2025年《人工智能》試卷A及答案一、單項選擇題（每題2分，共20分）1.以下哪種技術(shù)是多模態(tài)大模型實現(xiàn)“跨模態(tài)對齊”的核心機制？A.自回歸語言建模B.對比學習（ContrastiveLearning）C.強化學習從人類反饋（RLHF）D.權(quán)重共享（WeightSharing）2.在基于Transformer的視覺大模型中，圖像分塊（PatchEmbedding）的主要目的是：A.減少計算量，將圖像轉(zhuǎn)換為序列輸入B.增強局部特征提取能力C.實現(xiàn)全局注意力覆蓋D.替代卷積操作以降低參數(shù)量3.以下關(guān)于大語言模型（LLM）“涌現(xiàn)能力”（EmergentAbilities）的描述，錯誤的是：A.通常在模型參數(shù)規(guī)模超過某個閾值后突然出現(xiàn)B.包括邏輯推理、跨語言翻譯等復雜任務C.可通過小樣本學習（Few-shotLearning）觸發(fā)D.完全依賴預訓練階段的監(jiān)督信號4.某醫(yī)療AI系統(tǒng)在診斷肺部結(jié)節(jié)時，對不同種族患者的誤診率差異顯著，這主要反映了AI的哪類問題？A.可解釋性不足B.魯棒性缺陷C.公平性（Fairness）缺失D.泛化能力局限5.在強化學習中，“離線強化學習”（OfflineRL）的關(guān)鍵優(yōu)勢是：A.無需與環(huán)境交互即可訓練B.能處理連續(xù)動作空間C.樣本效率顯著高于在線學習D.適用于高風險場景（如機器人控制）6.自監(jiān)督學習（Self-SupervisedLearning）的典型訓練目標不包括：A.掩碼語言模型（MLM）B.圖像著色（ImageColorization）C.對比預測編碼（CPC）D.標簽平滑（LabelSmoothing）7.以下哪種方法可有效緩解大模型的“幻覺問題”（Hallucination）？A.增加模型參數(shù)量B.引入外部知識庫檢索C.提高訓練數(shù)據(jù)多樣性D.采用更深的網(wǎng)絡層數(shù)8.計算機視覺中的“視覺-語言對齊”（Vision-LanguageAlignment）通常通過哪種方式實現(xiàn)？A.共享編碼器輸出空間B.獨立訓練視覺和語言模型后拼接C.使用對抗提供網(wǎng)絡（GAN）D.僅通過文本描述提供圖像9.在知識圖譜與大模型的融合中，“知識注入”（KnowledgeInjection）的主要目的是：A.減少模型參數(shù)量B.增強模型的事實性知識記憶與推理C.提高模型的提供速度D.降低訓練成本10.以下哪項是多智能體強化學習（MARL）中“信用分配”（CreditAssignment）問題的核心挑戰(zhàn)？A.多個智能體的策略沖突B.環(huán)境狀態(tài)空間爆炸C.難以區(qū)分單個智能體對整體獎勵的貢獻D.通信帶寬限制二、填空題（每題2分，共20分）1.大語言模型的“上下文學習”（In-ContextLearning）能力主要依賴于__________。2.視覺Transformer（ViT）中，位置編碼（PositionalEncoding）的作用是__________。3.自監(jiān)督學習的核心思想是利用數(shù)據(jù)自身的__________提供監(jiān)督信號。4.強化學習中，“策略梯度”（PolicyGradient）方法直接優(yōu)化__________。5.多模態(tài)大模型的“對齊訓練”（AlignmentTraining）通常結(jié)合__________和人類反饋。6.知識圖譜的基本組成單元是__________。7.對抗樣本（AdversarialExample）的提供通常通過__________微小擾動實現(xiàn)。8.大模型壓縮技術(shù)中，“參數(shù)高效微調(diào)”（PEFT）的典型方法包括__________（列舉一種）。9.自然語言處理中，“指代消解”（CoreferenceResolution）的目標是__________。10.AI倫理中的“可解釋性”（Explainability）要求模型輸出__________。三、簡答題（每題8分，共40分）1.對比監(jiān)督學習與自監(jiān)督學習的異同，并舉例說明自監(jiān)督學習的典型應用場景。2.解釋Transformer中“多頭注意力”（Multi-HeadAttention）的設計動機及具體實現(xiàn)方式。3.分析大語言模型“涌現(xiàn)能力”的可能成因，并說明其對AI發(fā)展的意義。4.簡述“提示工程”（PromptEngineering）在大模型應用中的作用，并列舉三種常用提示技巧。5.結(jié)合具體案例，說明AI公平性（Fairness）問題的產(chǎn)生原因及緩解策略。四、算法推導題（10分）推導Transformer中“縮放點積注意力”（ScaledDot-ProductAttention）的計算公式，并解釋引入“縮放因子”（通常為√d_k）的原因。五、綜合分析題（10分）2025年，某公司推出一款基于多模態(tài)大模型的“智能教育助手”，可通過文本、圖像、語音交互為學生提供個性化學習輔導。請從技術(shù)實現(xiàn)、應用價值、潛在風險三個維度對該系統(tǒng)進行分析，并提出優(yōu)化建議。答案一、單項選擇題1.B2.A3.D4.C5.A6.D7.B8.A9.B10.C二、填空題1.預訓練階段學習到的模式關(guān)聯(lián)能力2.保留圖像分塊后的空間位置信息3.內(nèi)在結(jié)構(gòu)或冗余信息4.策略函數(shù)的期望獎勵5.指令微調(diào)（InstructionTuning）6.三元組（頭實體、關(guān)系、尾實體）7.對輸入數(shù)據(jù)添加8.LoRA（低秩適配）/IA3（基于實例的適配器）9.確定文本中不同代詞或名詞短語所指代的同一實體10.決策過程可被人類理解的依據(jù)三、簡答題1.相同點：均需從數(shù)據(jù)中學習特征表示；不同點：監(jiān)督學習依賴人工標注的標簽，自監(jiān)督學習利用數(shù)據(jù)自身提供“偽標簽”（如掩碼語言模型中的被掩碼詞）。自監(jiān)督學習典型場景：無標注圖像的預訓練（如MoCo）、大規(guī)模文本的預訓練（如BERT）。2.設計動機：多頭注意力通過多個獨立的注意力頭并行計算，使模型能同時捕捉不同子空間的上下文信息，增強模型的表征能力。實現(xiàn)方式：將查詢（Q）、鍵（K）、值（V）分別線性投影為h個頭，每個頭計算點積注意力后拼接，再通過線性層輸出。3.可能成因：模型參數(shù)量增長使復雜模式的表征能力突破閾值；預訓練數(shù)據(jù)規(guī)模擴大覆蓋更多任務模式；注意力機制的全局依賴建模能力。意義：推動AI從“專用”向“通用”發(fā)展，降低任務特定微調(diào)成本。4.作用：通過設計輸入提示引導大模型提供更準確、符合需求的輸出。常用技巧：少樣本提示（Few-shotPrompt）、思維鏈（CoT）提示、指令提示（InstructionPrompt）、角色扮演提示。5.案例：某招聘AI因訓練數(shù)據(jù)中歷史招聘記錄存在性別偏見，導致對女性求職者評分偏低。原因：訓練數(shù)據(jù)的偏差（如歷史歧視性決策）、特征選擇的隱含偏見（如畢業(yè)院校與性別關(guān)聯(lián)）。緩解策略：數(shù)據(jù)清洗（去偏采樣）、公平性約束損失函數(shù)（如最大化不同群體的準確率均衡）、后處理調(diào)整（對不同群體輸出校準）。四、算法推導題縮放點積注意力公式：Attention(Q,K,V)=softmax((QK^T)/√d_k)V其中，Q∈?^(n×d_k)，K∈?^(m×d_k)，V∈?^(m×d_v)，d_k為鍵的維度。引入縮放因子的原因：當d_k較大時，QK^T的點積結(jié)果方差會增大（點積的期望為0，方差為d_k），導致softmax的梯度變得極?。ㄒ騭oftmax在大數(shù)值輸入時輸出趨于one-hot，梯度消失）。除以√d_k可將方差歸一化為1，穩(wěn)定訓練過程。五、綜合分析題技術(shù)實現(xiàn)：需整合視覺（圖像/視頻）、語音（ASR/TTS）、語言（NLP）模塊，通過多模態(tài)編碼器（如Flamingo架構(gòu)）對齊不同模態(tài)表征；采用指令微調(diào)與RLHF優(yōu)化交互流暢性；結(jié)合知識圖譜或領(lǐng)域知識庫增強學科知識準確性。應用價值：個性化學習（根據(jù)學生答題歷