，緩解光譜偏差。數(shù)學(xué)形式：γ(p)=[sin(2^0πp),cos(2^0πp),…,sin(2^{L1}πp),cos(2^{L1}πp)]，對(duì)3D坐標(biāo)L=10，2D視角方向L=4。解析：高頻編碼使網(wǎng)絡(luò)可表示細(xì)節(jié)幾何與紋理，提升渲染質(zhì)量。44.解釋混合專家模型MoE的稀疏激活機(jī)制，并分析其在大模型訓(xùn)練中的優(yōu)勢(shì)。答案：MoE通過(guò)門(mén)控網(wǎng)絡(luò)為每個(gè)token選擇Topk專家（通常k=1或2），僅激活對(duì)應(yīng)子網(wǎng)絡(luò)，其余專家參數(shù)休眠。優(yōu)勢(shì)：1)參數(shù)容量大但計(jì)算量恒定，顯存隨專家數(shù)線性增加；2)易于分布式存儲(chǔ)，不同GPU托管不同專家；3)訓(xùn)練收斂更快，下游任務(wù)效果隨參數(shù)擴(kuò)展持續(xù)提升。解析：稀疏激活打破“參數(shù)計(jì)算”耦合，實(shí)現(xiàn)亞線性計(jì)算成本。45.描述PPO算法中clip機(jī)制如何限制策略更新，并給出clip目標(biāo)函數(shù)。答案：clip機(jī)制將重要性采樣比值rt=π_θ/π_θ_old限制在[1ε,1+ε]區(qū)間，目標(biāo)函數(shù)為L(zhǎng)^CLIP(θ)=E[min(rtA_t,clip(rt,1ε,1+ε)A_t)]，其中A_t為優(yōu)勢(shì)函數(shù)。當(dāng)rt超出區(qū)間，梯度為零，防止策略突變。解析：clip避免分布外過(guò)大更新，提升訓(xùn)練穩(wěn)定性。六、綜合應(yīng)用題（共35分）46.（15分）某城市出租車公司采集了10萬(wàn)輛車30天的GPS軌跡與訂單數(shù)據(jù)，需構(gòu)建實(shí)時(shí)擁堵預(yù)測(cè)系統(tǒng)。請(qǐng)：1)給出數(shù)據(jù)預(yù)處理關(guān)鍵步驟；2)設(shè)計(jì)時(shí)空預(yù)測(cè)模型架構(gòu)并說(shuō)明損失函數(shù)；3)說(shuō)明如何實(shí)現(xiàn)在線推理延遲<200ms。答案：1)預(yù)處理：a)軌跡清洗：剔除漂移點(diǎn)，停留點(diǎn)聚類；b)地圖匹配：使用HMM將GPS匹配到路段，獲取路段級(jí)速度；c)網(wǎng)格化：將城市劃分為500m×500m網(wǎng)格，聚合5min均值速度；d)歸一化：Zscore標(biāo)準(zhǔn)化，缺失值使用時(shí)空Kriging填補(bǔ)。2)模型：a)編碼器：3DCNN提取近6幀時(shí)空立方體局部模式；b)時(shí)序：ConvLSTM捕捉長(zhǎng)程依賴；c)圖組件：將網(wǎng)格視為節(jié)點(diǎn)，構(gòu)建8鄰接圖，使用GAT融合鄰居；d)解碼器：轉(zhuǎn)置卷積上采樣到原分辨率，輸出未來(lái)15min速度圖；損失函數(shù)：帶權(quán)MSE+MAE，權(quán)重與道路等級(jí)相關(guān)，加入梯度損失懲罰突變。3)在線推理：a)模型蒸餾：將大模型蒸餾至輕量UNet+TGRU，參數(shù)量<5MB；b)TensorRTINT8量化，批量預(yù)熱引擎；c)邊緣GPU緩存最近5幀，并行流水線，異步拷貝；d)采用時(shí)間戳對(duì)