新建题库07250942_在线真题试卷与模拟练习_新建题库07250942_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

知识点19：AI能力如何组合应用于云边端一体化场景？ AI能力通过组合可应用于各种场景，实现云边端一体化，不再局限于云端，而是能根据需求部署在边缘侧或终端侧，解决整个场景或地区的问题。借助大模型，能够更好地优化整个领域的问题解决方案，形成闭环优化状态，使人工智能更智能、高效，具备动态优化功能。" 知识点1：大模型带来通用人工智能的曙光，催生新的范式。人类社会正在步入通用人工智能新时代，科学技术体系、产业布局及社会治理模式都将被深刻改变，世界发展迎来全新范式。构建坚实的人工智能基础设施，打造普适安全的人工智能服务和运营能力，是实现智能泛在及智能产业高效规模化发展的基础。知识点2：新的运营供给模式：全场景全要素能力运营与供给。知识点3：新的业务赋能模式：从X+AI转向AI+X。知识点4：X+AI是在现有行业业务流程中，以智能化技术提升业务成效。AI+X以通用人工智能技术重构业务内核，实现全新业务形态与模式（例如：AI+网络、AI+产品、AI+客服、AI+O 知识点5：新的产业合作模式：向体系化协同创新转变。充分融通和激发全产业算力、知识、数据价值，打造以通用大模型为基座，共建行业大模型的合作新模式。知识点6：人工智能是全球国家科技竞争的战略高地。2023年11月，首届人工智能安全峰会上，美国、英国、欧盟、中国、印度等多方代表就人工智能技术快速发展带来的风险与机遇展开讨论。会后，28个国家和欧盟签署《布莱奇利宣言》，承诺共同致力于打造值得信赖和负责任的人工智能。知识点7：中美两国人工智能领域竞争激烈、互有优势。中美人工智能发展迅速，共同领跑全球，相互角逐激烈，总体美国领先、中国加速赶超。同时，两国强化科技成果保护，互相“封锁” 前沿和“卡脖子”技术外流路径。知识点8：人工智能三要素加速发展，通用人工智能愈来愈近。算力由弱到强、由小到大，数据由少到多、由差到优，算法由浅到深、由弱到强。知识点9：生产力发展历程：农业时代、工业时代、信息时代、数字经济时代。知识点10：各领域竞争激烈:算力、数据、基础软件、算法、应用、政策、科研、产业、人才等。" "知识点1：业界的大模型，国内外主流的语言、语音、视觉、多模态大模型，语言模型比如LLaM 知识点2：大语言模型流式生成能力，一段段文字生成，可以限制输出的字数，具有代码纠错、补全、文字交互等能力；知识点3：联合法务专业打造法务专题的ChatGPT,具有智慧裁判、法务合同生成、职务犯罪判断等功能；知识点4：大语言模型逻辑推理能力，能够根据问题进行思考，并给出相对应的思考过程，尤其是在数学等需要推理的场景；知识点5：视觉生成开源模型stabl 知识点6：视觉理解模型CLIP，可以处理图像和文本输入，应用于任何视觉分类基准，但是面对一些行业内的图像分类时比较难处理；知识点7：九天网络视觉模型，基于移动数据打造的视觉理解模型，可以进行设备识别、工地安全、光交箱识别、天线安装等场景化中的例子中；知识点8：九天大语言模型在生成类问题时与业界主流模型差距不大，但是代码等需要逻辑推理场景相关的问答目前还是和业界主流模型差距较大；知识点9：人工智能迭代过程，2000年训练应用范式统一；2017年Transformer模型结构统一；通用智能：大模型；通用智能：AI量子计算知识点10：通用模型：跨模态、跨任务、跨场景，使用统一模型来做；并且模型的参数量不断扩大使得更多的训练框架，比如DeepSpee "知识点1：核心特征与结构差异小模型核心特征：小模型以自然语言处理的基本原理为基础，强调对自然语言的理解。结构：相对简单，通常包含较少的层次或组件，专注于特定的自然语言处理任务。大模型核心特征：大模型同样以自然语言理解为基础，但范围更广，能够处理更复杂的自然语言任务和大规模数据集。结构：复杂得多，包含多个层次和组件，能够捕捉自然语言中的多种特征和关系。知识点2：规模与数据处理能力小模型规模：通常较小，能够处理的数据集规模有限。数据处理能力：适用于特定任务或领域，泛化能力有限，可能无法很好地处理未见过的数据或任务。大模型规模：能够处理大规模的数据集，包含更多的参数和计算资源。数据处理能力：具有更强的泛化能力，能够处理多个任务和领域中的自然语言任务，表现出色。知识点3：功能与应用场景小模型功能：相对单一，主要集中于某个具体的自然语言处理任务，如文本分类、情感分析等。应用场景：在特定应用场景下表现出色，如特定行业的文本处理、客户服务等。大模型功能：多样且广泛，涵盖感知、认知、预测、生成等多个方面，能够处理复杂的自然语言任务。应用场景：在多个应用场景下表现出色，如智能问答、机器翻译、文本生成等，具有广泛的应用前景。综上所述，大小模型在核心特征与结构、规模与数据处理能力、功能与应用场景等方面存在显著差异。这些差异使得小模型适用于特定任务或领域，而大模型则能够处理更广泛的任务和数据集，具有更强的泛化能力和应用前景。" "知识点1：One-hot编码是一种将自然语言转为数值型向量的方法，向量的长度等于类别数，其中只有一个元素为 1（代表该类别），其余元素为 0。知识点2：词向量是将单词表示成低维实数向量的方式，它能够体现单词的语义和语法信息，相似语义的单词在向量空间中距离较近，可降低数据稀疏性。知识点3：Transformer 是一种基于注意力机制的模型，注意力机制包括自注意力机制、他注意力和交叉注意力等。知识点4：In-Context Learning（情景学习能力）：无需更改模型参数，通过给定的任务相关示例作为上下文来完成新任务。知识点5：In-Context Learning（情景学习能力）：零样本/少样本学习。知识点6：Emergenc 知识点7：提示工程：运用更精确的提示词与指令同大模型展开交互，引导模型生成更符合期望的回答。知识点8：代码学习：大模型通过学习代码文本，提升逻辑推理和思维链能力，从而用于代码生成、代码补全代码错误检测等任务。知识点9：RLHF：基于人类反馈的强化学习，体现大模型对齐人类指令及价值观和拟人对话能力，主要流程分为指令微调SFT、奖励模型RM、强化学习PPO。知识点10：Transformer优势：1.易并行 2.全局依赖 3.情景学习 4.灵活：模型结构不根据数据定制。知识点11：Transformer 结构主要包括输入层、多头自注意力机制、前馈神经网络，还有用于连接各层的归一化和残差连接部分。知识点12：‌GPT-3的参数量为1750亿个参数。" "知识点1：四个时代分别指蒸汽时代、电气时代、信息时代、智能时代。人类社会正在迈入“智能时代”，人工智能是第四次产业革命的核心技术。知识点2：AI已超越学术、产业，上升到政治与国家安全的层面。习近平总书记在中共中央政治局集体学习讲话中提到“加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”。知识点3：2017年7月，国家提出《新一代人工智能发展规划》。知识点4：2019年3月，习总书记提出：推动我国新一代人工智能健康发展。知识点5：北京AI指数排名全球第一，中国AI论文3/8在北京。知识点6：ChatGPT的火爆，说明通用人工智能不再遥不可及。知识点7：OpenAI首款文生视频模型是Sora。知识点8：通用人工智能是初心，也是终级目标。知识点9：2023年4月28日中共中央政治局会议指出：“要重视通用人工智能发展，营造创新生态，重视防范风险”。知识点10：基辛格提出：现在中美之间真正能坐下来谈判的基础是人工智能。知识点11：中华人民共和国和法兰西共和国发布关于人工智能和全球治理的联合声明，坚持“智能向善（AI for goo 知识点12：2022年国家将智能学科提升为“一级学科”。" "知识点1：人工智能的发展过程中出现过两次AI的冬天，以及两朵乌云（符号落地、常识获取），出现过两条技术道路（符号学派，链接学派），2012年后，深度学习进入垄断性统一的趋势。知识点2：人工智能在应用领域全面突破：（1）深度学习的发展和卷积神经网络的加深，使得近代图像识别领域取得重大突破。（2）Google神经机器翻译系统在多种语言间的翻译性能获得大幅突破，接近人类的翻译水平。（3）语音识别2011年使用DNN后获得较大突破。知识点3：大模型时代共同的技术特征：Transformer模型基础结构、预测后续语句、大模型与训练+人机对齐+零提示。大模型时代最有影响力的两个模型：BERT（特点：双向编码，语言理解）、OpenAI GPT（特点：单向编码、语言生成）。知识点4：大模型“大力出奇迹”，主要表现在以下两个方面：（1）模型的规模效应：密集型任务，模型规模越大，任务表现越好。（2）模型的涌现能力：多步骤任务模型规模跨过某阈值，性能突然增长。知识点5：大模型主要有以下两个关键技术：（1）基于人工反馈的强化学习方法（RLH 知识点6：RLHF主要分为三个阶段：（1）第一阶段，聘请标注人员标注训练数据。（2）训练一个评价模型(Rewar 知识点7：“百模大战”打响，大模型参数量不断增加，目前已经有万亿和十万亿规模的参数量，对芯片算力需求提升，英伟达股价呈现大幅度上涨。知识点8：ChatGPT的功能覆盖各个板块，可以分成生成应用和布局、搜索和数据分析、程序生成和分析、文本生成、内容创作、一般推理和其他七部分约49项主要任务。领域有望覆盖教育、科研游戏、新闻等多重板块并有望持续拓展。GPT-4将在Bing中得到应用。GPT-4沿用ChatGPT模式，重点扩展了模型的多模态能力，在阅读、考试等方面表现优秀。知识点9：大模型中的“Prompt”技术对模型交互至关重要。知识点10：大模型促进社会进步：更高效社会运转，更理智的社会管理，更快速的社会进步。知识点11：大模型带来的挑战主要分三个层面：（1）技术层面：生成信息的可信度难把握、信息生成的可控度难掌控。（2）监管层面：使用途径的不可控，隐私泄露问题，意识形态问题难追责。（3）社会层面：对社会负面影响（社会重构、文化降解、精神依赖、认知下降），对国家负面影响（引发国家认知对抗、带来新不稳定因素）知识点12：信息生成的可控度难掌控解释：神经网络的黑盒性质，使得以神经网络为骨架的ChatGPT的计算过程，让人类难以对其输出内容进行调控，因此ChatGPT会“说出”不可控的内容。知识点13：目前流程的AI模式：AI=大数据+大算力+深度学习，但是也遇到一些瓶颈：只能做特定的、人类事前定义的任务，模型不可解释，知识表达不能交流，大数据与计算的成本高昂。知识点14：ChatGPT/GPT-4是不是通用人工智能？现在科学家们观点不一致。呼唤人工智能科研范式改变：大数据小任务范式————>转变到————>小数据大任务范式。" "知识点1：通用人工智能定义：寻求一个统一的理论框架来解释各种智能现象;并研发具备自主的感知、认知、决策、学习、执行和社会协作等能力，且符合人类情感、伦理与道德观念的通用智能体。知识点2：通用人工智能三个基本特征：在复杂动态环境(物理与社会)中能够完成无限任务、自主定义任务、由价值驱动：为机器立“心”。知识点3：通用人工智能八个关键技术问题：认知架构、自我意识、社交智能、价值驱动、价值函数、具身智能、可解释性、人机互信。知识点4：当前大模型不满足通用人工智能的任何一个要素，距离通用人工智能还有很大的距离。知识点5：人进化出大量的、先天的价值判断：善恶观念、公平观念、合作精神。知识点6：必须将中国传统思想的内容（例如王阳明的“心”：价值体系，良知）与通用人工智能结合，打造安全可信的通用人工智能。" "知识点1：智能社会治理背景：国家治理现代化是中国式现代化的有机组成部分。超前预研智能社会运行，智能社会治理成为国家治理现代化的重要手段。知识点2：北大武汉院智能社会治理建设思路1+3+N：1是指打造1个核心平台：打造全球首个社会级通用智能体一一大型社会模拟器。3是指提升3大模式影响力：开展智能社会治理相关理论攻关和跨学科研究，打造理念与科普高地建立智能社会治理评估标准体系。N是指建设N个应用场景：打造国家智能社会治理的典型应用示范助力武汉建设“国家新一代人工智能创新发展试验区”。" "知识点1：美国对华管制再次升级，尤其是AI方面，美国意识到未来AI将是超级工具，将对国家的政治、经济、文化、科技、金融产生巨大的影响。美国去年发布的美国人工智能报告（NSCAI）中，670次提到中国，美国提出在AI上坚决阻止中国利用美国先进的技术和设备对美国实行超越，报告中提出在AI上中国相对美国也是有一定优势的，首先是中国的实体经济和业务场景，互联网的应用场景超越了美国，不论是商城还是社交应用。中国的实体经济占GDP的28%，等于美国+日本+德国的总和还要多，略少于美国+日本+欧盟。所以中国有最完整的产业AI的应用场景，这是美国最顾忌的，中国不缺场景和数据，可能比较缺少根技术，美国担心中国使用美国最先进的芯片和软件，加上自身丰富的业务场景，最后形成在AI上对美国的超越。第二个是中国的国家制度，在报告里提到中国的高铁用了16年的时间，美国百年规划未制作出1条高铁，所以美国认为中国的举国机制在AI这种大型超级工具下，这是中国特有的机制。第三个就是中国的人才，中国每年有七八百万的大学毕业生，现在的AI客观的讲是年轻人的天下。以上是中国现在面对AI的一个情况，中国目前缺少AI的根技术支撑，中国的所有科研和商业应用都是基于国外的根技术和产品生态上，从人工智能的产业链到芯片到计算架构到学习框架到AI平台到大模型到应用，基本上都是基于美国的根技术，缺乏根技术的支撑，中国AI的产业在美国的封堵下可能会一夜之间出现崩溃性的风险。当下就是最好的时候，美国对中国的制裁只会更糟，不会更好。可喜的是能看到国内产业界大家的公司在不同的领域奋起直追。知识点2：AI现在有三个大的定律，首先是Scalin 知识点3：第二个是Chinchill 知识点4：第三个是OpenAI的新摩尔定律，现在说智能能力每18个月能提升一倍，实际上速度比这个还要快，可以看的英伟达和苹果的发布会，发展的速度非常快，目前AI的智商是低于人的平均水平，但是我们认为基于大模型和人工智能的发展，在不久的将来，就会发展到人的基本水平，现在预测是26年6月。知识点5：自从OpenAI发布，可以看到All in AI，现在能看到一个趋势，是大家都认为AI是现在的一个奇迹，chatgpt基于transformer给大家一个惊喜，尤其是国内，大家都一拥而上，短短一年内出现了一百多个大模型，但是目前的人工智能还是有泡沫存在的，要意识到人工智能带来巨大的机会，也要意识到人工智能带来巨大的挑战。人工智能虽然现在很热，但是赚到钱的有几位呢，担心AI之后很大一批互联网公司会尸横遍野，即使是现在通用的一些大语言模型，真的敢引入企业吗。举例说，大模型可以生成合同，但是生成的合同企业敢签字吗，所以未来的AI已经由从技术出发转变为从客户出发，大家更关注场景应用的落地。在AI上专注To 知识点6：目前的国产模型离OpenAI还有差距，目前基础模型基本成熟，也能做到训得出、训得好还一直在发展，只要一直做，国内的基础模型具有一定的成熟度，不论是视觉、自然语言或是科学计算。目前国内涌现了一批大模型，美国的模型目前有三条路线，一个是以OpenAI+微软的方式推动大模型的应用与服务，背靠大型的云服务公司去支撑算力，第二个是facebook之类的开源，第三个是像苹果和特斯拉这种自用的大模型。所以我们认为和阿里、腾讯、字节去拼toC级的应用是不明智的，传统企业应该关注toB级的应用，大模型的时代会把toC场景绞杀，toB应用由于企业有高质量的数据，比如移动有高质量的用户数据、网络数据和交易数据，这些数据和行业知识结合能在toB上加速行业核心场景的落地。知识点7：当前各个行业发展节奏不一样，现在美国金融保险、医药业、机器人、能源在人工智能发展比较快，行业头部公司布局积极，现在布局积极的公司和没有积极行动的公司在2026年差距将拉大到26-27%之间。知识点8：结合华为的情况，找出了几种企业变现模式来实现商业价值。模式1：在美国的制裁下，给世界另外一个选择，构建中国自己的AI算力底座，有芯片、操作系统、集群服务器，坚持发展华为大杂烩的优势，具有算、网、能源。其实构建十万张卡以上的能源，放一起算力没法解决，分开了网络没法解决。比如使用了多张算力，构建大模型的时候无法收敛，因为异地的训练如何叠加使用是需要网络解决方案支持的，之前为通讯构建的网络是无法支持这件事的。所以第一件事是构建未来的AI算力底座，为中国所有需要算力的企业提供算力资源的服务。模式2：构建AI算力云服务，通过云支持训练和推理，给一些中小企业，当他们短期看不到机会不需要自己去投资过大的算力，可以通过AI算力云服务快速的获取算力服务。本路径移动可以借鉴。模式3：基础大模型（MaaS），通过云+盘古大模型，为华为内部业务和千行百业服务。选路径时既要有要的话，会存在业务冲突，应选择企业适合的模式。应用侧使用的底座基础大模型可以择优选择，但是构建基础大模型可以有助于提供算力服务，不经历大模型训练，就不会知道大模型里数据加载、模型、业务和算力调整、算子调整的经验。知识点9：2018年华为成立人工智能使能部，主要做一些场景决策式AI，要做大量数据的标注，构建时间长，构筑成本大，边际效应低，目前的阶段是正式的启用生成式AI，对企业进行AI2.0规划，不再新启决策式AI的项目，基于大模型重构业务。知识点10：企业AI做的效果不取决于数据量，取决于数据的质量。数据量大是由通识和基础模型去解决，真正为企业场景服务好，是需要高质量企业数据的。做数智化转型时，做了数据治理的包括治理的规则、一套工具链和数据的标准，但是要引入AI，还要增加一套AI的治理、AI的工具链、AI的相应服务。最后构建一条企业的数智生产线，让各个业务领域快速形成AI的应用能力。目前行业里普遍的共识是，数智化做的越深入的公司，AI上有更强的主动性和先机。" "知识点一：按三层五阶八步实现企业AI落地，场景+流程+组织+数据+IT 三层：重新定义智能业务、AI开发与交付、持续运营智能应用五阶：场景、流程、组织、数据、IT 八步：

知识点2：人工智能的发展历程是怎样的？

知识点3：数据挖掘和机器学习在人工智能中的作用是什么？

知识点4：云计算在人工智能计算中的角色是什么？

知识点5：在实现人工智能时，为什么需要使用GPU等显卡，并且普通设备难以承担其计算任务？

知识点6：云计算是如何帮助个人和企业实现人工智能应用的？

知识点7：机器学习、深度学习与大数据之间的关系是什么？

知识点8：深度学习的基本结构是什么样的？

知识点9：循环神经网络的特点是什么，它为何适合处理哪些类型的问题？

知识点10：迁移学习是什么，它在什么情况下被使用？

"知识点1：人工智能的发展历程是怎样的，它是否一直处在快速发展阶段？

知识点2：第一次人工智能寒冬是如何来的？

知识点3：第二次人工智能寒冬是如何结束的？

知识点4：第三次人工智能繁荣期的主要驱动力是什么？

"知识点1：人工智能的基础技术栈主要由哪些部分组成？

知识点2：为什么在人工智能开发中首选使用Python语言？

知识点3：从技术产业的角度，人工智能技术栈可以如何划分？

知识点4：为什么在人工智能实践过程中需要GPU？

知识点5：在数据获取方面存在哪些问题？

知识点6：开源学习框架在人工智能开发中的作用是什么？

更多题库