(2025年)人工智能期末考試題庫及答案一、單項選擇題（每題2分，共20分）1.以下哪項不屬于符號主義人工智能的核心特征？A.基于邏輯推理B.依賴知識表示C.模擬神經(jīng)元連接D.強調(diào)符號操作答案：C（符號主義關(guān)注符號推理與知識表示，模擬神經(jīng)元連接是連接主義的特征）2.機器學習中，“過擬合”現(xiàn)象的本質(zhì)是？A.模型對訓練數(shù)據(jù)的泛化能力過強B.模型對訓練數(shù)據(jù)的擬合不足C.模型在訓練數(shù)據(jù)上表現(xiàn)好，但在新數(shù)據(jù)上表現(xiàn)差D.模型參數(shù)數(shù)量過少答案：C（過擬合指模型過度適應(yīng)訓練數(shù)據(jù)的噪聲，導致對新數(shù)據(jù)的預(yù)測能力下降）3.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，卷積層的主要作用是？A.減少特征維度B.提取局部空間特征C.實現(xiàn)非線性變換D.整合全局信息答案：B（卷積操作通過滑動窗口提取圖像的局部空間特征，如邊緣、紋理等）4.強化學習中，“獎勵函數(shù)”的核心作用是？A.定義智能體的狀態(tài)空間B.指導智能體學習最優(yōu)策略C.限制智能體的動作空間D.加速模型訓練速度答案：B（獎勵函數(shù)通過即時反饋引導智能體選擇長期收益最大的動作，是策略優(yōu)化的關(guān)鍵）5.自然語言處理（NLP）中，詞嵌入（WordEmbedding）的主要目的是？A.將文本轉(zhuǎn)換為離散的符號序列B.捕捉詞語的語義相關(guān)性C.減少文本的長度D.實現(xiàn)文本的情感分類答案：B（詞嵌入通過低維連續(xù)向量表示詞語，使語義相近的詞在向量空間中距離更近）6.以下哪項技術(shù)不屬于提供式人工智能？A.GPT系列模型B.StableDiffusionC.k-means聚類D.變分自編碼器（VAE）答案：C（k-means是無監(jiān)督聚類算法，不提供新數(shù)據(jù)；提供式模型關(guān)注數(shù)據(jù)提供）7.決策樹算法中，信息增益的計算基于？A.基尼系數(shù)B.熵的減少量C.均方誤差D.交叉熵損失答案：B（信息增益通過比較劃分前后數(shù)據(jù)集的熵值變化，選擇劃分后熵減少最多的特征）8.多模態(tài)人工智能的核心挑戰(zhàn)是？A.單一模態(tài)數(shù)據(jù)的特征提取B.不同模態(tài)數(shù)據(jù)的對齊與融合C.模態(tài)數(shù)據(jù)的存儲效率D.單模態(tài)任務(wù)的高精度實現(xiàn)答案：B（多模態(tài)需解決文本、圖像、語音等異質(zhì)數(shù)據(jù)的語義對齊與聯(lián)合表征問題）9.聯(lián)邦學習（FederatedLearning）的主要優(yōu)勢是？A.提高模型訓練速度B.保護數(shù)據(jù)隱私C.減少計算資源消耗D.提升模型泛化能力答案：B（聯(lián)邦學習通過本地訓練、參數(shù)上傳的方式，避免原始數(shù)據(jù)集中存儲，保護用戶隱私）10.以下哪項不屬于AI倫理的核心問題？A.算法偏見B.數(shù)據(jù)隱私C.模型參數(shù)量D.責任歸屬答案：C（模型參數(shù)量是技術(shù)指標，倫理問題關(guān)注公平性、隱私、責任等社會影響）二、多項選擇題（每題3分，共15分，多選、少選、錯選均不得分）1.以下屬于連接主義人工智能的技術(shù)有？A.專家系統(tǒng)B.神經(jīng)網(wǎng)絡(luò)C.支持向量機D.深度學習答案：BD（連接主義以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，深度學習是其延伸；專家系統(tǒng)屬符號主義，SVM屬統(tǒng)計學習）2.深度學習訓練中，常用的正則化方法包括？A.dropoutB.權(quán)重衰減（L2正則）C.數(shù)據(jù)增強D.批量歸一化（BatchNorm）答案：ABC（BatchNorm主要解決內(nèi)部協(xié)變量偏移，正則化方法通過限制模型復雜度防止過擬合）3.自然語言處理中的預(yù)訓練模型（如BERT）的典型應(yīng)用包括？A.文本分類B.機器翻譯C.問答系統(tǒng)D.圖像識別答案：ABC（預(yù)訓練模型擅長文本相關(guān)任務(wù)，圖像識別屬計算機視覺領(lǐng)域）4.強化學習的關(guān)鍵要素包括？A.狀態(tài)（State）B.動作（Action）C.獎勵（Reward）D.策略（Policy）答案：ABCD（強化學習框架包含狀態(tài)、動作、獎勵、策略、值函數(shù)等核心要素）5.AI安全的主要風險包括？A.對抗樣本攻擊B.模型可解釋性不足C.數(shù)據(jù)投毒攻擊D.計算資源浪費答案：ABC（安全風險涉及模型魯棒性、可解釋性及數(shù)據(jù)完整性，計算資源浪費屬效率問題）三、簡答題（每題6分，共30分）1.簡述符號主義與連接主義人工智能的核心差異。答案：符號主義基于邏輯推理與知識表示，認為智能的本質(zhì)是符號操作（如專家系統(tǒng)）；連接主義模擬生物神經(jīng)元網(wǎng)絡(luò)，通過大規(guī)模數(shù)據(jù)訓練學習特征（如神經(jīng)網(wǎng)絡(luò)）。前者依賴顯式規(guī)則，后者依賴數(shù)據(jù)驅(qū)動的隱式特征提取。2.解釋監(jiān)督學習、無監(jiān)督學習與半監(jiān)督學習的區(qū)別。答案：監(jiān)督學習使用帶標簽數(shù)據(jù)（輸入-輸出對）訓練模型（如分類、回歸）；無監(jiān)督學習使用無標簽數(shù)據(jù)發(fā)現(xiàn)模式（如聚類、降維）；半監(jiān)督學習結(jié)合少量標簽數(shù)據(jù)與大量無標簽數(shù)據(jù)，利用無標簽數(shù)據(jù)的結(jié)構(gòu)提升模型性能（如自訓練、圖半監(jiān)督學習）。3.簡述Transformer模型中“自注意力機制”的作用及優(yōu)勢。答案：自注意力機制允許模型在處理序列時，動態(tài)計算每個位置與其他位置的關(guān)聯(lián)權(quán)重，捕捉長距離依賴關(guān)系。優(yōu)勢包括：（1）并行計算（替代RNN的序列處理）；（2）靈活捕捉任意位置的依賴；（3）可解釋性（通過注意力權(quán)重可視化）。4.什么是“遷移學習”？其在AI應(yīng)用中的價值是什么？答案：遷移學習是將從源任務(wù)學到的知識（如特征、模型參數(shù)）遷移到目標任務(wù)的技術(shù)。價值：（1）減少目標任務(wù)對標注數(shù)據(jù)的需求；（2）加速模型訓練（復用預(yù)訓練參數(shù)）；（3）解決小樣本學習問題（如醫(yī)療、法律等領(lǐng)域數(shù)據(jù)稀缺場景）。5.列舉AI倫理需要關(guān)注的三個核心問題，并簡要說明。答案：（1）算法偏見：訓練數(shù)據(jù)或模型設(shè)計導致對特定群體的歧視（如招聘AI對女性的不公平篩選）；（2）數(shù)據(jù)隱私：AI系統(tǒng)收集、存儲用戶數(shù)據(jù)可能導致泄露（如醫(yī)療數(shù)據(jù)被非法獲?。?；（3）責任歸屬：AI決策（如自動駕駛事故）的法律責任難以界定（開發(fā)者、用戶或系統(tǒng)本身）。四、計算題（每題8分，共16分）1.某二分類任務(wù)中，模型預(yù)測結(jié)果如下：真正例（TP）=30，假正例（FP）=10，真反例（TN）=40，假反例（FN）=20。計算準確率（Accuracy）、精確率（Precision）和召回率（Recall）。答案：準確率=（TP+TN）/(TP+FP+TN+FN)=(30+40)/(30+10+40+20)=70/100=70%精確率=TP/(TP+FP)=30/(30+10)=75%召回率=TP/(TP+FN)=30/(30+20)=60%2.假設(shè)某神經(jīng)網(wǎng)絡(luò)的輸出層使用softmax激活函數(shù)，輸入為向量[2,1,3]，計算各類別對應(yīng)的概率值（保留3位小數(shù)）。答案：softmax公式為：p_i=e^z_i/Σe^z_j計算分子：e2≈7.389，e1≈2.718，e3≈20.085分母=7.389+2.718+20.085≈30.192概率分別為：7.389/30.192≈0.245，2.718/30.192≈0.090，20.085/30.192≈0.665五、綜合分析題（每題19分，共19分）結(jié)合實際應(yīng)用場景，設(shè)計一個基于人工智能的智能客服系統(tǒng)方案，要求說明系統(tǒng)的核心模塊、關(guān)鍵技術(shù)及可能面臨的挑戰(zhàn)。答案：智能客服系統(tǒng)方案設(shè)計：1.核心模塊：（1）用戶意圖識別模塊：分析用戶輸入文本，分類為咨詢、投訴、售后等意圖；（2）多輪對話管理模塊：跟蹤對話上下文，處理用戶追問、修正等復雜交互；（3）知識檢索與提供模塊：從企業(yè)知識庫（FAQ、產(chǎn)品文檔）中匹配答案，或通過提供模型提供自然回復；（4）轉(zhuǎn)人工觸發(fā)模塊：當問題超出系統(tǒng)能力時，自動轉(zhuǎn)接人工客服。2.關(guān)鍵技術(shù)：（1）自然語言理解（NLU）：使用預(yù)訓練模型（如BERT）進行意圖分類、槽位填充（提取關(guān)鍵信息如訂單號、產(chǎn)品型號）；（2）對話狀態(tài)跟蹤（DST）：通過循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或Transformer跟蹤對話狀態(tài)（如用戶需求、已解決問題）；（3）提供式對話模型：基于GPT系列模型提供符合語境的自然回復，提升用戶體驗；（4）多模態(tài)支持：融合語音識別（ASR）與語音合成（TTS），支持語音交互（如電話客服）。3.可能面臨的挑戰(zhàn)：（1）小樣本場景下的泛化能力：企業(yè)垂直領(lǐng)域（如醫(yī)療、金融）的專業(yè)術(shù)語數(shù)據(jù)稀缺，模型易出現(xiàn)誤判；（2）復雜語義理解：用戶