2025年人工智能练习题及答案.docxVIP

2025年人工智能练习题及答案

1.简述生成式AI与判别式AI的核心差异，并结合2025年主流技术各举一例说明其典型应用场景。

答案：生成式AI（GenerativeAI）与判别式AI（DiscriminativeAI）的核心差异在于任务目标与建模逻辑。判别式AI的核心是“分类”或“预测”，通过学习输入特征与标签之间的映射关系，解决“是什么”的问题，其模型直接建模条件概率P(y|x)，例如判断一张图片是否为猫。而生成式AI的核心是“创造”或“模拟”，通过学习数据本身的分布规律，解决“如何生成”的问题，其模型建模联合概率P(x,y)或P(x)，能够生成符合训练数据分布的新样本，例如生成一张不存在的猫的图片。

2025年，判别式AI的典型应用仍以高效分类任务为主，如医疗领域的“皮肤癌早期筛查系统”。该系统基于改进的ResNet-50v3模型，通过学习数百万张皮肤镜图像的特征与病理标签的对应关系，可快速判别病变是否为恶性，准确率已突破98.7%。生成式AI则因多模态大模型的普及，在创意设计领域爆发，例如AdobeFirefly3.0集成了文本-图像-3D模型的跨模态生成能力，用户输入“赛博朋克风格的未来城市景观，晨雾中带有霓虹灯”的描述，模型可同时生成2D图像、3D场景模型及配套的材质贴图，其生成内容的多样性与细节真实度较2023年提升40%以上。

2.假设某电商平台需构建用户购买意图预测模型，训练数据包含用户年龄、性别、历史浏览时长、加购商品类别、近30天消费金额5个特征，标签为“未来7天是否购买”（二分类）。请回答以下问题：（1）选择何种机器学习算法更合适？说明理由；（2）若训练后模型在测试集上准确率为92%，但业务方反馈“漏判高价值用户（消费金额1万元）的情况严重”，可能的原因是什么？如何优化？

答案：（1）建议优先选择梯度提升树（如XGBoost或LightGBM），原因如下：①数据特征均为结构化数据（数值型或类别型），梯度提升树对这类数据的拟合能力强于神经网络；②模型可解释性较好，业务方需理解“哪些特征驱动购买意图”（如近30天消费金额权重占比）；③电商场景对预测速度要求高，梯度提升树的推理延迟通常低于深度学习模型（尤其是在边缘设备部署时）。

（2）可能原因：①数据分布不均衡，高价值用户在训练集中占比过低（如仅占5%），模型为追求整体准确率，倾向于预测“不购买”；②特征工程不足，未捕捉高价值用户的独特行为模式（如浏览高单价商品的停留时长、跨品类加购频率等）；③评估指标单一，仅用准确率无法反映少数类的召回率。

优化方案：①采用分层采样或SMOTE算法对高价值用户样本进行过采样，平衡正负类比例；②新增“高单价商品浏览时长占比”“加购商品均价与用户历史消费均价差值”等定制化特征，强化高价值用户的区分度；③调整评估指标，以F1分数（综合精确率与召回率）或AUC-ROC为主，并针对高价值用户单独计算召回率（如要求召回率≥85%）；④引入类别权重（ClassWeight），在损失函数中对高价值用户的误判（假负例）施加更高惩罚（如权重设为5倍）。

3.解释Transformer模型中“自注意力机制（Self-Attention）”的数学原理，并说明其在2025年多模态大模型（如GPT-5、GeminiUltra2）中的改进方向。

答案：自注意力机制的核心是计算序列中每个位置与其他所有位置的相关性，从而动态分配权重。数学上，输入序列X（形状为n×d，n为序列长度，d为特征维度）首先通过三个线性变换得到查询（Query,Q=XW_Q）、键（Key,K=XW_K）、值（Value,V=XW_V），其中W_Q、W_K、W_V为可学习的参数矩阵。注意力得分矩阵A通过Q与K的点积计算（A=QK^T/√d_k，√d_k为缩放因子，防止点积过大导致梯度消失），随后通过Softmax函数归一化得到注意力权重矩阵（Attention=softmax(A)V）。每个位置的输出是该位置对所有位置的Value的加权和，权重由Query与Key的相似度决定。

2025年多模态大模型对自注意力机制的改进主要体现在三方面：①稀疏化与分块（SparseBlockAttention）：针对长序列（如图像的16×16分块后约4096个token），采用局部窗口注意力（如滑动窗口大小128）结合全局稀疏注意力（仅关注关键位置），将计算复杂度从O(n2)降至O(n√n)；②跨模态对齐（Cross-ModalAlignment）：在文本-图像-语音多模态输入时，引入模态特定的位置编码（如视觉的2D位置编码、语音的时间步编码），并在注意力计算中加入模态交互项（如A=QK^T+M，M为模态间相似