（省二模）广东省2025年高三高考模拟测试（二）语文试卷（含答案及解析）.docx

★启用前注意保密

广东省2024年普通高等学校招生全国统一考试模拟测试(二)

语文

本试卷共11页,23小题,满分150分。考试用时150分钟。

注意事项：1.答卷前，考生务必将自己所在的市(县、区)、学校、班级、姓名、考场号、座位号和考生号填写在答题卡上，将条形码横贴在每张答题卡右上角“条形码粘贴处”。

2.作答选择题时，选出每小题答案后，用2B铅笔在答题卡上将对应题目选项的答案信息点涂黑；如需改动，用橡皮擦干净后，再选涂其他答案。答案不能答在试卷上。

3.非选择题必须用黑色字迹的钢笔或签字笔作答，答案必须写在答题卡各题目指定区域内相应位置上；如需改动，先画掉原来的答案，然后再写上新答案；不准使用铅笔和涂改液。不按以上要求作答无效。

4.考生必须保证答题卡的整洁。考试结束后，将试卷和答题卡一并交回。

一、现代文阅读(36分)

(一)现代文阅读Ⅰ(本题共5小题,20分)

阅读下面的文字，完成1~5题。

动画《极速战警》在20多年前首次播出，主角们拥有特殊技能。故事发生在未来的东京，在无人驾驶革命很久以后，只剩下罗娜、理沙和走一仍然懂得如何开车。这群年轻人接受过的独特训练能派上用场，他们在夜晚追寻发生异常的自动驾驶汽车，这些汽车遭受了蓄意破坏或是代码出错。

从工业化初期，我们就一直担心机器可能会破坏劳动力。不过随着自动化出行大行其道，专业司机将在这些反乌托邦愿景中发挥主导作用。相比过去的恐慌，现在我们关于自动化对工作影响的焦虑有了更加严谨的基础。

早在20世纪90年代末，几十年的技术变革已经积累在经济中。人们知道工作正在随着自动化的广泛运用而改变，但是没有理论指引研究者，甚至没有共同语言概述问题。随着政策制定者日益关注这个问题，一支由三个教授组成的跨学科的梦之队集结而成，以共同解决难题。在之后的几年里，这三个人找到了巧妙而全面的新方法，他们称之为“任务模型”。任务模型进行了两种基本区分。首先，“常规工作”和“非常规工作”存在区别。常规工作包括重复相同程序的任务。对此，教授们解释道：“这些工作可以由编程指令详尽地指定并由机器执行。”相比之下，非常规工作涉及解决

语文模拟测试(二)第1页(共11页)

问题和复杂的沟通。教授们写道：“几乎没有基于计算机的技术能从模型中得出推论，解决新问题，或者形成有说服力的论点。”其次，“体力任务”和“认知任务”之间有区别。体力任务主要涉及物理世界的操作，认知任务则发生在更加抽象的分析和互动领域。

运用这两种基本区分，我们就有可能对某项特定工作的重复性和智力要求进行分类。将两种基本区分一起使用，形成了四种截然不同的工作类型。教授们推断，每种工作类型具有完全不同的计算机化潜能(见表1)。

表1任务模型预测工作的计算机化

任务

常规任务

非常规任务

认知任务

例子

记录

构建/检验假设

计算

法律文书

重复性顾客服务

说服/销售

管理他人

计算机化潜能

基本可替代

互补性强

体力任务

例子

挑选或分类

看门服务

重复性组装

卡车驾驶

计算机化潜能

基本可替代

替代或互补机会有限

任务模型的概念框架已经改变了现在研究者理解自动化影响人类工作前景的方式，其具体预测已经证明非常有预见性和惊人的持久性。任务模型在2003年首次发表时，很多常规和认知任务的自动化程度已经很高。自动取款机严重削弱了银行柜员的地位，数据库破坏了文书工作。不过，研究者关于“挑选或分类”的自动化的预测仅在电子商务运营中实现了：正如我们之前所看到的，仓库机器人取代了人类工人。与此同时，对人机互补更乐观的预测也出现了。在医疗诊断中使用计算机视觉，能帮助医生以更低的成本提供更好的服务。不管怎样，人工智能极大地增强了人类的沟通能力，有助于说服他人。此外，尽管任务模型给卡车驾驶加上“替代或互补机会有限”的标签，但投资者不同意这种说法，仅在2017年就向自动驾驶卡车初创公司投资约10亿美元。即使你和任务模型的推测保持一致，不相信可能出现全自动卡车，但是计算机化的副驾驶员肯定在路上了。

尽管有些预测不够精准，但是任务模型在首次尝试解决真正棘手的问题上，向前迈出了一大步。任务模型还需要10多年的时间，才能真正运用于全面详细地拆解所有劳动力，对每项工作进行测试。在此期间，机器学习的进步不仅推动了产业的计算机化，也促进了科学界的计算机化。讽刺的是，经济学实验室采用廉价的人工智能，揭示了自动化如何威胁到范围更广、过去认为安全的工作岗位。

值得注意的是，该模型只关注现有职业，将我们局限在某个位置上，我们所看到

语文模拟测试(二)第2页(共11页)

的未来只是今天劳动力的残余。不过，如果未来的工作和现在的工作不一样，那情况会怎么样呢?无党派团体“保护美国未来能源”发布了报告《美国劳动力和自动驾驶未来》，