人工智能期末核心考点详解 上篇

第二章：

1、无监督学习的训练样本仅含输入特征，缺乏预设输出标签，模型依靠自主发掘数据内在规律（例如聚类）来完成学习。

2、结构化数据常以表格或数据库记录形式呈现，具备标准化字段（如姓名、年龄、分数），可直接被传统机器学习模型处理。

3、分类算法的根本目标是将数据归入不同类别，输出离散的类别标签（例如判定图像是否属于猫）。

4、在机器学习领域，（强化学习）侧重于探讨如何通过与环境互动来制定决策。

5、聚类算法不需要预设标签，通过计算数据对象间的相似程度，将相似对象归入同一簇（组），实现数据的无监督分组。

6、决策树属于传统机器学习算法，依赖人工特征工程，适用于结构化数据的分类与回归任务；而CNN、RNN、Transformer则归类为深度学习算法。

7、回归算法旨在预测连续的数值型结果（例如预测房价、气温），其输出结果为连续变量。

8、监督学习的典型任务涵盖分类、回归及预测，而聚类则归属于无监督学习的任务范畴。

9、AI的核心构成要素包含：算法、数据、算力。

10、在模型训练阶段，通常将数据拆分为训练集（用于调整参数）和验证集（用于监控训练进程）。

11、大语言模型的核心神经网络架构是Transformer架构

，它通过处理完整文本序列来优化上下文理解能力。

12、深度学习确实是机器学习的一个分支，其主要特征在于利用多层神经网络进行数据建模。

13、监督学习的核心特征在于训练数据包含输入特征及对应的输出标签，模型通过学习标签映射关系来实现预测。

14、在强化学习的迷宫游戏中，智能体通过与环境交互（试错并获取反馈）学习最优生存策略，其核心在于交互学习机制。

15、Ollama支持CPU和GPU环境，借助GPTQ量化技术压缩模型参数，使得70B大模型能在普通笔记本（CPU）上运行。

16、数据标注的核心作用是为数据添加标签，供监督学习模型学习输入与输出的映射关系；无监督学习无需预设标签，因此不需要数据标注。

第四章：

20、AIGC工具的哪项功能可协助用户快速修改并润色文本。（改写文本）

21、在文本生成中，AIGC可利用（润色）技巧提升语言表达的流畅度与准确性。

22、AIGC的应用场景涵盖文本生成、图像生成、音视频生成以及代码生成等。

23、AIGC指的是运用人工智能技术，特别是深度学习算法，创作各类数字内容的一种新型内容创作模式。

第六章：

24、模型逆向攻击是指攻击者利用模型输出反向推导原始训练数据内容，甚至完整还原敏感信息。

25、可解释性风险指AI模型的决策过程缺乏透明度或可理解性，导致输出难以被人类追溯、验证或建立信任。

26、人工智能伦理挑战主要聚焦于隐私保护、算法偏见、就业替代等议题，而能源消耗更多属于技术实现层面的考量。

27、欧盟《人工智能法案》是全球首部综合性AI法规，采用风险分级监管体系，旨在确保AI系统安全及基本权利。

28、应对人工智能伦理问题的措施包括制定法律法规、加强技术研发及提升公众意识，完全禁止使用既不现实也不是合理的应对方案。

27、人工智能的安全风险主要包含数据泄露、算法滥用和网络攻击等，硬件故障更多属于设备层面的问题，不属于人工智能特有的安全风险。

28、《生成式人工智能服务管理暂行办法》是中国针对生成式AI的专项法规，要求训练数据合法正当，保障用户权益。

29、AI幻觉的成因涵盖数据质量低（含错误或过时信息）、模型架构限制、解码策略随机性及训练方法缺陷，数据量过大并非直接成因，高质量大规模数据反而能降低幻觉概率。

30、人工智能算力需求呈指数级增长，引发硬件成本与能源消耗等严峻挑战，成为制约AI可持续发展的瓶颈。

31、AI偏见源于训练数据中隐含的社会认知（如性别、种族不平衡），模型从数据中习得人类社会的潜规则，进而产生歧视性输出。

32、AI幻觉指生成式AI生成的文本看似合理，实则包含不准确、虚构或与上下文矛盾的内容，分为事实性幻觉与忠实性幻觉。

33、隐私保护和算法偏见是人工智能发展中的主要伦理问题，能源消耗和信息安全虽重要，但更多属于技术和管理范畴。

34、AI幻觉包含事实性幻觉（与现实事实不符）和忠实性幻觉（与用户指令或上下文不符）两类。

35、数字水印技术可在AI生成内容中嵌入隐藏标识，清晰区分人类创作与机器输出，实现版权溯源。

36、可解释性风险指AI模型的决策过程缺乏透明度，导致输出难以被人类追溯、验证或信任。

37、AI无法成为法律意义上的“作者”，其生成内容的版权归属存在法律模糊性，通常归属于开发者或用户。

38、AI偏见的