智识巩固参考答案
一、单选题
1.答案：B
解析：A选项仅对应贝尔曼的定义，片面；C选项对应库兹韦尔的定义，侧重行为模拟，并非通用定义；D选项对应查尔尼克等人的定义，仅聚焦理性思维，片面；B选项是各类定义得出的通用定义，涵盖核心内涵。
2.答案：B
解析：弱人工智能（狭义人工智能）专注于单一特定领域任务，无自主意识，是当前全球唯一实现规模化应用的AI类型（如人脸识别、智能推荐）；强人工智能、超人工智能目前均未实现落地，通用人工智能即强人工智能。
3.答案：B
解析：1956年达特茅斯会议首次启用“人工智能”术语，界定了科研愿景，宣告人工智能作为独立学科正式诞生；A选项提出图灵测试，为智能判定提供参照；C选项是早期AI成果，验证了机器模拟人类演绎的可行性；D选项是第二次浪潮的重要成果。
4.答案：B
解析：2017年国务院印发的《新一代人工智能发展规划》，是我国首个人工智能领域国家级战略文件，确立了“三步走”战略目标；A、C、D选项均为后续出台的政策或文件，并非首个国家级战略文件。
5.答案：C
解析：传统流水线工人属于传统岗位，面临人工智能的替代效应，并非新兴职业；A、B、D选项均为人工智能催生的新兴职业。
二、判断题
1.答案：×
解析：人工智能隶属于计算机科学，同时融合了心理学、哲学、数学、神经科学等多学科理论与方法，是一门交叉性极强的新兴学科，并非纯技术学科。
2.答案：×
解析：强人工智能（通用人工智能）目前仍处于理论研究阶段，尚未有任何可落地的技术实现，无法实现产业化落地。
3.答案：√
解析：人工智能第三次浪潮始于20世纪90年代中后期，依托海量数据、GPU算力与深度学习算法，实现了范式转移，技术已深度嵌入实体经济环节，形成完备产业生态。
4.答案：×
解析：我国对人工智能领域的探索与国际学科建制化进程基本同步，1956年国际达特茅斯会议同年，中国科学院自动化研究所已开启相关探索，只是后续经历了长期停滞。
5.答案：×
解析：人工智能素养是知识、技能、思维与价值相交融的四维结构，不仅包含操作技能，还需具备AI相关知识、批判性思维、伦理意识等，仅掌握工具使用无法满足未来职场需求。
三、简答题
1.答案：
人工智能的两个核心特征是：
（1）具备类人思维能力：能够模拟人类的思维活动，开展决策、问题求解、学习等与人类思维相关的活动，对复杂问题进行分析与判断。例如，医学图像处理中，AI通过对CT、核磁共振等影像的分析，圈定疑似病灶、辅助良恶性判断，模拟人类医师的诊断思维。
（2）具备类人行动能力：能够替代人类完成需要智能支撑的各类工作，甚至在部分领域达到或超越人类表现。例如，自动驾驶系统能够自主感知路况、规划路线、规避风险，替代人类完成驾驶操作。
解析：核心围绕“类人思维”“类人行动”两个维度，结合应用场景举例，贴合特征内涵即可。
2.答案：
我国人工智能发展的特色路径主要体现在三个方面：
（1）顶层设计与制度闭环：国家通过出台宏观政策（如《新一代人工智能发展规划》）设定阶段目标，构建“国家统筹、地方试点、行业规范”的三级协同网络，破除数据要素流通壁垒。
（2）数据红利与算力突围：依托超大规模人口基数与移动互联网普及率，拥有全球领先的多模态数据集；推进“东数西算”工程，构建国产全栈算力体系，推进关键领域算力替代。
（3）开源生态与全链路布局：拥抱开源开放，构建具有全球竞争力的开源生态圈；搭建覆盖基础层、框架层、模型层与应用层的完整产业架构，攻坚国产“根技术”，形成门类齐全的产业集群。
解析：核心提炼“中国特色发展路径”的三个核心要点，简要展开每个要点的关键内容，无须过度延伸。
一、单选题
1.答案：B
解析：1946年2月，世界上公认的第一台通用电子数字积分计算机（ENIAC）在美国宾夕法尼亚大学研制成功；EDVAC是冯·诺依曼提出的离散变量自动电子计算机方案； Mark I是早期机械计算机；UNIVAC是第一台商用计算机。
2.答案：C
解析：冯·诺依曼体系的三大核心原理是存储程序机制、二进制编码规范、指令驱动与顺序控制；程序与数据物理隔离是哈佛架构的特征，冯·诺依曼体系中程序与数据共享同一存储空间与访问通道。
3.答案：C
解析：C++属于编译型语言，需在运行前一次性编译为机器指令可执行文件；Python、JavaScript属于解释型语言；Java属于混合型语言，先编译为字节码，再由虚拟机解释执行。
4.答案：B
解析：Python属于混合型执行机制，运行时先由解释器编译为平台无关字节码，再由Python虚拟机解释执行，并非纯解释型语言；A、C、D选项均为Python的正确特征。
5.答案：B
解析：现代计算机系统五层分层中，硬件物理层处于最底端，由CPU、内存条、硬盘等实体元器件构成，是整个系统的物质载体；其他选项均位于硬件物理层之上。
二、判断题
1.答案：×
解析：第一代计算机（电子管时代）采用真空电子管作为基本逻辑门开关元件；晶体管是第二代计算机的核心元器件。
2.答案：√
解析：哈佛架构采用物理隔离的存储空间和独立总线，分别存储程序与数据，可实现指令和数据并行读取，有效解决了冯·诺依曼体系中“程序与数据共享总线导致的拥堵”（即冯·诺依曼瓶颈）。
3.答案：×
解析：操作系统属于系统软件，是计算机系统中最核心的系统软件，负责管理硬件资源、为上层应用提供运行环境；应用软件专注于解决具体业务需求。
4.答案：√
解析：NumPy封装了连续内存块的直接寻址机制，提供多维数组（ndarray）与向量化运算，规避了Python原生循环的性能损耗，是Python科学计算、人工智能领域的底层核心支撑。
5.答案：×
解析：汇编语言的每一条助记符与底层机器指令呈一一对应关系，仍依赖特定硬件指令集，不具备跨平台可移植性；高级语言才摆脱了硬件束缚，具备良好可移植性。
三、简答题
1.答案：冯·诺依曼体系架构的五大部件及核心功能如下：
（1）运算器：承担数据加工，执行算术运算（加减乘除）和逻辑运算（与、或、非等）；
（2）控制器：作为系统“神经中枢”，执行“取指—译码—执行”循环，解析指令并分发控制信号；
（3）存储器：统一存储程序指令与数据，具备编址单元，供CPU读写；
（4）输入设备：将外部信息（如按键、图像）转换为计算机可识别的二进制信号，送入内存；
（5）输出设备：将内存中的数字信号还原为人类可感知的形式（如文字、图像）。
解析：五大部件构成“输入—存储—运算—输出”的闭环架构，是现代计算机的物理骨架，核心依托存储程序机制实现通用计算。
2.答案：Python在人工智能领域广泛应用的主要原因：
（1）语法简洁、可读性高，降低学习与开发门槛，让开发者专注于算法建模，无须过度关注底层语法；
（2）生态完善，拥有NumPy、Pandas、Scikit-learn、PyTorch等全套AI工具栈，覆盖数据预处理、模型构建、训练与部署全链路；
（3）具备良好的可扩展性，可通过C/C++编写扩展模块，弥补解释型语言在密集型计算场景下的性能短板；
（4）交互式开发范式（如Jupyter Notebook），便于算法调试、数据探索与科研成果复现；
（5）跨平台兼容性强，可在Windows、Linux、云端等不同环境中平滑迁移，适配AI开发与部署需求。
解析：核心优势在于“易用性+完善生态”，兼顾开发效率与工程落地能力，适配人工智能从原型验证到工业部署的全流程需求。
一、单选题
1.答案：B
解析：机器学习的严谨形式化定义由汤姆·米切尔在《Machine Learning》中提出，核心是“任务T、性能指标P、经验E”三者相互支撑，形成闭环；A选项“输入—人工定义逻辑规则—输出”是传统软件工程范式，且定义并非图灵提出；C选项错误，机器学习致力于挖掘数据背后规律，可应对未知样本；D选项错误，性能指标P会随经验E积累持续优化。
2.答案：C
解析：机器学习完整开发流程包括数据采集、数据预处理、特征工程、模型训练、模型评估、模型部署六个环节；模型迭代是模型优化的过程，并非独立开发流程。
3.答案：B
解析：卷积神经网络是专为图像这类二维网格拓扑数据设计的空间特征提取架构，依托局部感受野与参数共享机制处理图像；A选项循环神经网络（RNN）适用于一维时序数据；C选项Transformer适用于各类序列数据，并非专门针对二维网格数据；D选项生成对抗网络（GAN）主要用于生成式任务。
4.答案：C
解析：中文分词的核心难题包括歧义消歧、未登录词识别，且中文无显式词语分隔符（与印欧语系不同）；词性标注是分词后的后续文本处理步骤，不属于分词的核心难题。
5.答案：B
解析：语音信号数字化的预滤波环节，通过低通电路滤除高于语音有效频段的高频干扰分量，规避混叠现象；A选项量化是将连续幅值映射为离散等级；C选项分帧加窗是为了将非平稳语音近似为稳态信号；D选项预加重是为了补偿高频衰减。
二、判断题
1.答案：×
解析：机器学习是典型的多学科交叉融合领域，其理论根基承袭统计学，算法设计融合计算机科学，还借鉴了认知科学、神经生物学、控制论等多学科成果，并非单一学科分支。
2.答案：√
解析：早期深层神经网络存在梯度消失等问题，ReLU激活函数、批量归一化、残差网络等技术的出现，有效缓解了梯度消失、局部最优等难题，推动了深层网络的工程落地。
3.答案：√
解析：计算机视觉的根本目标是赋予机器模拟生物视觉机制的解析能力，从数字图像或多维视频流中提取高维语义信息，支撑自动化决策与逻辑推理，最终实现“看图知意”。
4.答案：×
解析：独热编码存在固有局限，其向量之间呈正交分布，无法体现词语间的语义关联，且向量维度随词汇表扩容而增长，不适用于大规模语料场景；词向量（分布式表示）可解决这一问题。
5.答案：√
解析：神经语音合成依托深度网络架构完成端到端建模，无须人工定制复杂语言学规则，可适配多音色、多语速、多风格的语音生成需求，韵律细节贴合真实口语。
三、简答题
1.答案：
（1）核心区别：传统软件工程遵循“输入—人工定义逻辑规则—输出”的确定性指令流范式；机器学习重构为“输入数据—输出结果—反向归纳潜在规则”的数据驱动模式，无须人工定义具体逻辑规则。
（2）经验驱动泛化机制：将历史业务数据量化为经验样本，算法解析样本特征与标签的映射关系，拟合得到参数化数学模型，挖掘数据背后的概率分布与内在规律；面对未知样本时，可依托学习到的规律输出合理预测，且可通过扩充样本、迭代优化参数提升泛化能力。
举例：人脸识别系统，通过学习大量人脸样本的特征与标签（人脸/非人脸），拟合模型；当面对新的人脸图像（未知样本）时，可准确识别是否为人脸，且随着样本增加，识别精度持续提升。
解析：围绕“经验驱动的泛化机制”与传统软件工程的对比展开，核心突出“数据驱动”与“人工规则驱动”的差异，举例贴合典型应用场景。
2.答案：
（1）核心组成：采用编码器与解码器对称堆叠结构，两类模块均由多层网络单元（多头自注意力层、前馈全连接网络层）重复叠加，配置层归一化与残差连接。
（2）优势：以自注意力机制为核心，可直接建模序列任意位置间的全局上下文依赖；依托矩阵运算实现并行计算，提升训练与推理效率；架构具备极强的任务迁移性，可适配不同尺度、不同模态的序列数据。
（3）与传统RNN的突破：传统RNN依靠时序迭代处理序列，无法并行计算，且难以捕捉长距离依赖；Transformer摒弃时序循环结构，通过自注意力机制实现全序列双向语义交互，可高效捕捉长距离依赖，同时并行运算大幅提升效率，无须依赖固定长度的上下文窗口。
解析：围绕Transformer架构的组成、注意力机制优势，以及与传统循环神经网络的对比展开，突出“并行计算”“长距离依赖建模”两大核心突破。
一、单选题
1.答案：C
解析：大模型训练过程容纳文本、图像、音频、代码等多种类型的原始数据素材，并非仅容纳文本类数据，故C选项错误；A、B、D选项均符合大模型的定义特征。
2.答案：B
解析：A选项错误，大模型训练周期长达数周，小模型仅为数小时至十余小时；C选项错误，大模型需集群设备，小模型可在单张显卡完成；D选项错误，大模型运维成本高，小模型成本低；B选项符合二者在训练数据与算力上的核心区别。
3.答案：B
解析：Decoder-Only架构擅长文本生成、对话交互等任务，典型代表为GPT系列、Llama系列等；A选项为Encoder-Only架构；C、D选项为Encoder-Decoder架构。
4.答案：B
解析：大模型预训练依托海量无标注数据，以自监督学习范式完成初始迭代与特征习得，无须人工标注样本；A、C、D均非预训练阶段的主要范式。
5.答案：C
解析：A、B、D选项均颠倒了二者差异，大模型不具备自主发现任务、独立抽象归纳、理解因果关联的能力，而通用人工智能具备这些特征；C选项正确，大模型已实现规模化商用，通用人工智能仍处于理论探索阶段。
二、判断题
1.答案：×
解析：大模型可通过模型量化、剪枝等手段，实现端侧部署，适配手机、车载终端等本地硬件，并非仅能云端部署。
2.答案：√
解析：知识蒸馏的核心是“教师－学生”架构，教师模型（大模型）将知识传递给学生模型（小模型），使小模型在体积精简的同时，保留大模型的大部分能力，适配轻量化部署需求。
3.答案：×
解析：闭源模型的权重不对外公开，仅通过商业API提供服务，用户无法获取内部参数，也不能自由修改与分发；开源模型才具备上述特征。
4.答案：×
解析：数据并行适合百亿参数以下模型，千亿参数以上模型单卡无法容纳完整模型，需采用模型并行或混合并行策略。
5.答案：√
解析：多模态大模型可实现文本向图像、音频、视频的跨模态转换，覆盖文本创作、图像生成、语音制作等多类内容创作场景。
三、简答题
1.答案：
（1）大模型：伴随参数量与训练数据扩充，呈现规模带来的特有行为，可完成零样本推理、小样本适配、多步骤逻辑推导、跨模态生成等复杂行为，能跨越不同任务类型，在开放场景中具备宽泛的适配空间；
（2）小模型：功能具有专属化特征，仅在预先划定的固定业务场景中稳定表现，仅贴合训练数据覆盖的任务范畴，面对陌生场景、跨领域任务时适配表现波动，兼容范围有限。
解析：核心围绕“能力边界”（复杂任务适配vs专属场景适配）和“泛化表现”（跨领域适配vs固定场景适配）展开，贴合二者的差异描述。
2.答案：
差异：
（1）预训练：面向开放全域数据，学习通用语言规则、常识知识与跨模态关联，数据体量大、迭代轮次多、参数变动幅度大，不绑定具体任务；
（2）微调：面向限定领域、固定任务的样本，数据规模小、迭代轮次少、参数小幅修正，保留通用知识，适配特定任务的输入输出规则。
递进关系：预训练塑造模型的知识底蕴与基础表达能力，微调划定模型的任务行为边界与输出范式，二者逐层递进，共同实现大模型从通用能力到场景专属能力的适配。
解析：差异从训练数据、能力目标、参数变动三个维度区分，递进关系突出“预训练打基础、微调做适配”的核心逻辑，贴合二者的定义与关联描述。
一、单选题
1.答案：C
解析：DeepSeek-V3预训练语料规模为14.8万亿token，32万亿token是DeepSeek-V4的预训练语料规模，故C选项错误；A、B、D选项均符合DeepSeek-V3的相关描述。
2.答案：B
解析：Prefix-Decoder架构是智谱GLM的核心架构特征，并非文心大模型；A、C、D选项均是文心大模型的核心优势，其中A选项是其与搜索引擎结合的特点，C选项是其全模态能力，D选项是其效率优势。
3.答案：B
解析：百川智能裁撤多领域B端团队，聚焦AI医疗，其新一代医疗增强大模型Baichuan-M3在HealthBench评测中位列第一，首次超越GPT-5.2；A选项智谱GLM侧重架构差异化，C选项千问侧重多行业适配，D选项讯飞星火侧重语音交互与座舱应用。
4.答案：B
解析：政务场景对数据安全要求严格，普遍采用本地化部署模式，确保政务数据和居民个人信息不出域、不外泄；A、C、D选项均不符合政务场景的核心需求（数据安全优先）。
5.答案：B
解析：A选项错误，开源模型采用多种许可协议，部分协议限制商用；C选项错误，开源社区贡献包括代码、模型适配、文档完善、应用共建等多种形式；D选项错误，开源模型需遵循数据合规要求，剔除违规涉密内容；B选项符合“截至2026年4月，国产开源模型全球累计下载量突破100亿次，占Hugging Face平台总下载量41%”的描述。
二、判断题
1.答案：×
解析：DeepSeek-V4的批次不变性设计，舍弃了split-KV等常用性能优化手段，导致GPU利用率和短序列推理速度有所损失，并非未牺牲任何推理速度。
2.答案：√
解析：讯飞星火在语音交互领域的积累集中在意图理解层面，其座舱端侧多模态大模型SparkAuto-EMM意图理解响应时间压缩至150毫秒，模糊意图识别准确率超过90%。
3.答案：×
解析：企业级AI办公助手的核心设计理念是可信可控优先于功能丰富度，联想天禧AI Pro构建了五层安全体系，体现了这一原则。
4.答案：×
解析：千问大模型支持云、边、端三种部署模式，可根据业务需求灵活切换，并非仅支持云端部署。
5.答案：×
解析：大模型全流程安全风险涵盖数据、模型、应用、运营四个层面，数据层面的隐私泄露、违规使用是重要风险点，需重点防护。
三、简答题
1.答案：DeepSeek推理效率优化的核心技术创新包括：
（1）多头潜在注意力：通过低秩压缩降低键值缓存的显存占用，缓解长上下文推理的KV缓存瓶颈；
（2）混合专家架构的负载均衡：首创无辅助损失的负载均衡策略，通过动态调整专家偏置优化负载分布，避免辅助损失干扰模型性能；
（3）预填充－解码分离与DualPath框架：引入“存储至解码”路径，实现集群存储带宽的全局池化与动态负载均衡，显著提升吞吐量；
（4）批次不变性设计：确保同一token在不同batch场景下输出逐比特一致，保障全流程数值可复现性；
（5）混合注意力机制（V4）：通过压缩稀疏注意力与重度压缩注意力交替部署，突破传统Transformer平方级计算瓶颈，支持百万token上下文且降低算力消耗。（答出任意3点即可）
解析：提炼DeepSeek在注意力机制、MoE架构、部署框架、工程设计等方面的核心推理优化技术。
2.答案：开源大模型与商业化大模型在盈利模式上的核心差异在于：
（1）开源大模型以开放共享为核心，无直接盈利模式，主要通过生态赋能（如带动配套服务、提升品牌影响力）间接获益，其相关盈利多来自配套的技术支持、定制化服务等。
（2）商业化大模型以市场化运营为导向，盈利模式清晰，分为两类，具体如下。
①通用商业化大模型：以API接口按量计费、会员订阅、云服务捆绑、插件分成为主，具备规模化特征；
②行业商业化大模型：以私有化部署、定制开发、行业解决方案打包、效果分成与长期运维为主，具备高定制化、高客单价特征。
解析：明确两者核心定位差异（开放vs封闭），进而区分盈利模式的不同，突出开源模型的“间接赋能”与商业化模型的“直接变现”差异。
一、单选题
1.答案：C
解析：A选项错误，统计语言模型无法捕捉长距离语义关联，语境理解范围有限；B选项错误，浅层神经网络语言模型采用循环神经网络等，并行计算适配性不足；D选项错误，大语言模型规模化发展阶段以仅解码器（Decoder-only）Transformer架构为核心；C选项符合预训练语言模型萌芽阶段的特征。
2.答案：D
解析：华为云盘古大模型采用“基础大模型—行业大模型—场景模型”的三级架构，开源模型层并非其架构组成部分，盘古可引入第三方开源模型，但不属于自身三层架构。
3.答案：B
解析：清晰性原则要求提示词表述精准、无歧义，明确任务指向、行为动作与输出边界；A选项具体性原则强调补充细节约束；C选项结构化原则强调层级化、条理化表述；D选项适配性原则强调匹配模型能力与任务复杂度。
4.答案：C
解析：文档总结通常结合抽取式总结与生成式总结两种模式，抽取式保证准确性，生成式保证流畅性，并非仅采用生成式总结；A、B、D选项均符合办公文档智能撰写的相关描述。
5.答案：B
解析：教育场景中，知识错误可能产生持续性影响，因此内容的准确性与学科规范性须置于优先位置；A选项是创意场景的需求，C选项是办公场景的需求，D选项并非教育场景的核心首要要求。
二、判断题
1.答案：√
解析：大语言模型的自监督预训练学习范式，通过文本序列掩码、序列续写等任务构造训练样本，无须人工标注，依靠文本自身结构构建监督信号，完成语法、语义等知识的隐性习得。
2.答案：×
解析：百炼大模型定位为大模型领域的“操作系统”，集成了通义千问、DeepSeek、Kimi等国内外主流模型，支持第三方模型接入与统一调用，并非单一自研模型。
3.答案：√
解析：复杂任务分层分解的四大核心原则为独立性、逻辑性、适配性、完整性，拆解后的子任务相互独立、逻辑连贯，且整合后可覆盖原任务全部需求。
4.答案：×
解析：大语言模型在创意写作中可提供多方面辅助，包括灵感激发、素材生成、情节构思、结构设计、风格模拟等，并非仅能提供灵感激发。
5.答案：×
解析：开源模型虽公开模型权重，但需遵守对应的开源协议（如MIT、Apache 2.0），部分协议限制商业使用，企业与开发者商用前需审慎确认协议条款，并非可自由商用、无须遵守任何条款。
三、简答题
1.答案：大语言模型的固有能力边界主要包括：
（1）实时信息时效性局限：预训练语料有时间截点，未经外接检索工具加持，无法获取截点后的实时信息；
（2）深度专业知识储备局限：通用模型未经过行业专项调优，在医疗、金融等深度细分领域易出现表述偏差、术语误用；
（3）长复杂逻辑推演局限：面对多步骤连环推理、超长文本统筹等复杂任务，易出现逻辑断裂、步骤遗漏；
（4）事实编造与无依据表述倾向：在冷门知识、专业细节层面，易出现与客观事实不符的无依据杜撰；
（5）数理与精准计算局限：不内置精密计算模块，复杂数学运算、公式推导易出现结果偏差。（答出任意3点即可）
解析：提炼大语言模型在实时性、专业知识、逻辑推演、事实性、精准计算五个方面的固有局限。
2.答案：提示词的五大核心结构要素及作用如下：
（1）角色设定要素：定义模型的身份定位、专业背景与能力范围，引导模型以特定视角回应问题；
（2）上下文背景要素：提供任务相关的场景、前置条件、参考资料等，帮助模型理解任务来龙去脉；
（3）任务指令要素：明确核心任务目标、执行动作与输出内容，是提示词的核心，避免答非所问；
（4）输出约束要素：规定输出的格式、篇幅、风格、合规要求等，锁定输出形态与质量标准；
（5）质量校验要素：设定输出内容的评估标准，引导模型自我核查，减少错误与偏差。
解析：明确提示词五大核心要素，并简要说明各要素的核心作用，简洁明了。
一、单选题
1.答案：D
解析：AIGC的发展分为四个阶段：早期萌芽、沉淀累积、技术突破、爆发融合阶段，2020年至今为爆发融合阶段。
2.答案：C
解析：多模态生成分为跨模态转换、多模态融合生成、多模态理解与编辑三类；文本单一文案生成属于单模态生成技术。
3.答案：B
解析：多模态生成核心技术原理为“特征提取—跨模态对齐—融合生成”三大环节，人工手绘复刻不属于技术原理环节。
4.答案：A
解析：赋予创作内容思想内涵与人文情感是人类创作者的职责，其余均为AIGC辅助创作职责。
5.答案：C
解析：光影物理结构核验属于图像多模态内容核验方式，并非文本类真实性验证方式。
二、判断题
1.答案：√
解析：单模态生成技术涵盖文本、图像、音频、视频四大细分领域，表述正确。
2.答案：×
解析：后期融合是输出级融合，在各模态生成中间结果后再融合优化；早期融合才是输入阶段拼接原始数据。
3.答案：√
解析：创意共建型协作由人与AI全程参与创意打磨，适配影视脚本、广告创意等高复杂度创作场景。
4.答案：×
解析：WHALE检验用于检验AI系统的物理规律、世界逻辑认知能力，并非检测网络传输与算力。
5.答案：×
解析：无人工干预的纯机器自动生成内容不具备著作权保护资格，需融入人类独创性智力投入、筛选调校才可纳入保护范围。
三、简答题
1.答案：
（1）拟定创作主题与风格框架，界定整体立意、题材与艺术风格；
（2）把控创作审美与内容筛选，甄别取舍机器生成内容；
（3）赋予作品思想内涵与人文情感，补充机器无法生成的人文属性；
（4）负责内容合规筛查、逻辑校验，完成最终版本审定并承担权责。
解析：依据人机创作职责划分中人类创作者四大职责原文提炼作答。
2.答案：
（1）前置规范筛查：对生成输入指令做合规与常识边界筛查，从源头减少不实内容；
（2）自动化初筛判定：依托算法批量筛查全模态内容，标记存疑条目；
（3）人工复核终审：专业人员对存疑内容人工校验，修正偏差、剔除不实内容，确定最终版本。
解析：按照内容真实性验证通用流程三个核心步骤精简作答即可。
一、单选题
1.答案：B
解析：新建空白文档快捷键为Ctrl+N；Ctrl+S是保存，Ctrl+J是两端对齐，Ctrl+L是左对齐。
2.答案：C
解析：Ctrl+E为居中对齐，Ctrl+L为左对齐，Ctrl+R为右对齐，Ctrl+J为两端对齐。
3.答案：C
解析：WPS AI具备框架生成、续写扩写、风格优化、语法纠错等文档功能，无硬件驱动安装功能。
4.答案：B
解析：黑马校对为专业级文稿审校工具，适配书稿、政府公文、论文出版级校对场景。
5.答案：C
解析：文本生成应用涵盖商务营销、新闻媒体、影视娱乐、教育学习、智能办公、软件开发，机械硬件加工制造不属于文本生成应用场景。
二、判断题
1.答案：×
解析：以“号”为单位的字号，数值越大文字显示越小；以“磅”为单位，数值越大文字显示越大。
2.答案：√
解析：显示标尺后，拖动水平标尺上的缩进滑块，可快速调整首行缩进、左缩进等参数。
3.答案：×
解析：更新目录有两种选项：“只更新页码”和“更新整个目录”，并非只有一种。
4.答案：√
解析：WPS灵犀即WPS AI 3.0，采用原生Office智能体架构，修改文字可保留原有字体、段落、表格格式。
5.答案：√
解析：天若OCR定位为轻量化图片文字识别、PDF图文提取、纸质资料电子化工具。
三、简答题
1.答案：
（1）单击快速访问工具栏中的“保存”选项；
（2）按下键盘组合键“Ctrl+S”；
（3）单击“文件”菜单，选择“保存”选项，弹出“另存为”对话框完成保存。
解析：严格依据首次保存文档的三种方式精简作答。
2.答案：
（1）基于主题的文档框架智能生成；
（2）文本内容自动续写与扩写；
（3）语言风格转换与表达优化建议；
（4）语法检查与错别字智能纠正。
解析：对应四大核心功能，直接提炼要点即可。
一、单选题
1.答案：B
解析：选中多个单元格输入内容，按Ctrl+Enter可批量填充相同数据；Ctrl+S为保存、Ctrl+N为新建文档、Ctrl+F为查找。
2.答案：C
解析：COUNT函数专门统计区域内包含数字的单元格数量；SUM求和、AVERAGE求平均值、MAX求最大值。
3.答案：B
解析：Ctrl+F打开查找对话框，Ctrl+H打开替换对话框。
4.答案：C
解析：WPS AI数据助手包含公式自动转换、数据异常检测、报表自动生成、趋势预测分析，无硬件驱动重装功能。
5.答案：B
解析：飞书多维表格AI由字节跳动研发，与飞书消息、审批、工作流深度集成，适配企业项目与数据管理。
二、判断题
1.答案：√
解析：WPS表格默认对齐规则为文本左对齐、数值右对齐、逻辑值与错误值居中对齐。
2.答案：×
解析：VLOOKUP函数要求查找值必须位于查找区域的第一列，不能位于任意列。
3.答案：×
解析：高级筛选要求条件区域与数据区域之间至少间隔一行或一列，不能紧贴。
4.答案：√
解析：数据透视图依托数据透视表生成，二者联动，透视表筛选或修改后，透视图自动同步变化。
5.答案：×
解析：AI异常检测采用统计离散度检测与上下文关联验证双层机制，并非只做简单阈值标红。
三、简答题
1.答案：
（1）选中单元格，在“开始”选项卡单击“求和”下拉按钮，选择对应函数；
（2）切换到“公式”选项卡，在函数库按类别选择所需函数并设置参数；
（3）选中单元格，单击编辑栏中的“插入函数”按钮，或“公式”选项卡中的“插入”按钮，在对话框中选择函数并配置参数。
解析：严格依据插入函数的三种方式整理作答。
2.答案：
六大应用场景分别为：
企业办公与日常管理、财务与会计、销售与市场、生产与供应链、科研与教育、政务与公共服务。
解析：直接提炼六大应用维度即可。
一、单选题
1.答案：B
解析：在“视图”选项卡中单击“幻灯片母版”按钮，可进入母版视图。
2.答案：D
解析：PPT动画分为进入、强调、退出、动作路径四类，无“缩放动画”这一独立分类。
3.答案：B
解析：展台自动循环放映适合展会无人值守场景，全屏自动循环播放，按Esc键终止。
4.答案：D
解析：AI生成PPT的三种方式为输入主题、上传文档、粘贴大纲，无“截图识别生成”方式。
5.答案：B
解析：Kimi PPT具备超长文本处理、论文逻辑解析能力，适配学术答辩、论文汇报等PPT制作场景。
二、判断题
1.答案：√
解析：幻灯片母版存储主题、版式、背景、占位符格式，可统一整套幻灯片的外观。
2.答案：×
解析：PPT色彩系统性原则要求主色不宜超过三种，避免配色杂乱刺眼。
3.答案：√
解析：排练计时可模拟演讲节奏记录每页时长，保存后可按计时自动切换幻灯片。
4.答案：×
解析：WPS AI不仅能一键生成整份PPT，还支持单独生成封面、单页、多页幻灯片。
5.答案：√
解析：智能演示文稿应用场景分为教育教学、学术科研、企业办公、公共服务四大类。
三、简答题
1.答案：
分为四类：
（1）进入动画：控制对象在幻灯片中出现的效果；
（2）强调动画：突出展示幻灯片中已存在的对象；
（3）退出动画：设置对象从幻灯片中消失的效果；
（4）动作路径动画：让对象沿预设或自定义路径移动。
解析：严格依据动画分类及对应作用整理作答。
2.答案：
（1）输入主题生成：直接描述PPT主题、风格、页数，AI自动生成大纲并匹配模板；
（2）上传文档生成：上传Word、PDF、思维导图等文件，AI提炼内容生成PPT；
（3）粘贴大纲生成：粘贴多级大纲文本，AI按大纲结构自动排版生成演示文稿。
解析：对应三种生成方式精简作答。
一、单选题
1.答案：B
解析：道德侧重“应当做什么”的规范内容，伦理关注“为何应当这样做”的理论依据。
2.答案：C
解析：中国《新一代人工智能伦理规范》提出了六项基本伦理要求。
3.答案：C
解析：欧盟《人工智能法案》将AI系统分为不可接受风险、高风险、有限风险、最小风险四类。
4.答案：D
解析：数据偏见来源分为历史偏见、表征偏见、测量偏见、聚合偏见，无“地域偏见”这一分类。
5.答案：B
解析：法院认定企业引入AI降本增效属于自主经营决策，不属于法律规定的客观重大变化，不能以此为由随意裁员。
二、判断题
1.答案：√
解析：人工智能伦理属于科技伦理子领域，归为应用伦理学交叉学科范畴。
2.答案：√
解析：2026年1月，新加坡发布全球首个《智能体人工智能治理示范框架》。
3.答案：×
解析：差分隐私、联邦学习等技术只能缓解隐私风险，受模型性能、应用场景限制，无法彻底解决所有隐私问题。
4.答案：√
解析：深度学习模型参数规模庞大、结构非线性、分布式表征，造成决策过程不可解释，形成算法黑箱。
5.答案：×
解析：高校不宜简单“一刀切”禁止，应细化规范，区分AI辅助与AI替代思考的使用边界。
三、简答题
1.答案：
（1）人类福祉原则；
（2）公平正义原则；
（3）透明可释原则；
（4）责任担当原则；
（5）隐私保护原则。
解析：依据国际共识性五大伦理原则原文精简作答。
2.答案：
分为三个阶段：
（1）数据处理阶段：合规采集、数据最小化、脱敏加密、标注质控、分级存储防护；
（2）模型训练阶段：引入公平性约束、对抗训练、公平性评估、红队测试、可解释性技术应用；
（3）部署运行阶段：持续监控、概念漂移检测、行为审计、AI生成内容标识与全生命周期安全左移管理。
解析：严格依据技术防控手段，按数据、模型、部署三阶段归纳整理。
