2025年人工智能技術與應用考試試卷及答案一、單項選擇題（每題2分，共30分）1.以下哪種機器學習方法的核心是通過樣本間的相似性進行預測？A.決策樹B.k-近鄰算法C.邏輯回歸D.支持向量機2.在深度學習中，BatchNormalization（批量歸一化）的主要作用是：A.減少過擬合B.加速訓練收斂C.提升模型泛化能力D.增加模型非線性3.Transformer模型中，自注意力（Self-Attention）機制的計算過程不包括以下哪一步？A.計算查詢（Query）、鍵（Key）、值（Value）矩陣B.對鍵值對進行加權求和C.應用Softmax函數對注意力分數歸一化D.引入位置編碼（PositionalEncoding）4.以下哪種生成式模型通過迭代去噪過程生成數據？A.GAN（生成對抗網絡）B.VAE（變分自編碼器）C.擴散模型（DiffusionModel）D.自回歸模型（AutoregressiveModel）5.多模態(tài)大模型（如GPT-4V）的“多模態(tài)”通常指融合以下哪類數據？A.文本與語音B.圖像與視頻C.文本、圖像、語音D.結構化表格與非結構化文本6.聯(lián)邦學習（FederatedLearning）的核心目標是：A.集中所有數據訓練全局模型B.在不共享原始數據的前提下聯(lián)合訓練模型C.提升模型在邊緣設備上的推理速度D.降低模型訓練的計算成本7.以下哪項不屬于大語言模型（LLM）的典型評估指標？A.困惑度（Perplexity）B.BLEU分數（用于機器翻譯）C.F1分數（用于分類任務）D.涌現能力（EmergentAbilities）8.在計算機視覺中，YOLOv8相比YOLOv5的主要改進是：A.引入Transformer結構B.提升小目標檢測精度C.支持實時視頻流處理D.減少參數量并保持性能9.自然語言處理（NLP）中的“上下文學習”（In-ContextLearning）依賴于模型的哪種能力？A.少樣本學習（Few-shotLearning）B.遷移學習（TransferLearning）C.元學習（Meta-Learning）D.監(jiān)督學習（SupervisedLearning）10.以下哪種技術可用于提升AI模型的可解釋性？A.梯度反向傳播（Backpropagation）B.LIME（局部可解釋模型無關解釋）C.隨機梯度下降（SGD）D.模型剪枝（ModelPruning）11.在強化學習中，“獎勵函數”的設計直接影響：A.狀態(tài)空間的大小B.智能體（Agent）的學習目標C.環(huán)境的觀測空間D.策略網絡的層數12.以下哪項是大模型“參數高效微調”（Parameter-EfficientFine-Tuning）的典型方法？A.全參數微調（FullFine-Tuning）B.LoRA（低秩適配）C.預訓練（Pretraining）D.數據增強（DataAugmentation）13.醫(yī)療AI中，“可解釋性”的核心需求是：A.提升模型診斷準確率B.讓醫(yī)生理解模型決策依據C.減少訓練數據量D.降低模型推理延遲14.以下哪種攻擊方式屬于對AI模型的“對抗攻擊”（AdversarialAttack）？A.向模型輸入微小擾動導致輸出錯誤B.竊取模型參數C.訓練數據中存在標簽噪聲D.模型過擬合訓練數據15.2025年主流的AI芯片架構中，以下哪類芯片專為深度學習推理優(yōu)化？A.GPU（圖形處理器）B.TPU（張量處理單元）C.CPU（中央處理器）D.FPGA（現場可編程門陣列）二、填空題（每空1分，共20分）1.機器學習中，“過擬合”是指模型在________數據上表現良好，但在________數據上表現較差的現象。2.Transformer模型的核心組件包括________、________和前饋神經網絡（FFN）。3.大語言模型的“涌現能力”通常指模型在________達到一定閾值后，突然獲得的________任務能力。4.計算機視覺中的“目標檢測”任務需同時輸出目標的________和________。5.自然語言處理中的“分詞”是將連續(xù)文本切分為________的過程，中文分詞的典型方法包括________和統(tǒng)計學習方法。6.強化學習的三要素是________、________和獎勵函數。7.聯(lián)邦學習可分為________（如不同醫(yī)院的醫(yī)療數據）和________（如同一用戶的多設備數據）兩種模式。8.擴散模型的訓練過程包括________（向數據添加噪聲）和________（從噪聲中恢復數據）兩個階段。9.AI倫理的核心原則包括________、________、可解釋性和責任可追溯。10.多模態(tài)大模型的“對齊”（Alignment）訓練通常通過________（如人類反饋強化學習）和________（如指令微調）實現。三、簡答題（每題6分，共30分）1.簡述監(jiān)督學習、無監(jiān)督學習和半監(jiān)督學習的區(qū)別，并各舉一個典型應用場景。2.對比卷積神經網絡（CNN）和視覺Transformer（ViT）在圖像特征提取上的差異。3.解釋大語言模型（LLM）中“上下文窗口”（ContextWindow）的概念，并說明擴展長上下文窗口的技術挑戰(zhàn)。4.列舉至少3種AI模型壓縮技術，并簡述其核心思想。5.分析AI在醫(yī)療領域應用的主要倫理風險，并提出至少2項應對措施。四、綜合應用題（每題10分，共20分）1.設計一個基于多模態(tài)大模型的智能教育輔導系統(tǒng)，要求支持“文本提問-圖像講解-語音反饋”的交互流程。需說明系統(tǒng)的核心模塊（如輸入處理、模型調用、輸出生成）、關鍵技術（如多模態(tài)融合、知識對齊）及可能的挑戰(zhàn)（如延遲控制、多模態(tài)一致性）。2.某企業(yè)計劃部署AI客服系統(tǒng)，需處理用戶的售后咨詢、投訴建議和技術問題。請設計該系統(tǒng)的評估方案，包括數據準備（如測試集構建）、評估指標（如準確率、響應時間、用戶滿意度）及倫理合規(guī)要求（如隱私保護、公平性）。答案一、單項選擇題1-5：BBDCC6-10：BCAAB11-15：BBBAB二、填空題1.訓練；測試2.自注意力機制；多頭注意力（順序可換）3.參數規(guī)模；未顯式訓練的4.類別；位置坐標（或邊界框）5.有意義的詞語；規(guī)則匹配（或基于詞典）6.智能體（Agent）；環(huán)境（Environment）7.橫向聯(lián)邦（水平聯(lián)邦）；縱向聯(lián)邦（垂直聯(lián)邦）8.前向擴散；反向去噪9.公平性；隱私保護（順序可換）10.RLHF（人類反饋強化學習）；指令微調三、簡答題1.區(qū)別與場景：-監(jiān)督學習：使用帶標簽數據訓練，目標是學習輸入到標簽的映射（如圖像分類，標簽為“貓”“狗”）。-無監(jiān)督學習：使用無標簽數據，目標是發(fā)現數據內在結構（如用戶行為聚類，無預設分組）。-半監(jiān)督學習：結合少量標簽數據和大量無標簽數據（如用少量標注醫(yī)療影像+大量未標注影像訓練診斷模型）。2.CNN與ViT的差異：-CNN通過卷積核局部感受野提取空間特征，具有平移不變性，適合捕捉局部模式（如邊緣、紋理）；-ViT將圖像分塊后視為序列，通過自注意力機制全局建模像素間關系，擅長捕捉長距離依賴（如圖像中不同區(qū)域的關聯(lián)）；-CNN參數量隨層數增加線性增長，ViT因全局注意力導致計算復雜度為O(n2)（n為分塊數），需通過稀疏注意力或分層設計優(yōu)化。3.上下文窗口與挑戰(zhàn)：-上下文窗口指模型能處理的最大連續(xù)輸入長度（如GPT-4支持128ktokens）；-技術挑戰(zhàn)：①計算復雜度隨窗口長度平方增長（傳統(tǒng)注意力機制）；②長距離依賴建模（需更高效的注意力模式，如滑動窗口、分塊注意力）；③位置編碼精度下降（傳統(tǒng)正弦編碼或可學習編碼在長序列中區(qū)分度降低）。4.模型壓縮技術：-模型剪枝：刪除冗余參數（如低權重的神經元或注意力頭），減少計算量；-量化：將浮點數參數轉換為低精度（如16位、8位整數），降低存儲和推理延遲；-知識蒸餾：用小模型（學生）學習大模型（教師）的輸出分布，繼承其能力但參數量更??；-稀疏化：將密集矩陣轉換為稀疏表示（如僅保留非零元素），加速計算（任選3種）。5.醫(yī)療AI倫理風險與措施：-風險：①數據隱私（患者病歷、影像包含敏感信息）；②決策偏差（訓練數據中某群體樣本不足導致診斷不公）；③責任界定（模型誤診時醫(yī)生與開發(fā)者的責任劃分）。-措施：①采用聯(lián)邦學習或差分隱私技術保護數據；②引入公平性評估指標（如不同種族/性別的診斷準確率差異）；③建立“人機協(xié)同”流程（模型建議需醫(yī)生復核）。四、綜合應用題1.智能教育輔導系統(tǒng)設計：-核心模塊：-輸入處理：多模態(tài)輸入解析（如OCR提取圖片文本，語音轉文字）；-模型調用：多模態(tài)大模型（如融合文本、圖像、語音的LLM）生成講解內容；-輸出生成：將模型輸出轉換為圖像（如公式推導圖）、語音（自然口語化反饋）和文本（步驟總結）。-關鍵技術：-多模態(tài)融合：使用跨模態(tài)注意力機制對齊文本問題、圖像內容和語音特征；-知識對齊：預訓練階段注入學科知識庫（如數學公式、物理定律），微調階段用教育領域數據優(yōu)化；-交互優(yōu)化：通過強化學習（如基于學生反饋的獎勵信號）調整回答風格（如從詳細推導到簡潔提示）。-挑戰(zhàn)：-延遲控制：多模態(tài)處理需并行計算（如同時處理圖像和語音），需優(yōu)化模型推理速度（如模型量化、邊緣計算）；-多模態(tài)一致性：避免圖像講解與文本答案矛盾（如公式圖與文字推導步驟不一致），需設計一致性損失函數；-知識準確性：需引入外部知識庫驗證模型輸出（如調用學科數據庫校驗答案）。2.AI客服系統(tǒng)評估方案：-數據準備：-構建多場景測試集（售后咨詢占40%、投訴建議占30%、技術問題占30%），覆蓋不同用戶群體（年齡、地域、語言習慣）；-包含邊緣案例（如模糊提問“我的訂單沒收到”需區(qū)分物流/支付問題）和對抗樣本（如情緒化表達“你們服務太差了！”）。-評估指標：-功能指標：意圖識別準確率（如正確分類“退貨”“故障咨詢”）、多輪對話連貫性（如上下文跟蹤能力）；-效率指標：平均響應時間（需≤2秒）、并發(fā)處理能力（如支持1000+用戶同時咨詢）；-用戶體驗：通過問卷調查收集滿意度（如“是否解決問題