人工智能网课链接
1.​如果一个问题或者任务不可计算，那么对这个问题或任务的描述哪一句是正确的（ C）
A.无法将该问题或任务所需数据一次性装入内存进行计算
B.该问题或任务所需计算时间是线性增加的
C.图灵机不可停机
D.该问题或任务所需计算时间是非线性增加的
解释：不可计算问题 指的是不存在任何算法（或图灵机）能在有限步骤内对其所有输入给出正确答案。A属于计算资源受限问题；B描述的是多项式时间复杂度问题；D描述高复杂度可计算问题。

2.下面哪一句话准确描述了摩尔定律 （ D ）
D.摩尔定律描述了计算机的计算速度每一年半增长一倍的规律

3.‎下面哪个方法于20世纪被提出来，用来描述对计算机智能水平进行测试（ A ）
A.图灵测试

4.下面哪一句话是正确的 （ D ）
A.人工智能就是机器学习
B.机器学习就是深度学习
C.人工智能就是深度学习
D.深度学习是一种机器学习的方法
解释：概念包含关系：人工智能 AI> 机器学习ML > 深度学习DL。

5.​下面对人类智能和机器智能的描述哪一句是不正确的（ D）
A.人类智能能够自我学习，机器智能大多是依靠数据和规则驱动
B.人类智能具备直觉和顿悟能力，机器智能很难具备这样的能力
C.人类智能具有自适应特点，机器智能则大多是“依葫芦画瓢”
D.人类智能和机器智能均具备常识，因此能够进行常识性推理
解释：A自主学习与归纳是指能从零散经验中提炼规律，数据驱动和规则驱动依赖外部输入；B直觉和顿悟是基于长期经验积累、跨领域知识关联的非逻辑认知能力，机器智能本质是逻辑化、模块化的计算过程，对训练数据的重组与模仿；C人类智能具备极强的动态自适应能力，机器智能存在 “泛化能力局限”。D人类天然具备常识与常识推理能力，机器智能缺乏真正的常识理解，AI的常识推理是对预设规则或数据模式的匹配。

6.‌我们常说“人类是智能回路的总开关”，即人类智能决定着任何智能的高度、广度和深度，下面哪一句话对这个观点的描述不正确（ D ）
A.机器智能目前无法完全模拟人类所有智能
B.人类智能是机器智能的设计者
C.机器智能和人类智能相互协同所产生的智能能力可超越人类智能或机器智能
D.机器智能目前已经超越了人类智能
解释：当前阶段，机器智能是人类智能的 “延伸工具”，而非可独立超越人类的 “自主智能”，人类智能是机器智能的 “源头与上限”。

7.下面哪句话描述了现有深度学习这一种人工智能方法的特点（C ）
A.大数据，大任务
B.小数据，大任务
C.大数据，小任务
D.小数据，小任务
解释：现有深度学习（如 CNN、Transformer 等主流方法）的核心特征可概括为 “依赖大规模数据，擅长特定窄域任务”。

8.20世纪30年代，围绕可计算这一重要思想，一些模型被提出。下述哪个模型不是于这个时期在可计算思想推动下产生的（ A ）
A.冯诺依曼模型
B.图灵机
C.lambda 演算
D.原始递归函数

9.德国著名数学家希尔伯特在1900年举办的国际数学家大会中所提出的“算术公理的相容性 (the compatibility of the arithmetical axioms)”这一问题推动了可计算思想研究的深入。在希尔伯特所提出的这个问题中，一个算术公理系统是相容的需要满足三个特点。下面哪个描述不属于这三个特点之一（ D ）
A. 一致性，即一个命题不可能同时为真或为假
B.完备性，即所有能够从该形式化系统推导出来的命题，都可以从这个形式化系统推导出来。
C.可判定性，即算法在有限步内判定命题的真伪
D.复杂性，即算法性能与输入数据大小相关
解释：“算法性能与输入数据大小相关” 描述的是计算复杂性理论的范畴，关注的是算法执行的 “效率”（如时间复杂度 O (n)、空间复杂度 O (n²)）。

10.下面哪个描述不属于邱奇－图灵论题所包含的意思（ C ）
A.凡是可计算的函数都可以用图灵机计算
B.任何计算，如果存在一个有效过程，它就能被图灵机实现
C.任何表达力足够强的(递归可枚举)形式系统同时满足一致性和完备性
D.有些数学问题是不可求解的(图灵不可停机的)
解释：邱奇－图灵论题的核心是 “可计算性的定义与边界”，与 “形式系统的一致性和完备性” 无关 ，后者是数学基础中 “公理系统可靠性” 的问题，由哥德尔定理解决。

讨论1：人类智能是这种智能混合体的“总开关”？
答：人类智能是机器智能的 “源头与上限”，人类智能定义混合智能的 “方向与边界”，人类智能划定 “协同的伦理边界”，人类智能突破机器智能的 “认知天花板”，人类智能控制混合智能的 “风险与偏差”，人机协同的本质是 “人类智能的延伸”。

讨论2：迈向通用智能的道路仍然遥远？
答：①机器智能的 “能”：「感知与识别」：超越人类的 “精准度与吞吐量”；「数据与推理」：超越人类的 “记忆与计算力”；「流程与优化」：超越人类的 “系统性与稳定性”。
②机器智能的 “不能”：「常识与因果」：缺乏 “无需数据的先天认知”；「跨域与迁移」：缺乏 “举一反三的自主适配”；「意识与情感」：缺乏 “主观体验与价值判断”；「直觉与创造」：缺乏 “无逻辑的突破式思考”。
③发展方向：短期：深化 “领域能力”，让 AI 成为更高效的 “专业助手”。中期：攻坚 “认知瓶颈”，探索 “弱通用智能” 的突破路径，如因果推理与常识融合，小样本与迁移学习，多模态深度融合。长期：构建 “人机协同”，让 AI 成为人类探索未知的 “认知放大器”。

讨论3人工智能课程体系中的算法重要性？
答：算法是智能的载体：将 “人类智能逻辑” 转化为 “机器可执行步骤”；算法是知识的主线：串联 “理论基础、技术方法、应用场景”；算法是能力的核心：决定学生 “理解原理、优化性能、创新方法” 的上限。

推荐文章—《计算机体系结构的新黄金时代：推动机器学习革命》
文章直指 “摩尔定律失效后，计算机体系结构如何支撑 ML 革命” 的核心矛盾，解决了四大关键问题：
（1）硬件性能瓶颈问题：通用处理器无法满足 ML 指数级增长的计算需求（ML 计算需求峰值超摩尔定律），提出 “专用 ML 架构”（如 TPU）作为解决方案，通过低精度线性代数优化（ML 核心计算）提升效率。
（2）软硬件脱节问题：ML 算法迭代速度快（论文每日新增 50+），硬件设计周期长（2 年设计 + 3 年部署），提出 “编译技术优化”“适配算法变化的灵活性设计”，避免硬件过时。
（3）硬件设计方向模糊问题：明确 “训练环节需重点突破”“批量大小”“稀疏性与嵌入层需硬件支持”“量化与蒸馏” “软内存网络”“元学习（L2L）”等 6 大方向，解决工程师 “不知从何入手设计 ML 硬件” 的困惑。
（4）性能评估偏差问题：纠正 “只看吞吐量”“用旧模型测试” 等错误评估方式，提出 “训练看收敛时间、推理看延迟”“用最新模型验证” 的科学指标，避免硬件性能误判。