简介这份百度人工智能经典考试试题文档面向准备课程期末、考研复试或AI岗位面试的学习者围绕人工智能基础概念与经典题型组织内容。文档为单一doc文件压缩包约279KB包含选择题、填空题、简答题与应用题四类覆盖语义网络、归结推理、知识表示、机器学习、自然语言处理等核心知识点。题目配有参考答案应用题涉及语义网络建模、α-β剪枝、谓词逻辑祖孙关系推理简答计算题包含三值逻辑表、产生式语义、子句集求解步骤与MGU计算便于读者按题型查漏补缺。文末附知识点总结与详细说明可辅助梳理概念边界和答题思路。已有1588人学习适合需要系统刷题、快速回顾人工智能基础知识体系的学习者。1. 一份 AI 笔试题为什么值得翻它把“人工智能”拆成了能考的名词很多人第一次翻人工智能的笔试题反应都差不多这些词好像都见过可真要开口解释一个都说不清。它有点像考驾照的科目一——题目本身不难却逼你把“待转区”“导向车道”“让行标志”这些天天路过、从没细想的东西一个一个对上号。这套流传很广的经典试题干的就是这件事它不问你会不会调模型、会不会写训练脚本只问你能不能把归结原理、产生式、语义网络、可信度这些地基概念讲明白。把这些词捋顺了再看今天那些热闹的 AI 新闻才分得清哪些是新技术哪些只是老概念换了身衣服重新出场。2. 归结原理凭什么能“自动证明”空子句、合一与 MGU 三件套2.1 反证法加空子句机器证明定理的固定套路人证明一个定理可以画辅助线、可以构造反例、可以灵光一闪。机器不行机器只会做符号操作所以它需要一套“闭着眼睛也能走完”的流程。归结原理也叫消解就是这套流程里最经典的一条把要证的结论先否定掉扔进前提堆里然后两两配对、不断化简直到推出一个空子句。空子句记作 □它没有任何文字意思是“矛盾”。一旦推出来就说明“结论的否定”和前提打架了结论必然成立。这也是选择题里那句“当前归结式是空子句时定理得证”的由来——不是永真式不是包孕式就是空子句。永真式只能说明这一支没矛盾包孕式只是子句之间可以互相吸收都不能宣告证明结束。归结的动作本身很朴素。假设有两个子句一个形如 C1 L ∨ C1另一个形如 C2 ¬L ∨ C2它们含有一对互补的文字 L 和 ¬L。把这对互补文字消掉剩下的部分拼起来就是归结式 C C1σ ∨ C2σ。这里的 σ 是一个替换负责把两个子句里的变量对齐。通俗地说就是“你有‘天下雨’我有‘没下雨’这两句不能同时成立那剩下的部分总得有人负责”。拿试题里那道祖孙关系的题举例。已知“如果 x 是 y 的父亲y 又是 z 的父亲那么 x 是 z 的祖父”再已知“甲是乙的父亲”“乙是丙的父亲”问谁是谁的祖父。把它写成子句① ¬F(x,y) ∨ ¬F(y,z) ∨ G(x,z) 从规则变换 ② F(甲,乙) 从事实变换 ③ F(乙,丙) 从事实变换 ④ ¬G(u,v) 结论的否定 ⑤ ¬F(乙,z) ∨ G(甲,z) ①②归结置换 {甲/x, 乙/y} ⑥ G(甲,丙) ③⑤归结置换 {丙/z} ⑦ □ ④⑥归结置换 {甲/u, 丙/v}第七步推出空子句说明“甲是丙的祖父”这个结论成立。注意每一步置换都写清楚了谁替换谁这不是仪式感而是因为机器必须知道自己在对哪个变量动手。反证法这套路子有它的好处不需要人类式的直觉规则统一步骤可检查。代价是搜索空间会膨胀子句一多两两配对的数量就爆炸所以才有了后面各种归结策略——删除策略、支持集策略、线性归结、单元归结本质上都是在给这场“配对游戏”限流。提示归结证明只回答“成立不成立”不直接给出“具体是谁”。想要机器把答案也算出来得在结论的否定里留一个变量最后靠重言式把那一步接回来试题里祖父那道题的后半段做的就是这个动作。2.2 MGU 到底在求什么把两个式子“对齐”的最小代价归结能不能进行前提是两个子句里存在一对互补文字而这对文字要真能消掉形状必须完全一致。比如 P(f(x), y) 和 ¬P(f(z), g(z))一个第二项是 y另一个是 g(z)不处理就没法配对。合一unification就是找一组替换让两个原子公式变成同一个东西。问题在于能让它们一样的替换往往不止一个。{f(A)/x, g(A)/y, A/z} 可以{f(w)/x, g(w)/y, w/z} 也可以甚至把变量全换成常量也能对上。但归结要的是“最省、最通用”的那个因为替换越具体丢失的信息越多后面越难继续推。这个最通用的替换就叫最一般合一英文缩写 MGU。所谓“最一般”通俗讲就是别的合一替换都能由它再复合一层得到而它自己不能再被简化。它是这批替换里的“最小公倍数”。求 MGU 的经典办法是差异集法一步一步来令 k 0初始替换 δ₀ 为空集合 S₀ 为原始公式集。如果 S 已经是单元素集结束δ 就是 MGU。否则找出第一个差异集 D看里面有没有“变量 不含该变量的项”这种组合。用项替换变量得到新替换和新集合k 加一回到第 2 步。试题里那道 S {P(f(x), y, g(y)), P(f(x), z, g(x))} 就是标准演练。第一次比较第一个参数都是 f(x)第三个参数 g(y) 和 g(x) 有差异但先看第二个参数 y 和 z差异集是 {y, z}把 z 替换 y得 S₁ {P(f(x), z, g(z)), P(f(x), z, g(x))}。再比差异集 {z, x}把 z 替换 x得 S₂ {P(f(z), z, g(z))}单元素了MGU {z/y, z/x}。这个流程写成代码大概长这样def unify(a, b, substNone): 极简合一的骨架a、b 是两个项subst 记录已有替换 if subst is None: subst {} if a b: return subst if is_var(a): # a 是变量 return bind(a, b, subst) if is_var(b): # b 是变量 return bind(b, a, subst) if is_compound(a) and is_compound(b): if a.name ! b.name: # 谓词名不同直接失败 return None for x, y in zip(a.args, b.args): # 逐参数递归合一 subst unify(x, y, subst) if subst is None: return None return subst return None # 常量不同失败 def bind(var, term, subst): if var in subst: # 变量已有绑定先展开再比 return unify(subst[var], term, subst) if occurs(var, term): # 出现检查防止 x f(x) 这种循环 return None new dict(subst) new[var] term return new这段代码的重点不在语法而在两个判断。一个是“谓词名不同直接失败”因为 P 和 Q 永远合不到一起另一个是出现检查如果不做遇到 x f(x) 这种就会无限展开程序当场卡死。这也是手算时容易漏掉的一步考试里写成“y 不在 z 中出现”就是在补这个条件。2.3 子句集化的八个步骤顺序为什么不能乱归结的输入必须是子句集也就是一堆“文字的析取”组成的集合。现实中的命题往往带蕴含、带等价、带量词所以得先做一次标准化这就是试题里反复出现的“谓词公式 G 化成子句集 S 的八个步骤”。顺序是这样的先消去蕴含式和等价式再把否定词往里推一直推到只作用于原子公式然后给变元改名保证不同量词用的变元名不重复接着消去存在量词用 Skolem 函数代替再消去全称量词化成合取范式子句之间再改一次名最后去掉合取符号用逗号分隔得到子句集。这里面最容易翻车的是第四步。消去存在量词时如果它前面没有全称量词就直接换成一个新常量如果它前面有全称量词 ∀y就必须换成一个关于 y 的函数 f(y)而不是常量。原因很直白那个“存在的 x”是依赖 y 的不同的 y 可能对应不同的 x写成常量就把这种依赖关系抹平了后面推出来的东西自然不对。这就是 Skolem 函数的由来试题里专门有一道选择题考它。第七步的改名也常被忽略。两个子句各自有一个 x不做区分的话归结时一替换就把两边污染了。改完名每个子句的变量互不相干配对才安全。注意这八步是有依赖关系的不能跳着做。先 Skolem 化再消全称量词依赖关系就丢了先化范式再改名量词辖域已经看不出来了。3. 产生式系统与语义网络两种“把知识塞进机器”的方式3.1 产生式系统的三件套规则库、数据库、推理机机器要有智能先得有知识。可知识在纸上是一段话在机器里必须变成能匹配、能执行的结构。产生式系统就是最早、也最直白的一种结构它把知识写成一条条“如果……那么……”的规则。一条产生式的基本形式是 P → Q读作“如果前提 P 成立那么结论 Q 成立”或者“如果条件 P 满足那么执行动作 Q”。P 叫前件负责判断这条规则能不能用Q 叫后件负责给出结论或者动作。它的语义非常朴素前提被满足就推出结论或执行操作。没有概率没有权重就是一条硬规则。整个系统由三部分组成。规则库是领域知识的集合装着所有产生式综合数据库也叫工作内存存放当前已知的事实包括初始事实、外部输入、推理中间结果和最终结果推理机是控制系统负责拿数据库里的事实去规则库里匹配挑出可触发的规则执行它再把新结论写回数据库循环往复。这里有个细节常被考到当多条规则同时可触发时推理机得选一条执行被选中的那条叫触发规则。选谁不选谁靠冲突消解策略比如优先级高的先来、新事实先来、规则顺序靠前的先来。这个机制看着不起眼实际影响很大——同样的规则库换个消解顺序可能得到不同的推理路径。拿试题里那道“1 到 9 排个序列使前 n 位组成的整数能被 n 整除”来说它就是把人类解题时的直觉写成了规则r1: IF 序列长度 4 THEN 第五位放 5 r2: IF 长度为偶数 且 n ∈ {1,3,7,9} THEN 追加 n r3: IF 长度为奇数 且 n ∈ {2,4,6,8} THEN 追加 n第一条来自“第五位必须是 5”这个数学事实第二、三条来自“偶数位放偶数、奇数位放奇数”的整除性质。规则本身很短但每一条背后都是人对问题的理解。产生式系统的价值就在这儿它把“怎么想”显式写了出来机器照着做就行做错了也能回头查是哪条规则写歪了。3.2 正向推理和反向推理差在哪从事实出发还是从目标倒推有了规则库推理机还得决定往哪个方向走。这就是正向推理、反向推理、双向推理的区别也是选择题里的常客。正向推理叫数据驱动。它从已知事实出发拿事实去规则库里找前件能被满足的规则推出新结论新结论再加进事实堆继续推直到推出目标或者推不动为止。它的思路是“我手里有什么就能算出什么”。反向推理叫目标驱动。它从要证的结论出发看哪条规则的后件能产出这个结论然后把那条规则的前件变成新的子目标再去找能推出这些子目标的规则一路往下拆直到子目标全部能和已知事实对上。它的思路是“我要这个结果那得先满足什么条件”。对比项正向推理反向推理起点已知事实待证目标驱动方式数据驱动目标驱动适合场景事实多、结论少比如监控告警目标明确、分支多比如故障诊断主要开销可能推出大量无关结论可能反复拆解无关子目标典型问法“这些数据能说明什么”“这个结论需要什么条件”举个例子。一个设备诊断系统如果传感器一上来就报了十几条异常那适合正向推理从这些异常往下推可能的原因。反过来如果运维只想知道“是不是电源模块坏了”那适合反向推理从“电源故障”这个假设出发去找它需要哪些证据再逐条核对。方向选错不是算不出来是算得特别慢把时间浪费在无关分支上。双向推理则是两头一起走在中间碰头。它省时间但控制复杂得判断什么时候两边接上了。3.3 语义网络里的 AKO 和 ISA为什么它天生会“继承”产生式把知识写成规则语义网络换了个思路把知识画成图。节点代表概念或实体有向边代表关系一张图就是一片知识。这张图里最常出现的两种边是 ISA 和 AKO。ISA 表示“是一个”通常连接个体和它所属的类比如“麻雀 ISA 鸟”AKO 是 a-kind-of 的缩写表示“是一种”连接子类和父类比如“鸟 AKO 动物”。两者的区别在于层级ISA 更偏向个体归入类别AKO 更偏向类别归入更大的类别。试题里那句“有向弧 AKO 链、ISA 链是用来表达节点知识的继承性”说的就是它们最核心的作用——下层节点自动拥有上层节点的属性。为什么能自动拥有因为语义网络的结构本身就是按分类组织的。你在“鸟”这个节点上挂一条“有羽毛”那么所有 ISA 指向“鸟”的节点都默认有羽毛不需要在每个节点上重复写一遍。这就是继承性也是语义网络比一堆孤立事实好用的地方知识可以层层复用改一处下面全跟着变。动物 ↑ AKO 鸟 ——有→ 羽毛 ↑ ISA 麻雀 ——颜色→ 棕色在这个小图里麻雀沿着 ISA 往上找到鸟再沿着 AKO 往上找到动物一路把“有羽毛”“会动”这些属性继承下来。查询的时候不用逐条比对顺着边走就行。但继承性也是它的坑。鸟会飞这条属性挂在“鸟”上没问题可企鹅也是鸟企鹅不会飞。这时候要么给企鹅单独加一条“不会飞”覆盖掉继承来的值要么把“鸟”拆成“会飞的鸟”和“不会飞的鸟”两个子类。前一种做法省事但覆盖规则一多图就变得难维护后一种做法干净但类目会膨胀。这个取舍到今天还在知识图谱的工程里反复出现只是换了个说法叫“本体设计”。4. 常见误区这几个概念最容易被混成一锅粥4.1 误区一把“正向推理”当成“正向搜索”这两个词都带“正向”初学者很容易当成一回事。会混是因为它们都表现为“从起点往下走”看起来方向一致。区别在于处理的对象不同。正向推理处理的是知识和事实它的每一步是“匹配规则、推出新结论”产出的是新命题正向搜索处理的是状态空间每一步是“从当前状态转移到下一个状态”产出的是路径。前者关心“能推出什么”后者关心“怎么走到目标”。判断方法很简单如果这一步的结果是一条可以判断真假的知识那是推理如果结果是一个新的局面或位置那是搜索。4.2 误区二MGU 就是“随便找个替换”手算合一的时候很多人凑出一组能对上号的替换就收工了觉得反正都是合一差不多。会混是因为“合一”这个词本身就指“让两边一致”看起来任何能一致的替换都合格。差别在于后续还能不能继续推。一个过于具体的替换会把变量钉死成常量虽然当下对上了但别的子句再想用这个变量就没办法了。MGU 要求的是最一般也就是“能覆盖所有其他合一方案”的那个。检验办法是看这组替换能不能再被泛化如果还能把某个常量换回变量而依然合一那它就不是 MGU。4.3 误区三可信度 CF 当成概率用CF 是可信度因子取值在 -1 到 1 之间正数表示相信负数表示不相信0 表示不知道。概率取值在 0 到 1 之间。两者长得像用起来也都在描述“有多大把握”所以经常被混着用。问题出在运算规则上。CF 的合取取最小值、析取取最大值、否定取相反数这套规则是人工定的经验公式不满足概率的公理体系概率的乘法、加法公式是从公理推出来的两者不能互换。把 CF 当概率算最常见的翻车是几个证据一叠加算出来的数超过 1 或者出现明显违背直觉的结果。看到 -1 到 1 这个区间就该反应过来这是可信度不是概率。4.4 误区四α-β 剪枝是“少算一些节点所以结果会变”听名字容易以为剪枝是一种近似为了快牺牲准确性。会混是因为日常说的“剪枝”经常带着“砍掉不重要的部分”的意思。实际上 α-β 剪枝剪掉的都是“无论算出什么都不会影响上层选择”的分支最终倒推值和完整搜索一模一样。它不是近似算法是等价优化。判断依据是剪枝条件本身只有当某个节点已经不可能改变祖先节点的决策时才停止往下搜。如果剪完发现结果和完整搜索对不上那不是剪枝的锅是估值或者节点顺序写错了。4.5 误区五语义网络和知识图谱是一回事两者都是“节点加边”的结构都能表达实体和关系视觉上几乎一样所以常被直接画等号。差在规模和严谨度上。语义网络是上世纪的一种知识表示方法结构相对自由边的含义靠约定知识图谱是工程化的产物通常有本体约束、有实体对齐、有大规模存储和查询体系。可以说知识图谱吸收了语义网络的思想但不能说语义网络就是知识图谱。判断方法看场景一道考题里画的几个节点几张弧那是语义网络一套带 schema、带实体消歧的系统那是知识图谱。5. 搜索与博弈里的三个硬骨头状态图、启发函数与 α-β 剪枝5.1 状态空间图先把问题画成一张图走迷宫、下棋、八数码这些问题表面各不相同抽象之后是同一个东西一个初始状态一组可以施加的操作一个或一组目标状态。把状态当节点把操作当有向边整个问题就变成了一张图叫状态空间图。这一步抽象很关键。不画图你面对的是“怎么把这块挪过去”的直觉画了图你面对的是“从哪个节点走到哪个节点”的路径问题广度优先、深度优先、有界深度优先这些算法才有地方落脚。试题里问“如果问题存在最优解哪种搜索必然能得到”答案落在广度优先上原因就是它按层扩展第一次碰到目标时走的一定是最短步数。代价也很明显。广度优先要把同一层的节点全存下来空间开销随分支因子指数增长。八数码还能扛真实棋盘就不行了。所以才需要下面两个东西。5.2 启发函数给搜索装一个“方向感”无信息的搜索是瞎子摸象每个方向都试一遍。启发式搜索多做一件事给每个待扩展节点算一个估值优先扩展看起来最有希望的那个。这个估值函数就叫启发函数。估值通常写成 f(n) g(n) h(n)。g(n) 是从起点走到当前节点的实际代价h(n) 是从当前节点到目标还有多远的估计。g 负责“已经花了多少”h 负责“还差多少”。h 选得好搜索会直奔目标h 选得差等于没有方向感退化成普通搜索。启发函数有个重要性质叫可采纳性h(n) 永远不能高估真实剩余代价。一旦高估算法可能错过真正的最优路径因为它以为某条路更贵其实那条路更便宜。这个约束在考试里经常以“哪个启发函数是可采纳的”形式出现判断标准就是拿它和真实距离比一比看有没有超。提示h(n) 全部取 0启发式搜索就退化成一致代价搜索h(n) 取得越大越快但超过真实代价就不再保证最优。这是速度和正确性之间的老取舍。5.3 α-β 剪枝剪掉的是重复劳动不是正确答案二人博弈里最经典的分析方法是极小极大法先把博弈树展开到叶子叶子给出估值然后一层取最大、一层取最小倒推回根节点选出最好的一步。问题是树太大国际象棋的分支因子几十,展开几层就是天文数字。α-β 剪枝的思路是一边倒推一边判断某些分支根本不用看完。α 表示极大值层当前已知的最好选择β 表示极小值层当前已知的最好选择。搜索过程中如果某个极小值节点的 β 已经小于等于它祖先极大值节点的 α说明这个节点再往下算出什么都不可能被祖先选中直接停反过来如果某个极大值节点的 α 已经大于等于祖先极小值节点的 β也同样停。α 剪枝α(先辈层) ≥ β(后继层) → 停掉这个 MIN 节点以下的搜索 β 剪枝α(后继层) ≥ β(先辈层) → 停掉这个 MAX 节点以下的搜索这两条条件看着绕本质是一句话当一层已经发现“无论这个分支多好上一层都不会选它”时就没必要再算了。剪掉的分支不会改变根节点的倒推值所以结果是精确的。剪枝的效率高度依赖节点展开顺序。理想顺序下复杂度能从指数级降到大约分支因子的平方根级别最坏顺序下一条都剪不掉白忙一场。这也是为什么工程实现里要先做走法排序把看起来好的走法排在前面——排序本身要花时间但省下来的搜索量通常远大于这点开销。6. 这套老知识什么时候用得上什么时候别硬套先说结论这套东西不是用来应付考试的摆设它是一套“把模糊问题变清楚”的语言。你在设计一个规则引擎、排查一个推荐策略、跟人解释为什么某个模型给出了奇怪结论时这些概念会突然变得很好用。什么时候适合拿它出来场景用哪个概念为什么合适要把一堆业务规则写成可执行逻辑产生式系统规则和事实分离改规则不动代码要验证某个结论在给定前提下是否必然成立归结原理反证法步骤可检查出错能定位到某一步要表达一批有层级关系的实体语义网络 / 本体继承性省掉大量重复描述要在有限时间内挑一步棋或一个方案α-β 剪枝剪掉不影响决策的分支结果不变要给不确定的证据打分可信度 CF比概率轻适合人工定规则的场景什么时候别硬套第一数据量大、规律藏在样本里的时候。产生式系统靠人写规则规则一多就互相打架维护成本比训练一个模型还高。这种场景该让机器学习上场规则只留少量兜底。第二需要精确概率推断的时候。CF 那套 min/max 运算适合快速判断不适合算“得病的概率是多少”。要概率就老老实实建贝叶斯网络别拿 CF 凑。第三实体关系规模上来之后。语义网络那种自由画法几百个节点还能看几万个节点就开始出现同名不同义、同义不同名必须有本体约束和实体对齐那就进入知识图谱的工程范畴了。第四实时性要求极高的搜索。α-β 剪枝在棋类上表现好是因为估值函数便宜、分支可控。换成状态空间巨大、估值又贵的场景得换蒙特卡洛树搜索之类的思路。我自己的习惯是拿到一个说不清的问题先逼自己用这套语言描述一遍——事实是什么、规则是什么、目标是什么、哪一步不确定。描述完通常会发现问题要么被拆小了要么根本不是我一开始以为的那个问题。有一次排查一个策略冲突写了两页规则最后发现真正的原因是两条规则的优先级没定义跟算法一点关系都没有。从那以后我每次碰这类问题都强制先写事实和规则写完再决定要不要上模型。这套经典试题连同答案整理成了一份资料选择题、填空题、简答计算、应用题四类都有需要的话可以拿去对着过一遍比自己凭印象猜要靠谱得多。希望帮到你。本文还有配套的精品资源点击获取