考试时间：90分钟 满分：100分注意事项：
一、单选题（每题2分，共20题，计40分）请从每题给出的四个选项中，选出一个最符合题意的答案。
1.人工智能的提出者约翰·麦卡锡认为，人工智能的核心目标是（ ）。A. 模拟人类智能行为并扩展其能力B. 开发具有自我意识的机器C. 完全替代人类劳动D. 构建纯数学推理系统
2.在深度学习框架中，自动微分主要通过构建（）实现梯度计算。A. 计算图 B. 哈希表 C. 二叉树 D. 队列
3.卷积神经网络（CNN）最适合应用的任务是（ ）。
A. 股票价格预测
B. 自然语言翻译
C. 图像分类
D. 机器人路径规划
4.某医院计划开发智能医疗辅助系统，利用知识图谱技术提升诊疗效率。下列功能最能体现知识图谱核心优势的是（）。
A. 根据患者主诉症状自动推导出可能的病因，并提供相关诊断依据和鉴别要点
B. 自动识别医学文献中的关键词，统计疾病与症状的共现频率
C. 存储海量患者的电子病历数据，并支持按姓名、病历号等字段快速检索
D. 将医生的语音问诊记录实时转写为结构化文本病历
5.以下属于监督学习的应用场景是（）。
A. 有标注数据集的图像分类B. 基于无标签数据的聚类分析C. 强化学习的游戏AI训练D. 基于生成对抗网络的图像生成
6.在深度学习中，ReLU激活函数的主要作用是什么？（ ）
A. 增加模型复杂度B. 引入非线性C. 减少计算量D. 防止过拟合
7.在一个人工智能预测模型中，使用线性回归预测子女身高：Y = aX₁ + bX₂ + c (X₁为母亲身高，X₂为父亲身高，Y为子女身高)，模型参数a、b、c的获取方法是（ ）。
A. 通过带有真实子女身高标注的数据集训练得到
B. 基于遗传学经验公式设定
C. 通过无标注的家族身高数据聚类分析得出
D. 通过支持向量机SVM分类模型得到
8.在训练一个房价预测模型时，发现模型在训练数据上的预测误差极低，但在测试数据上误差显著增加。这种现象通常被称为（）。
A. 过拟合B. 欠拟合C. 数据泄露D. 数据增强
9.大语言模型提示工程（Prompt Engineering）的主要目的是（ ）。A. 删除模型中的冗余参数B. 训练模型从零开始学习新任务C. 减少模型对计算资源的需求D. 通过设计输入指令引导模型生成符合期望的输出
10.某医疗科技公司需提升大模型在疾病诊断报告解读中的专业准确性，以下最有效的技术手段是（）。
A. 增加分布式计算节点数量B. 引入专家标注的疾病诊断报告数据集C. 引入多语言医疗文献数据集D. 增加无标注的CT和X光样本
11.人工智能在电气工程中的应用是（）。
A. 设计电线杆颜色
B. 电网负荷预测与智能调度
C. 管理电力公司财务
D. 制作电力宣传册
12.以下哪项不属于人工智能的伦理问题？（）
A. 数据隐私
B. 算法偏见
C. 就业替代
D. 硬件故障
13.以下哪项技术常用于减少过拟合？（）
A. 增加数据量
B. 正则化
C. 使用更复杂的模型
D. 减少训练轮次
14.在强化学习中，智能体通过什么来学习最优策略？（）
A. 监督信号B. 奖励信号C. 无监督学习D. 预定义规则
15.智慧医疗AI模型在上线前必须通过（ ）。
A. 随机测试B. 临床试验与伦理审批C. 员工投票D. 广告宣传
16.智能教育平台利用知识图谱进行课程推荐时，不需要完成的关键步骤是（）。
A. 实体对齐与消歧B. 关系抽取与置信度评估C. 随机删除节点D. 路径推理与排序
17.机器学习的核心目标是（）。
A. 增强数据可视化效果B. 提高数据存储效率C. 使计算机能够从数据中学习并改进性能D. 完全替代人类决策
18.以下不属于大语言模型核心特征的是（）。
A. 基于Transformer等深度架构的多层神经网络B. 无需大量训练数据C. 参数规模庞大D. 具备多任务泛化能力
19.在卷积神经网络（CNN）中，池化层的主要作用是什么？（ ）A. 增加特征数量B. 减少数据维度C. 提高模型复杂度D. 引入非线性
20.数字化转型的核心驱动力是（）。
A. 硬件设备的更新B. 数据的价值挖掘与应用
C. 员工数字化技能培训D. 企业官网的线上化
二、多选题（每题4分，共5题，计20分）请从每题给出的四个选项中，选出所有符合题意的答案。多选、少选、错选均不得分。
21.人工智能技术应用的优势包括（）。
A. 提高效率B. 降低成本C. 增加就业D. 减少误差
22.机器学习的主要分类方法包括（）。
A. 监督学习B. 无监督学习C. 强化学习D. 半监督学习
23.人工智能伦理问题的主要挑战包括（）。
A. 数据安全B. 算法公平性C. 人机交互D. 技术垄断
24.以下哪些技术可用于检测人工智能模型是否被植入后门？（）
A. 神经元激活分析B. 输入触发器搜索C. 模型剪枝D. 行为异常检测
25.以下关于大语言模型的说法，正确的有（）。
A. “思维链”技术能帮助模型分解复杂任务B. 预训练是其获得通用语言理解能力的核心技术C. 增加公平性评估可以缓解模型偏见D. 深度求索（DeepSeek）R1在推理算力成本方面有重要突破
三、判断题（每题2分，共20题，计40分）请判断下列各题的正误，正确的在答题卡上涂“√”，错误的涂“×”。
26.人工智能技术可以完全替代人类劳动。（）
27.机器学习算法都需要大量标注数据进行训练。（）
28.深度学习是机器学习的一种子集。（）
29.传感器是人工智能系统的核心部件。（）
30.人工智能的“黑箱问题”是指算法不透明。（ ）
31.在数据预处理中，“数据清洗”的主要目的是去除噪声、填补缺失值、修正错误数据。（ ）
32.大数据（Big Data）的“4V”特征包括大量（Volume）、高速（Velocity）、多样（Variety）和高价（Value）。（ ）
33.机器学习中的“过拟合”问题可以通过单纯增加数据量完全解决。（ ）
34.第三方评估机构的引入可以提高人工智能安全治理的独立性与公信力。（）
35.弱人工智能与强人工智能的核心区别在于是否具备自主意识与决策能力。（）
36.生成式AI（AIGC）的典型技术包括生成对抗网络（GAN）、转换模型（Transformer）和支持向量机（SVM）。（ ）
37.边缘计算在数据源头附近处理数据，可以降低延迟。（）
38.区块链技术的核心特性是集中化存储与高速运算。（）
39.“数据标注”的核心作用是为监督学习提供带标签的训练数据。（ ）
40.自然语言处理（NLP）中的“词向量”技术可以将词语映射到低维连续向量空间，捕捉语义关系。（ ）
41.模型轻量化技术可以在保证模型性能的前提下降低对算力的需求。（）
42.数字化转型中，“数字孪生”的本质是建立物理实体的虚拟映射，实现实时交互与预测。（ ）
43.湖南省的智能制造企业应用人工智能技术时，无需考虑数据隐私和算法公平性等伦理问题。（）
44.对于XML数据格式，其基于标签设计且支持自定义标签。（ ）
45.在强化学习中，智能体的行为完全由预设的固定规则决定，无需与环境交互。（）
参考答案与解析
一、单选题
1.A （约翰·麦卡锡认为AI核心目标是模拟人类智能并扩展其能力。）
2.A （深度学习框架通过构建计算图实现自动微分。）
3.C （CNN专门设计用于处理具有网格状拓扑结构的数据，如图像。）
4.A （知识图谱利用实体间的语义关联进行推理和诊断。）
5.A （监督学习需要使用带标签的数据集进行训练。）
6.B （ReLU激活函数通过引入非线性使神经网络能学习复杂模式。）
7.A （线性回归模型的参数通过标注数据集训练得到。）
8.A （模型在训练集上表现好但在测试集上表现差是典型的过拟合现象。）
9.D （提示工程旨在通过设计输入引导大模型输出期望结果。）
10.B （引入专家标注的专业数据集能最有效地提升模型在特定领域的准确性。）
11.B （电网负荷预测与智能调度是AI在电气工程中的典型应用。）
12.D （硬件故障属于技术问题，而非AI伦理问题。）
13.B （正则化通过向损失函数添加惩罚项来限制模型复杂度，减少过拟合。）
14.B （强化学习中，智能体通过最大化累积奖励信号来学习最优策略。）
15.B （医疗AI模型作为医疗器械，上线前必须通过严格的临床试验与伦理审批。）
16.C （知识图谱推荐的关键步骤包括实体对齐、关系抽取和路径推理，随机删除节点不是有效步骤。）
17.C （机器学习的核心是让计算机从数据中学习并自主改进性能。）
18.B （大语言模型的一个核心特征是需要海量训练数据，而非无需大量数据。）
19.B （池化层的主要作用是下采样，减少特征图的维度，降低计算量。）
20.B （数字化转型以数据的价值挖掘与应用为核心驱动力。）二、多选题
21.ABD （提高效率、降低成本、减少误差是AI应用的主要优势。增加就业的说法不明确，有时AI会替代部分岗位。）
22.ABCD （监督学习、无监督学习、强化学习和半监督学习都是机器学习的主要分类。）
23.ABD （数据安全、算法公平性和技术垄断是AI伦理的主要挑战。人机交互是技术实现方式，不直接属于伦理挑战。）
24.ABD （神经元激活分析、输入触发器搜索和行为异常检测可用于检测模型后门。模型剪枝是一种模型优化技术，不是检测方法。）
25.ABCD （“思维链”技术能分解复杂任务；预训练是基础能力；增加公平性评估能缓解偏见；DeepSeek R1在推理成本上取得了重要突破。）
三、判断题
26.× （AI目前是辅助人类，不能完全替代所有劳动。）
27.× （无监督学习就不需要标注数据。）
28.√ （深度学习是机器学习的一个重要子集。）
29.√ （传感器是AI系统感知外部环境的核心部件。）
30.√ （“黑箱问题”指AI模型的内部决策过程难以被人类理解和解释。）
31.√ （数据清洗的核心目的就是处理噪声、缺失值和错误数据。）
32.× （“4V”特征包括大量、高速、多样和价值（Value），而非“高价”。）
33.× （增加数据量可以缓解但未必能完全解决过拟合，还需配合正则化等方法。）
34.√ （独立第三方评估能提升AI安全治理的公信力。）
35.√ （核心区别在于是否具备类人的自主意识和广泛决策能力。）
36.× （支持向量机（SVM）是传统机器学习算法，不属于生成式AI技术。）
37.√ （边缘计算在靠近数据源的地方处理数据，显著降低延迟。）
38.× （区块链的核心特性是去中心化和不可篡改。）
39.√ （数据标注为监督学习模型提供训练所需的“正确答案”。）
40.√ （Word2Vec等词向量技术能将词语转化为包含语义信息的向量。）
41.√ （模型轻量化（如剪枝、量化）旨在减少计算和存储需求的同时保持性能。）
42.√ （数字孪生是物理实体在虚拟空间中的高保真映射，可实现实时交互与预测。）
43.× （任何地区和企业应用AI都必须重视数据隐私和算法公平性等伦理问题。）
44.√ （XML（可扩展标记语言）基于标签，且允许用户自定义标签。）
45.× （强化学习中，智能体通过与环境的持续交互和试错来学习策略，而非依赖固定规则。）
