2025年广西部分学校高考语文三模试卷.docx

第PAGE1页（共NUMPAGES1页）

2025年广西部分学校高考语文三模试卷

一、现代文阅读

1．阅读下面的文字，回答各题。

材料一：

深度学习是一种在表达能力上灵活多变，同时又允许计算机不断尝试，直到最终逼近目标的一种机器学习方法。从数学本质上说，深度学习与传统机器学习方法没有实质性差别，都是希望在高维空间中，根据对象特征，将不同类别的对象区分开来。但深度学习的表达能力，与传统机器学习相比，却有着天壤之别。

简单地说，深度学习就是把计算机要学习的东西看成数据，把这些数据丢进一个复杂的、包含多个层级的数据处理网络（深度神经网络），然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合，就保留这个网络作为目标模型，如果不符合，就一次次地、锲而不舍地调整网络的参数设置，直到输出满足要求为止。

当图像数据化作数字水流注入深度学习构成的“水管网络”，每个像素点都转化为流量参数。网络入口对应图像像素矩阵，出口连接着汉字标签，中间层数以千计的调节阀控制着信息流转。以识别“田”字为例，计算机将28×28像素的图片展开成784道初始水流，这些水流携带黑白像素的强度值涌入首层管道。

水流在层级间传递时，每个调节阀执行双重任务：通过权重系数调整流量大小（类似阀门开合度），并施加非线性函数塑造水流形态（类似整流器功效）。当水流最终抵达出口层时，“田”字对应的管道应呈现最大流量。初始状态下水流分布往往错乱，这时损失函数开始工作——它像精准的流量计量仪，计算实际流量与预期值的偏差。反向传播算法随即启动，沿管道逆向计算每个阀门对误差的影响程度，梯度下降法则以0.001级别的微调步长，同步优化数十万个阀门的开合参数。

学习“申”字时，系统面临更精密的调控挑战：既要保持“田”字对应的阀门组合，又要在新特征（中竖贯穿）出现时创建专用通道。这种平衡通过小批量训练实现，每次注入数百张不同汉字的水流样本，让阀门参数在多种数据模式间寻找最优解。经过数万次迭代，网络逐渐形成特征提取的层级结构：底层阀门捕捉横竖笔画，中层识别部件组合，高层建立完整字形映射。

训练完成的管网系统呈现惊人的泛化能力：即使面对略有变形的“田”字（如笔画倾斜或墨迹不均），水流仍能通过已建立的阀门通道准确汇聚到目标出口。这种特性源于深度学习的分层抽象机制——每个阀门不记忆具体图案，而是学习笔画走向、结构比例等本质特征。当系统处理全新汉字时，只需冻结阀门参数，观察出口流量分布即可完成识别，整个过程在GPU加速下只需数毫秒，展现出生物神经网络难以企及的计算精度。深度学习大致就是这么一个用人类的数学知识与计算机算法构建起整体架构，再结合尽可能多的训练数据，以及计算机的大规模运算能力去调节内部参数，尽可能逼近问题目标的半理论、半经验的建模方式。

（摘编自李开复《AI复兴：深度学习+大数据＝人工智能》）

材料二：

深度学习，作为机器学习的一个分支，其核心在于通过构建多层神经网络来模拟人类大脑的学习过程。这种网络结构能够处理复杂的数据，通过逐层变换特征，最终提升分类或预测的准确性。深度学习之所以得名，是因为其网络结构往往包含多个隐藏层，这些隐藏层能够学习到数据的深层特征，从而实现更精确的学习和预测。

“阿尔法狗”是深度学习在围棋领域的杰出代表。它通过对大量围棋对局数据的学习，掌握了围棋的基本规则和策略。更重要的是，“阿尔法狗”还具备自我对弈的能力，通过不断与自己进行对弈，进一步优化和完善其策略。这种自我学习的能力使得“阿尔法狗”在围棋领域取得了前所未有的成就，甚至击败了人类顶尖棋手，展现了深度学习的强大威力。

深度学习不仅在围棋领域大放异彩，在其他领域也展现出巨大的潜力。例如，在图像识别、语音识别、自然语言处理等方面，深度学习已经取得了显著的进展。通过构建复杂的神经网络模型，深度学习能够处理和理解大量的图像、声音和文字信息，从而实现更精确的分类、识别和预测。

深度学习的发展无疑对社会和就业产生了深远的影响。一方面，深度学习技术的应用提高了生产效率和质量，促进了经济的发展和社会的进步。另一方面，深度学习的发展也带来了一些挑战和问题。

首先，深度学习技术的快速发展可能导致部分传统职业的消失。随着自动化和智能化的程度不断提高，一些简单重复性的工作可能会被机器取代。这将对就业市场造成一定的冲击，需要政府和社会各界共同努力，通过培训和转型等方式帮助受影响的人群重新就业。

其次，深度学习技术的发展也带来了数据安全和隐私保护的问题。由于深度学习需要大量的数据来进行训练和学习，因此如何确保数据的安全性和隐私性成了一个重要的课题。需要加强数据保护法律法规的制定和执行，同时提高公众的数据保护意识。

最后，深度学习技术的发展还存在伦理问题和社会问题。例如，在自动驾驶领域，深度学习技术的应用需要确保车辆的安全性和可靠性，