2025年人工智能基礎(chǔ)知識(shí)考核試卷及答案一、單項(xiàng)選擇題（每題2分，共20分）1.以下哪項(xiàng)不屬于人工智能的“三要素”？A.數(shù)據(jù)B.算法C.算力D.場(chǎng)景2.深度學(xué)習(xí)中，ReLU激活函數(shù)的主要優(yōu)勢(shì)是？A.避免梯度消失B.增強(qiáng)非線性表達(dá)C.加速收斂D.以上均是3.下列哪項(xiàng)任務(wù)更適合用強(qiáng)化學(xué)習(xí)解決？A.圖像分類(lèi)B.機(jī)器翻譯C.機(jī)器人路徑規(guī)劃D.垃圾郵件識(shí)別4.Transformer模型的核心機(jī)制是？A.卷積操作B.循環(huán)結(jié)構(gòu)C.自注意力機(jī)制D.殘差連接5.以下哪種算法屬于無(wú)監(jiān)督學(xué)習(xí)？A.K-means聚類(lèi)B.邏輯回歸C.支持向量機(jī)D.隨機(jī)森林6.GPT-5模型相比GPT-4的主要改進(jìn)方向不包括？A.多模態(tài)輸入支持B.更小的參數(shù)量C.上下文窗口擴(kuò)展D.指令微調(diào)優(yōu)化7.評(píng)估分類(lèi)模型性能時(shí)，F(xiàn)1值是以下哪兩個(gè)指標(biāo)的調(diào)和平均？A.準(zhǔn)確率與召回率B.精確率與召回率C.精確率與準(zhǔn)確率D.召回率與AUC值8.神經(jīng)網(wǎng)絡(luò)中“過(guò)擬合”的典型表現(xiàn)是？A.訓(xùn)練集和測(cè)試集準(zhǔn)確率均低B.訓(xùn)練集準(zhǔn)確率高，測(cè)試集準(zhǔn)確率低C.訓(xùn)練集準(zhǔn)確率低，測(cè)試集準(zhǔn)確率高D.訓(xùn)練集和測(cè)試集準(zhǔn)確率均高9.以下哪項(xiàng)是生成式AI的典型應(yīng)用？A.圖像邊緣檢測(cè)B.情感分析C.文本摘要D.3D場(chǎng)景生成10.人工智能倫理中“可解釋性”的核心要求是？A.模型輸出結(jié)果可被人類(lèi)理解B.模型參數(shù)公開(kāi)透明C.模型訓(xùn)練數(shù)據(jù)完全匿名D.模型決策過(guò)程無(wú)偏見(jiàn)二、填空題（每題2分，共20分）1.人工智能的英文縮寫(xiě)是______。2.卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，______層用于減少特征圖尺寸，降低計(jì)算復(fù)雜度。3.強(qiáng)化學(xué)習(xí)中的“獎(jiǎng)勵(lì)函數(shù)”用于量化智能體在環(huán)境中______的程度。4.BERT模型的預(yù)訓(xùn)練任務(wù)包括______和下一句預(yù)測(cè)。5.自然語(yǔ)言處理（NLP）中，將文本轉(zhuǎn)換為向量的過(guò)程稱(chēng)為_(kāi)_____。6.生成對(duì)抗網(wǎng)絡(luò)（GAN）由生成器和______兩部分組成。7.評(píng)估目標(biāo)檢測(cè)模型性能的常用指標(biāo)是______（寫(xiě)出英文縮寫(xiě)）。8.小樣本學(xué)習(xí)（Few-shotLearning）的核心思想是利用______知識(shí)提升新任務(wù)表現(xiàn)。9.大語(yǔ)言模型（LLM）的“上下文學(xué)習(xí)”（In-contextLearning）依賴(lài)于模型對(duì)______的理解能力。10.人工智能安全領(lǐng)域的“對(duì)齊問(wèn)題”指確保模型行為與______一致。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)的核心區(qū)別，并各舉一個(gè)典型應(yīng)用場(chǎng)景。2.解釋“遷移學(xué)習(xí)”的原理，并說(shuō)明其在醫(yī)療影像診斷中的應(yīng)用價(jià)值。3.對(duì)比循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）與Transformer模型在處理長(zhǎng)序列時(shí)的優(yōu)缺點(diǎn)。4.列舉大語(yǔ)言模型（如GPT-5）可能引發(fā)的倫理風(fēng)險(xiǎn)，并提出至少兩種緩解措施。5.說(shuō)明多模態(tài)學(xué)習(xí)（如文本-圖像聯(lián)合建模）的關(guān)鍵挑戰(zhàn)及當(dāng)前主流解決方案。四、應(yīng)用題（每題10分，共20分）1.某醫(yī)院需構(gòu)建一個(gè)“肺部CT影像肺癌早期篩查系統(tǒng)”，請(qǐng)?jiān)O(shè)計(jì)技術(shù)方案（需包含數(shù)據(jù)處理、模型選擇、訓(xùn)練策略、評(píng)估指標(biāo)四部分）。2.分析當(dāng)前大模型（如參數(shù)超千億的LLM）在實(shí)際部署中面臨的主要挑戰(zhàn)，并提出優(yōu)化建議（需結(jié)合算力、成本、效率等維度）。答案一、單項(xiàng)選擇題1.D（場(chǎng)景是應(yīng)用環(huán)節(jié)，非核心三要素）2.D（ReLU通過(guò)稀疏激活避免梯度消失，同時(shí)保持非線性，加速收斂）3.C（強(qiáng)化學(xué)習(xí)適合序列決策問(wèn)題，如路徑規(guī)劃）4.C（Transformer依賴(lài)自注意力捕捉長(zhǎng)距離依賴(lài)）5.A（K-means無(wú)標(biāo)簽，屬于無(wú)監(jiān)督）6.B（GPT-5可能增加參數(shù)量或優(yōu)化效率，而非縮?。?.B（F1=2×(精確率×召回率)/(精確率+召回率)）8.B（過(guò)擬合表現(xiàn)為模型對(duì)訓(xùn)練數(shù)據(jù)過(guò)適應(yīng)，泛化能力差）9.D（生成式AI創(chuàng)造新內(nèi)容，如3D場(chǎng)景生成）10.A（可解釋性強(qiáng)調(diào)結(jié)果可被人類(lèi)理解，而非參數(shù)透明）二、填空題1.AI2.池化（或下采樣）3.行為（或動(dòng)作）的優(yōu)劣4.掩碼語(yǔ)言模型（MLM）5.詞嵌入（或文本向量化）6.判別器7.mAP（平均精度均值）8.先驗(yàn)（或已學(xué)）9.提示（或上下文示例）10.人類(lèi)意圖（或目標(biāo)）三、簡(jiǎn)答題1.核心區(qū)別：監(jiān)督學(xué)習(xí)使用帶標(biāo)簽數(shù)據(jù)訓(xùn)練，目標(biāo)是學(xué)習(xí)輸入到標(biāo)簽的映射；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)。應(yīng)用場(chǎng)景：監(jiān)督學(xué)習(xí)如垃圾郵件分類(lèi)（標(biāo)簽為“垃圾/非垃圾”）；無(wú)監(jiān)督學(xué)習(xí)如用戶(hù)畫(huà)像聚類(lèi)（無(wú)預(yù)設(shè)標(biāo)簽，自動(dòng)分組）。2.原理：遷移學(xué)習(xí)通過(guò)將已訓(xùn)練模型在源任務(wù)中學(xué)習(xí)的知識(shí)（如特征提取能力）遷移到目標(biāo)任務(wù)，減少目標(biāo)任務(wù)對(duì)標(biāo)注數(shù)據(jù)的依賴(lài)。醫(yī)療價(jià)值：醫(yī)療影像標(biāo)注成本高（需專(zhuān)家標(biāo)注），遷移學(xué)習(xí)可利用公開(kāi)醫(yī)學(xué)影像預(yù)訓(xùn)練模型（如基于CheXpert數(shù)據(jù)集訓(xùn)練的CNN），僅需少量醫(yī)院自有標(biāo)注數(shù)據(jù)微調(diào)，即可實(shí)現(xiàn)肺癌篩查，提升效率并降低成本。3.RNN優(yōu)缺點(diǎn)：優(yōu)點(diǎn)是通過(guò)循環(huán)結(jié)構(gòu)捕捉序列順序信息，適合處理時(shí)間序列；缺點(diǎn)是長(zhǎng)序列中存在梯度消失/爆炸問(wèn)題，難以建模長(zhǎng)距離依賴(lài)。Transformer優(yōu)缺點(diǎn)：優(yōu)點(diǎn)是自注意力機(jī)制直接計(jì)算序列中任意位置的依賴(lài)關(guān)系，擅長(zhǎng)長(zhǎng)序列建模；缺點(diǎn)是計(jì)算復(fù)雜度隨序列長(zhǎng)度平方增長(zhǎng)，長(zhǎng)序列訓(xùn)練成本高（需優(yōu)化如稀疏注意力）。4.倫理風(fēng)險(xiǎn)：-虛假信息生成（如偽造文本/圖像引發(fā)誤導(dǎo)）；-偏見(jiàn)放大（訓(xùn)練數(shù)據(jù)含歧視性?xún)?nèi)容，模型輸出偏見(jiàn)結(jié)果）；-隱私泄露（通過(guò)生成內(nèi)容反向推斷訓(xùn)練數(shù)據(jù)中的敏感信息）。緩解措施：-引入基于規(guī)則或人類(lèi)反饋的對(duì)齊訓(xùn)練（如RLHF），過(guò)濾有害內(nèi)容；-對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行去偏處理（如平衡不同群體樣本）；-設(shè)計(jì)隱私保護(hù)機(jī)制（如聯(lián)邦學(xué)習(xí)，避免原始數(shù)據(jù)泄露）。5.關(guān)鍵挑戰(zhàn)：-模態(tài)異質(zhì)性：文本（離散符號(hào)）與圖像（連續(xù)像素）的特征空間差異大，難以直接對(duì)齊；-對(duì)齊粒度：需同時(shí)捕捉細(xì)粒度（如“紅色蘋(píng)果”中的顏色與物體）和粗粒度（如場(chǎng)景整體語(yǔ)義）的跨模態(tài)關(guān)聯(lián)；-數(shù)據(jù)對(duì)齊噪聲：多模態(tài)數(shù)據(jù)中可能存在錯(cuò)誤關(guān)聯(lián)（如文本描述與圖像不匹配）。主流方案：-跨模態(tài)編碼器（如CLIP）：分別編碼文本和圖像，通過(guò)對(duì)比學(xué)習(xí)最大化正樣本對(duì)的相似度；-統(tǒng)一模態(tài)表征（如FLAVA）：將文本和圖像轉(zhuǎn)換為統(tǒng)一的視覺(jué)-語(yǔ)言特征，共享Transformer編碼器；-多任務(wù)學(xué)習(xí)：聯(lián)合訓(xùn)練分類(lèi)、生成等任務(wù)（如圖像描述生成），增強(qiáng)跨模態(tài)理解能力。四、應(yīng)用題1.技術(shù)方案設(shè)計(jì)：-數(shù)據(jù)處理：-數(shù)據(jù)收集：獲取醫(yī)院歷史肺部CT影像（DICOM格式）及病理報(bào)告（標(biāo)簽：正常/結(jié)節(jié)/早期肺癌）；-預(yù)處理：使用醫(yī)學(xué)影像工具（如ITK）進(jìn)行灰度歸一化、感興趣區(qū)域（ROI）裁剪（聚焦肺部）；-數(shù)據(jù)增強(qiáng)：對(duì)CT切片進(jìn)行旋轉(zhuǎn)（±15°）、翻轉(zhuǎn)、高斯模糊（模擬不同設(shè)備噪聲），緩解樣本不平衡。-模型選擇：采用“主干網(wǎng)絡(luò)+分類(lèi)頭”結(jié)構(gòu)：主干網(wǎng)絡(luò)選擇基于遷移學(xué)習(xí)的3D-CNN（如3DResNet-50，預(yù)訓(xùn)練于公開(kāi)LIDC-IDRI肺癌數(shù)據(jù)集），分類(lèi)頭為全連接層（輸出3類(lèi)概率）。-訓(xùn)練策略：-凍結(jié)主干網(wǎng)絡(luò)前3層（保留通用特征提取能力），僅微調(diào)后幾層及分類(lèi)頭；-損失函數(shù)：使用加權(quán)交叉熵（平衡正負(fù)樣本）；-優(yōu)化器：AdamW（學(xué)習(xí)率1e-4），早停法（驗(yàn)證集損失5輪不下降則停止）。-評(píng)估指標(biāo)：主要指標(biāo)：準(zhǔn)確率（整體分類(lèi)正確比例）、召回率（不漏診早期肺癌）、AUC-ROC（區(qū)分正常與病變的能力）；輔助指標(biāo)：特異性（減少健康人群誤判）、F1值（綜合精確率與召回率）。2.挑戰(zhàn)與優(yōu)化建議：-主要挑戰(zhàn)：-算力需求高：千億參數(shù)模型訓(xùn)練需數(shù)千張GPU（如A100）并行，推理時(shí)單樣本延遲長(zhǎng)；-存儲(chǔ)成本大：模型參數(shù)、中間激活值占用內(nèi)存（如1750億參數(shù)的GPT-3約需350GB顯存）；-能效比低：大規(guī)模訓(xùn)練耗電巨大（如GPT-3訓(xùn)練耗電約1287MWh），不符合綠色計(jì)算要求；-適配性差：不同場(chǎng)景（如移動(dòng)端、邊緣設(shè)備）硬件資源有限，模型難以直接部署。-優(yōu)化建議：-模型壓縮：采用知識(shí)蒸餾（用小模型學(xué)習(xí)大模型輸出）、參數(shù)剪枝（移除冗余權(quán)重）、量化（將浮點(diǎn)參數(shù)轉(zhuǎn)為低精度如8位整數(shù)），降低參數(shù)量和計(jì)算量；-稀疏激活：使用稀疏注意力（如GPT-3的SparseTransformer）或動(dòng)態(tài)路由（如MixtureofExperts,MoE），僅激活部分參數(shù)處理當(dāng)前輸入，減少計(jì)算量；-硬件