人工智能第12章_在线真题试卷与模拟练习_人工智能第12章_考试宝

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 0 / 0

随机练习 自定义设置练习量

题型乱序 按导入顺序练习

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

在自然语言处理中，基于( )的处理系统已经在许多任务上获得了成功，但它们的性能受到实际文本中极度复杂的语言现象的限制。

① 句法分析 ② 语素分析 ③ 语义分析 ④ 词语分解

( )年，自然语言处理出现了一个转折点，它的主要推动力是，通过深度学习和迁移学习，自然语言处理可以下载通用语言模型，并针对特定任务进行微调。

ImageNet是斯坦福大学李飞飞教授为了解决机器学习中过拟合和泛化的问题而牵头构建的一种( )。直到目前，它仍然是深度学习领域中图像分类、检测、定位的最常用数据集之一。

在( )硬件进步普及的背景下，研究人员能够直接下载如Transformer这样的模型，而不需要花费资源训练自己的模型，从而允许使用者高效地训练比之前更大更深的神经网络。

① CPU ② GPT ③ TPU ④ XPU

( )是一种语言模型，它有15亿个参数，在40GB的因特网文本上训练。它在法英翻译、查找远距离依赖的指代对象以及一般知识问答等任务中都取得了良好的成绩。

使用( )训练数据可以得到更好的模型。如果进一步使用其他类型的数据——结构化数据库、数值数据、图像和视频，需要在硬件处理速度上取得突破。

为什么现在会舍弃文法、句法分析和语义解释，转而使用纯粹的( )模型?这是因为它更容易开发和维护，并且在标准的基准测试中得分更高。

( )年是NLP预训练模型元年。在性能方面，当年推出的GPT-1有一定的泛化能力，能够用于和监督任务无关的NLP任务中。

作为一个无监督模型，GPT-3几乎可以完成自然语言处理的绝大部分任务。一个无监督模型功能多效果好，似乎让人们看到了( )人工智能的希望，这是GPT-3影响如此之大的主要原因。

ChatGPT使用Transformer神经网络架构，拥有语言理解和文本生成能力，它会通过连接大量( )来训练模型，使得它具备上知天文下知地理，能根据聊天的上下文进行互动的能力。

ChatGPT采用了注重( )的训练方式，按照预先设计的准则，对不怀好意的提问和请求“说不”。一旦发现用户给出的文字提示里面含有恶意，都会拒绝提供有效答案。

( )已经引起社会各界关注，其能力来源于人类的庞大知识库，它也将重新塑造人类知识应用、创造和转化的模式，在经济社会发展中产生巨大价值。

这种利用庞大语料库对人类知识进行建模的方式，可理解为对现实世界的一种“( )”。通过训练好的大模型来解答问题则相当于是“还原”。

ChatGPT的成功引发了一场热潮。尽管微软和谷歌这样的巨头将继续占据主导地位，但对于任何想要寻找其他选择的人来说，( )领域将会涌入更多的参与者，并变得更加多样化。

搜索之战不会局限于网络——人们还需要( )来搜索更多的信息，如提供软件以方便地将大语言模型与小型、定制的搜索引擎相结合，来制作用户手册、医疗数据库和播客文本。

OpenAI公司已经正式宣布开放ChatGPT的( )，这意味着第三方的开发者也能将ChatGPT集成到他们的应用程序里去。

从ChatGPT诞生起，人们就( )。一方面，的确有越来越多的案例佐证它正在取代人力，但另一方面，它训练成本高昂，落地应用不容易。

① 或害怕它 ② 或期待它 ③ 或讥讽它 ④ 或无视它

通常智能客服应用的对话技术大致可以分为( )三种。

① 基于知识库的知识问答 ② 基于特定爱好的神侃

③ 面向任务的问答 ④ 无特定目标的闲聊

在一般的行业里，如客服，AI之所以应用如此广泛，主要是为了( )。

ChatGPT还不是最终落地的产品形态，距离真正的投入还有距离。这一方面是准确度问题，另一方面需要考量成熟的( )，需要与更切实的场景结合，做更明确的产品。

1