《人工智能应用实践教程》普遍面向人工智能、计算机相关专业在校生及AI入门从业者，习题设计兼顾基础理论巩固、实操能力落地与行业合规认知，以下按通用教程的四大核心模块，梳理典型习题的答案及解题逻辑，帮助读者厘清知识点关联，避免死记硬背答案。
## 一、基础概念模块习题解析
### 典型习题1：请区分弱人工智能与强人工智能的核心差异，并判断当前的大语言模型属于哪一类？
**参考答案**：二者的核心差异是是否具备通用认知能力与自主意识：弱人工智能仅面向特定任务优化，没有自主思考能力，所有能力都局限于训练目标覆盖的范围；强人工智能具备类人的跨领域认知、自主决策能力，甚至拥有自我意识，目前仅存在于理论设想阶段。当前的大语言模型属于弱人工智能，其本质是基于文本数据训练的概率生成模型，没有自主意识，能力边界仍受限于训练数据与任务设定。
**解题逻辑**：答这类题要抓住核心判定标准，不要混淆“性能强弱”和“类型差异”，很多高性能的垂直领域AI依然属于弱人工智能范畴。
### 典型习题2：列举3种主流AI落地场景，并对应说明其核心技术支撑。
**参考答案**：①智能客服：核心支撑是自然语言处理领域的意图识别、实体抽取、对话管理技术，辅以知识图谱实现知识库精准检索；②自动驾驶感知模块：核心支撑是计算机视觉领域的目标检测、语义分割技术，搭配多传感器融合技术实现环境信息的精准采集；③电商个性化推荐：核心支撑是协同过滤算法、深度学习推荐模型（如Wide&Deep、DIN），辅以用户画像体系实现用户偏好的精准匹配。
**解题逻辑**：要避免泛泛谈“AI技术”，需明确技术和场景的对应关系，体现对技术落地逻辑的理解。
## 二、经典算法实践模块习题解析
### 典型习题1：用逻辑回归完成鸢尾花三分类任务时，为什么要先对特征做标准化处理？
**参考答案**：逻辑回归的优化依赖梯度下降算法，不同特征的量纲差异会导致梯度下降时各维度的更新步长不一致，收敛速度变慢甚至无法收敛；同时逻辑回归的L1/L2正则项对权重的惩罚是统一的，特征量纲不一致会导致正则项对小量纲特征的惩罚过度、对大量纲特征的惩罚不足，影响模型效果。因此必须先对特征做标准化，将所有特征映射到相同的数值区间。
**解题逻辑**：答这类实操类问题要从算法原理、优化逻辑两个维度切入，不要只停留在“标准化能提升效果”的表层结论，要讲清背后的原因。
### 典型习题2：训练CNN模型做手写数字识别时出现严重过拟合，请列举3种可行的优化方案并说明原理。
**参考答案**：①数据增强：对训练集图片做随机旋转、裁剪、加噪处理，扩充训练数据的分布范围，降低模型对训练集独有噪声的记忆；②添加Dropout层：训练阶段随机失活部分神经元，减少神经元之间的共适应性，降低模型的复杂度；③添加L2正则化：在损失函数中加入权重的L2范数惩罚项，避免权重过大导致模型拟合训练集噪声。
**解题逻辑**：首先明确过拟合的本质是“模型复杂度高于数据复杂度，拟合了训练集的非通用噪声”，所有优化方案都要围绕降低模型相对复杂度展开，避免给出增加模型层数、延长训练时间这类会加重过拟合的错误方案。
## 三、行业场景落地模块习题解析
### 典型习题：为连锁便利店搭建用户次月消费意愿预测系统，需要注意哪些核心问题？
**参考答案**：①数据层面：需整合用户历史消费记录、到店频次、促销参与数据，清洗掉刷单、异常大额消费等无效数据；同时因为消费行为具备时间序列属性，不能随机划分训练测试集，要按时间维度切割，用历史数据训练、未来数据验证，避免数据泄露。②模型层面：优先选择适配时序特征的模型（如LSTM、时序融合Transformer）或树模型（如XGBoost），特征工程重点提取近7天、30天、90天的时间窗口消费特征，同时纳入节假日、促销活动等外部特征。③落地层面：优先选择可解释性强的模型，方便运营人员理解高消费意愿用户的核心特征，同时设置月度迭代机制，用最新消费数据更新模型，适配用户消费习惯的变化。
**解题逻辑**：场景类问题要从数据、模型、业务落地三个维度展开，不要只谈技术本身，要贴合行业的实际痛点。
## 四、AI伦理与合规模块习题解析
### 典型习题：开发面向未成年人的AI教育产品时，需要符合哪些合规与伦理要求？
**参考答案**：①数据合规：严格遵循《个人信息保护法》《未成年人网络保护条例》，收集未成年人数据前必须获得监护人的明确同意，仅收集产品服务必需的最小范围数据，不得对外泄露、违规使用未成年人数据。②内容合规：建立AI生成内容的人工审核机制，不得输出暴力、低俗等不符合未成年人认知的不良内容。③伦理要求：不得设置诱导沉迷的机制，强制设置使用时长限制，算法推荐内容需正向引导，避免出现基于地域、家庭条件的算法歧视问题。
**解题逻辑**：这类题要结合我国现行法律法规作答，明确不同场景的合规红线，避免空泛谈论伦理概念。
以上解析基于通用版本的教程核心知识点整理，不同版本的教程侧重点存在差异，读者可结合对应教材的章节内容调整答题思路，核心是理解知识点背后的逻辑，才能真正实现AI技术的灵活应用。
本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。