🤖 ИИ · 20 вопросов · ~45 мин · ⏱ Таймер 45:00 · Средний ·

История искусственного интеллекта

История ИИ — это не ровная лестница от простого к сложному. В ней были символические программы, ранние нейронные сети, экспертные системы, периоды завышенных обещаний, статистический поворот и рост вычислительных моделей. Тест предлагает распознавать идеи по коду и задачам, связывать успехи с ограничениями эпохи и не пересказывать историю как набор дат.

Отвечено: 0 из 20

⏱ --:--

💡 Инструкция: Выбери один ответ из четырёх. В тесте 20 вопросов и 45 минут; не меньше половины заданий требуют прочитать код, конфигурацию или формализованную схему. После завершения откроются общий процент, четыре тематические шкалы, правильные ответы и разбор каждого решения.

Вопрос 1 из 20

Программа перебирает возможные ходы в игре и оценивает будущие позиции по заданной функции. К какой ранней линии исследований это относится?

def choose(position, depth):
    if depth == 0:
        return evaluate(position)
    return max(-choose(move(p), depth - 1) for p in legal_moves(position))

Генерация новых позиций с последующим удалением шума по диффузионной схеме Обучение представлений игровых позиций по большому корпусу сыгранных партий Поиск в пространстве состояний Кластеризация позиций с выбором хода из ближайшей группы

Вопрос 2 из 20

Какой фрагмент больше всего похож на ядро классической экспертной системы?

Набор правил

IF fever AND rash THEN diagnosis = measles
IF diagnosis = measles THEN isolate = yes

Линейная модель, которая вычисляет оценку и округляет её до одного из заданных выводовy = w0 + w1*x1 + w2*x2 Языковая модель, продолжающая последовательность токенов по вероятностямnext = sample(softmax(logits)) Поиск ближайшего случая в базе примеров без явных правил выводаargmax(cosine(query, document))

Вопрос 3 из 20

Почему появление больших размеченных наборов изображений стало важным для современного этапа?

Большие наборы данных сделали вычислительные ресурсы почти несущественными для качества Разметка позволила автоматически преобразовать экспертные правила в нейроны без обучения Единый формат разметки устранил различия между архитектурами и способами обучения Они позволили обучать и честно сравнивать модели на широком разнообразии примеров

Вопрос 4 из 20

Какое сочетание чаще всего приводило к очередному спаду интереса к ИИ?

Завышенные ожидания, ограниченные вычисления и слабое качество на реальных задачах Осторожные обещания, быстрый перенос лабораторных результатов и стабильное финансирование Отказ университетов от математических методов и переход только к гуманитарным исследованиям Исчерпание всех известных алгоритмов поиска, из-за которого новые задачи стало невозможно формулировать

Вопрос 5 из 20

Что делает этот код символическим, а не обучаемым?

def search(state, goal, seen):
    if state == goal:
        return [state]
    for nxt in rules[state]:
        if nxt not in seen:
            path = search(nxt, goal, seen | {nxt})
            if path:
                return [state] + path

Рекурсивный обход сам по себе делает систему символической независимо от источника оценок Наличие переменной goal означает, что программа оперирует символами, даже если параметры обучаются Программа написана на языке общего назначения и поэтому относится к символическому ИИ Правила перехода и цель заданы явно, параметры не оцениваются по примерам

Вопрос 6 из 20

Какое изменение сильнее всего отличает современное предварительное обучение от узкой системы правил?

model.pretrain(web_corpus)
model.finetune(task_examples)
answer = model.generate(prompt)

Предварительное обучение отличается прежде всего полностью детерминированным выводом Эксперты заранее вводят все знания в единую таблицу, а модель лишь выбирает подходящую строку Модель сначала учится на большом корпусе общим закономерностям, затем адаптируется к задачам Для каждого нового примера разработчик дописывает отдельное правило и повторно запускает систему

Вопрос 7 из 20

Ранний перцептрон обучается на линейно разделимых точках. Какое исторически важное ограничение иллюстрирует неудача на XOR?

y = \operatorname{sign}(w_1x_1+w_2x_2+b)

data = [((0, 0), 0), ((0, 1), 1), ((1, 0), 1), ((1, 1), 0)]

Один линейный слой не выражает нелинейную границу XOR Задача XOR решается только экспертной системой с явной таблицей правил Неудача одного слоя показывает, что нейронные сети любого размера не могут выразить XOR Перцептрон не способен выполнять арифметические операции, необходимые для вычисления XOR

Вопрос 8 из 20

Какой проект ближе всего к ранней мечте о машинном рассуждении?

Печатная таблица вычислений, которая выдаёт готовый ответ без применения правил к новым фактам Архив писем с полнотекстовым поиском, где большой объём текста принимают за рассуждение Программа, выводящая теоремы из аксиом по формальным правилам Хранилище изображений с поиском по именам файлов и без построения выводов

Вопрос 9 из 20

Что в этом механизме внимания является современным отличием от фиксированной обработки соседних слов?

\operatorname{Attention}(Q,K,V)=\operatorname{softmax}\left(\frac{QK^T}{\sqrt d}\right)V

scores = Q @ K.T / sqrt(d)
weights = softmax(scores, axis=-1)
context = weights @ V

Все позиции получают одинаковые веса, поэтому дальние и близкие слова учитываются одинаково Вес связи между позициями вычисляется из текущих представлений Перед вычислением представлений слова сортируются по алфавиту и обрабатываются в этом порядке Для каждой позиции заранее задаётся один сосед, которому всегда передаётся весь вес

Вопрос 10 из 20

Компания в 1980-х вложилась в систему, которую дорого расширять: каждое исключение требует новых правил, а правила начинают конфликтовать. Какое историческое ограничение проявилось?

Недостаточная длина словаря токенизатора для записи новых исключений Слишком высокая производительность графических ускорителей по сравнению с объёмом правил Узкое место приобретения и сопровождения знаний Контекст системы оказался настолько большим, что правила перестали помещаться в память модели

Вопрос 11 из 20

Какой фрагмент содержит обучение параметров перцептрона, а не применение заранее заданного правила?

label = int(x1 + x2 > 1)
pred = int(w @ x >= 0)
w += lr * (target - pred) * x
label = lookup[key]
label = "yes" if flag else "no"

`label = "yes" if flag else "no"` `label = lookup[key]` `pred = int(w @ x >= 0)` и `w += lr * (target - pred) * x` `label = int(x1 + x2 > 1)`

Вопрос 12 из 20

Чем механизм объяснения в экспертной системе отличался от объяснения современной глубокой сети?

Система показывала лишь окончательный диагноз и не сохраняла сработавшие правила Объяснение строилось только по изображениям, приложенным к записи пациента Цепочка правил считалась доказательством истинности вывода, даже если исходные факты были ошибочны Он мог показать цепочку сработавших правил

Вопрос 13 из 20

Почему этот успех на лабораторном наборе мог не предотвратить разочарование при внедрении?

accuracy_lab = 0.96
accuracy_field = evaluate(model, field_data)
print(accuracy_field)

Лабораторная точность ничего не говорит о новых условиях, шуме и стоимости ошибок Выбранная метрика запрещает перенос модели в рабочую среду независимо от состава данных Рабочие данные должны быть меньше лабораторных, иначе модель нельзя применять Высокая лабораторная точность сама по себе подозрительна и обычно означает ошибку в расчёте

Вопрос 14 из 20

Какой ранний подход представлен здесь?

OPEN = [start]
while OPEN:
    state = OPEN.pop()
    if is_goal(state):
        return reconstruct(state)
    OPEN.extend(apply_legal_operators(state))

Обучение параметров нейросети по градиенту на примерах правильных преобразований Статистический выбор перевода по частотам соответствий в параллельном корпусе Поиск решения через последовательность допустимых преобразований Итеративное удаление шума до получения объекта, похожего на требуемое решение

Вопрос 15 из 20

В базе знаний два правила дают разные диагнозы при одинаковых фактах. Что должен был решать механизм экспертной системы?

IF fever AND cough THEN diagnosis = flu [0.7]
IF fever AND cough AND travel THEN diagnosis = infection_x [0.9]

Стратегию разрешения конфликтов между правилами Порядок обработки пикселей, от которого зависит итоговый класс изображения Выбор более длинного правила без формального приоритета и объяснения решения Размер мини-пакета, при котором два конфликтующих правила дают одинаковый градиент

Вопрос 16 из 20

Почему графические ускорители оказались полезны для глубокого обучения?

for batch in loader:
    logits = model(batch.x)
    loss = criterion(logits, batch.y)
    loss.backward()
    optimizer.step()

Они эффективно выполняют множество параллельных матричных операций Параллельные вычисления делают функцию потерь выпуклой и устраняют локальные минимумы Аппаратное ускорение заменяет обратное распространение более быстрым правилом обновления Ускорители автоматически создают разметку, поэтому сети можно обучать без подготовленных данных

Вопрос 17 из 20

Какая формулировка точнее описывает тест Тьюринга в историческом контексте?

Критерий сравнивает скорость вычислений машины и человека при одинаковых задачах Это поведенческий критерий неразличимости в разговоре Тест задаёт процедуру обучения сети на человеческих ответах до полного совпадения Успешный разговор подтверждает наличие у машины эмоций и человеческого самосознания

Вопрос 18 из 20

Что показывает этот фрагмент о переходе от ручных признаков к глубокому обучению?

features = engineer_features(image)
label = classifier.predict(features)
label = neural_network(image)

Оба варианта используют одинаковые признаки, различается только запись вычислений Глубокая сеть получает готовые признаки и поэтому не зависит от исходных данных Ручные признаки по определению точнее обучаемых представлений на любых задачах Классический конвейер использует признаки, заданные инженером, а глубокая сеть обучает представления вместе с классификатором

Вопрос 19 из 20

Почему статистические методы машинного перевода были важным этапом до нейронных моделей?

Они начали извлекать соответствия из параллельных корпусов вместо полного ручного описания языка Статистический перевод впервые дал машинам возможность создавать письменные символы Параллельные корпуса позволили гарантировать одинаково точный перевод текстов любого жанра Методы отказались от вероятностей и выбирали перевод только по жёстким правилам

Вопрос 20 из 20

Какое утверждение лучше всего объясняет современный успех больших моделей?

quality = f(architecture, data, compute, objective, optimization)

Его обеспечило сочетание масштабных данных, вычислений, архитектур и способов обучения Современные модели масштабировали единственное правило IF–THEN до миллиардов условий Основной скачок произошёл после увеличения temperature, которое заменило развитие архитектур Рост качества сделал независимую проверку ответов ненужной в большинстве задач

Ответьте на все 20 вопросов, чтобы получить результат

🔗 Встроить тест на свой сайт (iframe) ▼

Скопируйте код и вставьте в любое место на вашем сайте:

Также доступна прямая ссылка на embed-страницу