人工智能高考?xì)v年試題及答案一、單項(xiàng)選擇題（每題4分，共40分）1.2018年全國(guó)Ⅰ卷·理綜第3題下列關(guān)于人工智能發(fā)展歷程的表述，正確的是A.1956年達(dá)特茅斯會(huì)議首次提出“人工智能”概念，標(biāo)志著學(xué)科誕生B.1980年代專家系統(tǒng)衰落的原因是硬件算力突破導(dǎo)致符號(hào)主義被連接主義取代C.2012年ImageNet競(jìng)賽中，GeoffreyHinton團(tuán)隊(duì)使用的CNN模型首次將錯(cuò)誤率降至10%以下D.強(qiáng)化學(xué)習(xí)在1997年深藍(lán)擊敗卡斯帕羅夫之后即成為主流學(xué)派答案：A解析：B項(xiàng)錯(cuò)誤，專家系統(tǒng)衰落主因是知識(shí)獲取瓶頸；C項(xiàng)錯(cuò)誤，2012年Hinton團(tuán)隊(duì)錯(cuò)誤率為15.3%，首次低于10%是2014年；D項(xiàng)錯(cuò)誤，深藍(lán)主要依賴暴力搜索與評(píng)估函數(shù)，不屬于強(qiáng)化學(xué)習(xí)范疇。2.2020年山東卷·信息第5題在卷積神經(jīng)網(wǎng)絡(luò)中，若輸入特征圖為32×32×3，采用10個(gè)5×5×3的卷積核，步長(zhǎng)為1，零填充為2，則輸出特征圖尺寸為A.30×30×10?B.32×32×10?C.28×28×10?D.34×34×10答案：B解析：輸出尺寸公式O=(I?K+2P)/S+1，代入得(32?5+2×2)/1+1=32，通道數(shù)等于卷積核個(gè)數(shù)10，故為32×32×10。3.2021年全國(guó)乙卷·通用技術(shù)第7題下列關(guān)于梯度消失問題的描述，正確的是A.僅出現(xiàn)在循環(huán)神經(jīng)網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)不受影響B(tài).使用ReLU激活函數(shù)可以完全消除梯度消失C.殘差結(jié)構(gòu)通過恒等映射緩解深層網(wǎng)絡(luò)梯度信號(hào)衰減D.批量歸一化（BN）的作用是增加網(wǎng)絡(luò)稀疏性從而減輕梯度消失答案：C解析：A項(xiàng)錯(cuò)誤，CNN深層亦可能梯度消失；B項(xiàng)錯(cuò)誤，ReLU在負(fù)半軸梯度為零，仍可能出現(xiàn)“神經(jīng)元死亡”；D項(xiàng)錯(cuò)誤，BN主要作用是減少內(nèi)部協(xié)變量偏移，而非增加稀疏性。4.2022年浙江卷·技術(shù)選考第12題在DQN算法中，引入目標(biāo)網(wǎng)絡(luò)（targetnetwork）的主要目的是A.提高樣本利用率B.打破數(shù)據(jù)相關(guān)性C.穩(wěn)定訓(xùn)練目標(biāo)，減少震蕩D.實(shí)現(xiàn)連續(xù)動(dòng)作空間控制答案：C解析：目標(biāo)網(wǎng)絡(luò)延遲更新，使Q值回歸目標(biāo)短期內(nèi)固定，從而穩(wěn)定訓(xùn)練。5.2019年江蘇卷·物理選修34第6題某AI芯片采用14nm工藝，片上集成N個(gè)晶體管，工作電壓0.8V，若單次乘加運(yùn)算耗能約0.5pJ，則執(zhí)行一次ResNet50推理（約7.7×10^8次乘加）理論能耗最接近A.0.035J?B.0.35J?C.3.5J?D.35J答案：B解析：7.7×10^8×0.5×10^(?12)=3.85×10^(?4)J≈0.385J，最接近0.35J。6.2020年天津卷·信息第9題在Transformer模型中，縮放點(diǎn)積注意力機(jī)制使用dk=64，若Query矩陣Q∈?^(8×64)，Key矩陣K∈?^(8×64)，則softmax輸入矩陣最后一行元素的方差理論期望為A.1/64?B.1/8?C.64?D.8答案：A解析：點(diǎn)積結(jié)果方差為dk=64，縮放后變?yōu)?，故softmax輸入方差為1/64。7.2021年廣東卷·信息技術(shù)第4題聯(lián)邦學(xué)習(xí)場(chǎng)景中，客戶端上傳本地模型梯度而非原始數(shù)據(jù)，主要考慮A.降低通信開銷B.保護(hù)用戶隱私C.提高模型精度D.減少本地計(jì)算量答案：B解析：梯度雖仍可能泄露信息，但相比原始數(shù)據(jù)隱私風(fēng)險(xiǎn)顯著降低。8.2022年北京卷·通用技術(shù)第10題在生成對(duì)抗網(wǎng)絡(luò)中，若判別器D過快收斂到最優(yōu)，則生成器G容易出現(xiàn)A.模式崩塌（modecollapse）B.梯度爆炸C.過擬合D.欠擬合答案：A解析：判別器太強(qiáng)，G無法獲得有效梯度，導(dǎo)致生成樣本多樣性下降。9.2017年全國(guó)Ⅲ卷·理綜第2題下列關(guān)于支持向量機(jī)的說法，正確的是A.核函數(shù)將特征映射到高維一定線性可分，故無需軟間隔B.SVM對(duì)缺失數(shù)據(jù)魯棒，可直接忽略缺失維度C.當(dāng)懲罰參數(shù)C→∞，軟間隔SVM等價(jià)于硬間隔SVMD.SVM回歸（SVR）的目標(biāo)函數(shù)與分類完全相同答案：C解析：A項(xiàng)錯(cuò)誤，高維不一定線性可分；B項(xiàng)錯(cuò)誤，SVM對(duì)缺失敏感；D項(xiàng)錯(cuò)誤，SVR引入ε不敏感損失。10.2023年四省適應(yīng)性測(cè)試·技術(shù)第6題在DiffusionModel訓(xùn)練階段，網(wǎng)絡(luò)通常預(yù)測(cè)A.原始圖像x??B.噪聲ε??C.均值μ??D.方差β?答案：B解析：網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)為預(yù)測(cè)每一步添加的噪聲，簡(jiǎn)化損失設(shè)計(jì)。二、多項(xiàng)選擇題（每題5分，共30分，每題有2~3項(xiàng)符合題意，錯(cuò)選、多選、漏選均不得分）11.2022年全國(guó)甲卷·信息第14題下列技術(shù)可直接用于緩解過擬合的有A.Dropout?B.L2正則?C.批量歸一化?D.增加網(wǎng)絡(luò)深度?E.數(shù)據(jù)增強(qiáng)答案：ABCE解析：增加深度可能加劇過擬合，其余均可緩解。12.2021年湖南卷·技術(shù)第13題關(guān)于BERT模型，下列說法正確的有A.預(yù)訓(xùn)練任務(wù)包含MaskedLM與NextSentencePredictionB.采用雙向Transformer編碼器C.位置編碼使用可學(xué)習(xí)絕對(duì)位置向量D.微調(diào)階段無法處理NER任務(wù)E.參數(shù)量大于GPT1答案：ABCE解析：D項(xiàng)錯(cuò)誤，BERT微調(diào)可勝任NER。13.2020年海南卷·信息技術(shù)第15題在強(qiáng)化學(xué)習(xí)中，若環(huán)境狀態(tài)完全可觀測(cè)、轉(zhuǎn)移概率已知，則A.可直接用動(dòng)態(tài)規(guī)劃求解最優(yōu)策略B.模型無關(guān)算法仍適用C.價(jià)值迭代一定比策略迭代更快收斂D.貝爾曼方程提供最優(yōu)性保證E.探索不再必要答案：ABD解析：C項(xiàng)錯(cuò)誤，收斂速度視問題而定；E項(xiàng)錯(cuò)誤，探索可加速早期收斂。14.2023年吉林模擬·技術(shù)第16題下列關(guān)于模型壓縮的說法，正確的有A.知識(shí)蒸餾屬于模型壓縮手段B.剪枝后無需再訓(xùn)練即可保持精度C.量化將32位浮點(diǎn)權(quán)重映射到8位整型D.MobileNet使用深度可分離卷積減少參數(shù)量E.權(quán)重共享可進(jìn)一步降低存儲(chǔ)答案：ACDE解析：B項(xiàng)錯(cuò)誤，剪枝后通常需再訓(xùn)練恢復(fù)精度。15.2019年上海卷·信息第18題在目標(biāo)檢測(cè)算法中，YOLOv3相對(duì)于YOLOv1的改進(jìn)包括A.引入多尺度預(yù)測(cè)B.使用Darknet53骨干網(wǎng)絡(luò)C.采用AnchorFree機(jī)制D.增加GIOU損失E.使用Sigmoid代替Softmax進(jìn)行多標(biāo)簽分類答案：ABE解析：C項(xiàng)錯(cuò)誤，YOLOv3仍用anchor；D項(xiàng)錯(cuò)誤，GIOU在YOLOv4才引入。三、填空題（每空3分，共30分）16.2018年浙江卷·技術(shù)選考第21題ResNet中，若恒等映射分支輸出為h(x)，主分支輸出為F(x)，則層輸出為________；當(dāng)維度不匹配時(shí)，采用________變換進(jìn)行下采樣。答案：h(x)+F(x)；1×1卷積解析：恒等加殘差，維度不一致用1×1卷積升維或降維。17.2020年江蘇卷·信息技術(shù)第22題在LSTM單元中，遺忘門公式為f?=σ(Wf·[h???,x?]+bf)，其中σ表示________函數(shù)，輸出范圍________。答案：Sigmoid；(0,1)解析：Sigmoid輸出0~1，控制遺忘比例。18.2022年重慶卷·通用技術(shù)第23題Transformer多頭注意力中，若隱藏維512，頭數(shù)8，則每個(gè)頭的維度為________，輸出再經(jīng)________線性變換恢復(fù)512維。答案：64；Wo解析：512/8=64，Wo∈?^(512×512)。19.2021年遼寧卷·信息第24題在聯(lián)邦平均算法FedAvg中，第t輪全局模型更新公式為w???=________，其中η為學(xué)習(xí)率，m為客戶端數(shù)量。答案：w??η∑????(n?/n)?F?(w?)解析：按客戶端數(shù)據(jù)量加權(quán)平均梯度。20.2023年河北模擬·技術(shù)第25題若某卷積層輸入特征圖尺寸為112×112，采用3×3卷積，步長(zhǎng)2，填充1，則輸出尺寸為________；若繼續(xù)接入2×2最大池化，步長(zhǎng)2，則最終尺寸為________。答案：56×56；28×28解析：第一次(112?3+2×1)/2+1=56；第二次56/2=28。四、實(shí)驗(yàn)與計(jì)算題（共50分）21.2022年全國(guó)乙卷·理綜第29題（12分）某同學(xué)使用PyTorch實(shí)現(xiàn)GAN，生成器G輸入噪聲z～N(0,I)，輸出28×28灰度圖像。訓(xùn)練時(shí)采用BCELoss，并令真實(shí)標(biāo)簽為1，虛假標(biāo)簽為0。（1）寫出判別器D的損失函數(shù)表達(dá)式；（2）若G希望最大化logD(G(z))，請(qǐng)給出G的損失等價(jià)形式；（3）實(shí)際訓(xùn)練易出現(xiàn)梯度飽和，請(qǐng)?zhí)岢鲆环N改進(jìn)損失并寫出公式。答案與解析：（1）L_D=?[??_x～p_datalogD(x)+??_z～p_zlog(1?D(G(z)))]（2）L_G=???_z～p_zlogD(G(z))（3）可采用最小二乘GAN（LSGAN）損失：L_D=???_x(D(x)?1)^2+???_z(D(G(z)))^2L_G=???_z(D(G(z))?1)^2，使梯度更平滑。22.2021年浙江卷·技術(shù)選考第31題（14分）給定文本分類任務(wù)，使用預(yù)訓(xùn)練BERTbase，類別數(shù)5。（1）寫出微調(diào)時(shí)添加的分類頭結(jié)構(gòu)；（2）若輸入序列最大長(zhǎng)度128，批次大小32，計(jì)算一次前向傳播所需顯存約多少M(fèi)B（假設(shè)FP32，忽略中間激活，只計(jì)參數(shù)與輸入）；（3）若采用混合精度訓(xùn)練，顯存可降低多少百分比？答案與解析：（1）取[CLS]輸出h∈?^(768)，經(jīng)Dropout→Linear(768,5)→Softmax。（2）參數(shù)：BERTbase約110M，分類頭768×5+5≈3.8k，總計(jì)≈110M；輸入32×128×4B≈16.4kB；顯存≈110×4=440MB。（3）FP16參數(shù)減半，顯存≈220MB，降低50%。23.2023年湖北模擬·技術(shù)第32題（12分）某自動(dòng)駕駛系統(tǒng)使用激光雷達(dá)點(diǎn)云，采用PointNet++語義分割。（1）簡(jiǎn)述MSG（MultiScaleGrouping）模塊作用；（2）若原始點(diǎn)云含10?點(diǎn)，經(jīng)最遠(yuǎn)點(diǎn)采樣保留1024中心，球查詢半徑0.4m，最大點(diǎn)數(shù)64，則采樣后每組特征維度若初始為3+64（坐標(biāo)+全局特征），寫出MLP輸出維度變換(3+64)→64→128→256，計(jì)算該層參數(shù)總量；（3）說明PointNet++如何解決點(diǎn)云無序性問題。答案與解析：（1）MSG對(duì)每組中心點(diǎn)在不同半徑下聚鄰域，提取多尺度局部特征，增強(qiáng)幾何感知。（2）參數(shù)：第一層(3+64)×64+64=4352第二層64×128+128=8320第三層128×256+256=33024總計(jì)4352+8320+33024=45696。（3）通過共享權(quán)重MLP提取逐點(diǎn)特征，再使用對(duì)稱函數(shù)（maxpooling）聚合，保證輸入順序不變性。24.2020年天津卷·信息第33題（12分）閱讀程序并完成下列任務(wù)：```pythonimporttorchx=torch.randn(4,3,32,32)conv=torch.nn.Conv2d(3,6,5,stride=1,padding=0)y=conv(x)pool=torch.nn.MaxPool2d(2,2)z=pool(y)```（1）寫出z.shape；（2）若希望輸出z為4×6×14×14，應(yīng)如何修改conv參數(shù)；（3）若改用深度可分離卷積，參數(shù)量減少多少百分比？答案與解析：（1）y:4×6×28×28，z:4×6×14×14。（2）需使y為28×28，故conv輸出尺寸公式(32?K+2P)/S+1=28，解得K=5,S=1,P=2，即padding=2。（3）普通卷積參數(shù)量：5×5×3×6=450；深度可分離：深度卷積5×5×3=75，點(diǎn)卷積1×1×3×6=18，總計(jì)93；減少百分比：(450?93)/450≈79.3%。五、綜合應(yīng)用題（共30分）25.2023年四省聯(lián)考·技術(shù)壓軸第34題某市高考閱卷采用AI輔助質(zhì)檢，需構(gòu)建作文跑題檢測(cè)模型。給定歷年掃描圖像8萬份，已人工標(biāo)注是否跑題。（1）請(qǐng)?jiān)O(shè)計(jì)一套完整技術(shù)路線，包括數(shù)據(jù)預(yù)處理、模型選擇、訓(xùn)練策略、評(píng)價(jià)指標(biāo)；（2）若僅20%數(shù)據(jù)有標(biāo)注，提出一種利用無標(biāo)注數(shù)據(jù)的方案并說明原理；（3）若模型在高分?jǐn)?shù)段（≥55分）召回率不足，分析可能原因并給出改進(jìn)措施；（4）說明如何保障考生隱私。參考答案與評(píng)分要點(diǎn)：（1）預(yù)處理：OCR提取文本，去除亂碼，限制長(zhǎng)度512；模型：中文RoBERTawwmext，接二分類頭；策略：5折交叉驗(yàn)證，加權(quán)損失（跑題樣本少，權(quán)重上調(diào)），earlystopping；指標(biāo)