一、概念篇

1.什么是大模型？

大模型是指參數(shù)規(guī)模巨大（通常達到數(shù)十億甚至萬億級別）、使用海量數(shù)據(jù)訓(xùn)練而成的人工智能模型。

2.什么是大語言模型（LLM）？

大語言模型（Large Language Model，LLM）是大模型中最主 要的一類，專門用于處理和生成人類語言。大語言模型通過“閱讀”海量的文本數(shù)據(jù)（如書籍、網(wǎng)頁、文章等）進行預(yù)訓(xùn)練，學(xué)會語言的模式、知識和上下文關(guān)系。

3.什么是多模態(tài)大模型？

多模態(tài)大模型是指能夠統(tǒng)一處理和理解多種模態(tài)數(shù)據(jù)（如文本、圖像、音頻、視頻）的人工智能模型，實現(xiàn)圖文對應(yīng)、音視頻理解、視覺問答等任務(wù)，使人工智能具備更接近人類的綜合感知與交互能力。

4.什么是推理大模型？

推理大模型是指專門強化邏輯推理、多步推導(dǎo)和計算能力的大規(guī)模人工智能模型。它通過結(jié)構(gòu)設(shè)計或訓(xùn)練方法優(yōu)化，提升在數(shù)學(xué)解題、代碼生成與調(diào)試、邏輯推理、策略規(guī)劃等復(fù)雜任務(wù)中的表現(xiàn)，注重逐步分析，以生成準(zhǔn)確、可解釋的結(jié)論。

5.L0級、L1級、L2級大模型分別代表什么？

L0級、L1級、L2級大模型是一種非官方但業(yè)界常用的模型能力分級方式，幫助理解模型的“加工”程度，分別代表基礎(chǔ)大模型、垂域/領(lǐng)域大模型、場景大模型。

6.什么是基礎(chǔ)大模型？

基礎(chǔ)大模型，又稱基座模型，是指在海量數(shù)據(jù)上預(yù)訓(xùn)練而成、具備強大泛化能力和多任務(wù)適應(yīng)性的大型人工智能模型。它可作為各類下游任務(wù)的通用基礎(chǔ)，支持?jǐn)?shù)據(jù)理解、生成等多種能力，通常需要通過微調(diào)或提示工程后應(yīng)用于具體場景。

7.什么是垂域/領(lǐng)域大模型？

垂域大模型是在基礎(chǔ)大模型的基礎(chǔ)上，使用大量某個專業(yè)領(lǐng)域的數(shù)據(jù)（如醫(yī)學(xué)文獻、法律條文、金融報告）進行進一步訓(xùn)練（微調(diào)）得到的模型。這使得它在該領(lǐng)域內(nèi)的知識更深入、更準(zhǔn)確，回答也更專業(yè)。

8.什么是場景大模型？

場景大模型是針對具體的使用場景和應(yīng)用，在通用模型或領(lǐng)域模型的基礎(chǔ)上，針對特定任務(wù)流程和用戶交互方式進行微調(diào)得到。

9.什么是混合專家模型（MoE）？

混合專家模型（Mixture of Experts，MoE）由許多“專家模型”組成。獲取到任務(wù)時，模型會判斷哪個專家最擅長處理它，然后只激活這部分專家進行計算。

10.什么是專家鏈模型（COE）？

專家鏈（Chain-of-Experts，CoE）是MoE的一種演進。在傳統(tǒng)的MoE中，專家們是并行工作的。而在CoE中，專家們像流水線一樣按順序工作。第一個專家處理完任務(wù)后，將結(jié)果傳遞給下一個更專業(yè)的專家，如此反復(fù)進行多輪交互，逐步逼近最精準(zhǔn)的解決方案。

11.什么是大模型推理？

大模型推理是應(yīng)用知識的過程（與之對應(yīng)，大模型訓(xùn)練是學(xué)習(xí)知識的過程），使用已經(jīng)訓(xùn)練好的、參數(shù)固定的模型，根據(jù)新的輸入進行計算，并生成輸出。

12.什么是開源大模型？

開源大模型：公開模型的權(quán)重（參數(shù)）和代碼，任何人都可以免費下載、使用、修改和研究，促進了創(chuàng)新、透明度和社區(qū)協(xié)作。優(yōu)勢是可定制、可控、成本可能更低；劣勢是可能需要自身有較強的技術(shù)能力來部署和優(yōu)化。

13.什么是閉源大模型？

閉源大模型：不公開模型內(nèi)部，只通過API提供服務(wù)，用戶只需輸入和獲取輸出，無需關(guān)心后臺。優(yōu)勢是簡單易用、性能穩(wěn)定、通常能力更強；劣勢是無法定制內(nèi)部邏輯、數(shù)據(jù)隱私存在顧慮、持續(xù)使用需付費。

14.什么是智能體？

智能體（Agent）是能夠感知環(huán)境并采取行動以實現(xiàn)特定目標(biāo)的代理體，具備自主性、適應(yīng)性和交互能力，廣泛應(yīng)用于人工智能領(lǐng)域，通常基于大模型構(gòu)建。?

15.什么是GPU？

GPU（Graphics Processing Unit，圖形處理器）最初設(shè)計用于處理圖形和圖像相關(guān)的任務(wù)，如圖形渲染和游戲圖形處理。然而，由于其并行處理能力較強，也被用于執(zhí)行許多通用計算任務(wù)，尤其是在深度學(xué)習(xí)和科學(xué)計算領(lǐng)域。

16.什么是NPU？

NPU（Neural Processing Unit，神經(jīng)網(wǎng)絡(luò)處理器）是專門為神經(jīng)網(wǎng)絡(luò)任務(wù)而設(shè)計的處理器，NPU專注于加速深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和推理。

17.什么是“PFlops”？

PFlops（PetaFLOPS）是衡量計算機浮點運算能力的標(biāo)準(zhǔn)單位，表示每秒執(zhí)行1千萬億次浮點運算，介于TFLOPS（萬億次）與EFLOPS（百億億次）之間，通常用于評估超級計算機和高性能計算集群的運算能力。

二、數(shù)據(jù)篇

18.什么是高質(zhì)量數(shù)據(jù)集？

高質(zhì)量數(shù)據(jù)集是指經(jīng)過清洗、標(biāo)注和結(jié)構(gòu)化處理，具備高準(zhǔn)確性、完整性、一致性和相關(guān)性的數(shù)據(jù)集合。高質(zhì)量數(shù)據(jù)集能夠真實反映現(xiàn)實場景，可用于訓(xùn)練和優(yōu)化智能模型。

19.預(yù)訓(xùn)練數(shù)據(jù)質(zhì)量如何影響模型能力？

高質(zhì)量、多樣化、覆蓋廣的語料能提升模型的泛化與生成能力，減少偏差與幻覺。低質(zhì)量數(shù)據(jù)會導(dǎo)致模型能力低下、偏見嚴(yán)重、“幻覺”頻發(fā)。

20.為什么大模型需要海量數(shù)據(jù)訓(xùn)練？

海量數(shù)據(jù)能覆蓋更多知識和場景，讓模型學(xué)會通用規(guī)律，提升泛化能力。

21.常見的數(shù)據(jù)標(biāo)注類型有哪些？

① 圖像標(biāo)注：對圖像中的物體進行拉框（邊界框標(biāo)注）、按物體輪廓進行精細(xì)分割（圖像分割）、標(biāo)記特定點位（關(guān)鍵點檢測）等；

② 文本標(biāo)注：對文本進行分類、識別實體（如人名、地名）、分析情感傾向、標(biāo)注語義關(guān)系等；

③ 語音標(biāo)注：將語音轉(zhuǎn)寫成文字、識別不同的說話人、標(biāo)注聲音事件等；

④ 視頻標(biāo)注：對視頻連續(xù)幀中的物體、動作、事件進行追蹤和標(biāo)注。

22.數(shù)據(jù)標(biāo)注中人類偏好數(shù)據(jù)如何獲??？

①排序比較：標(biāo)注員對模型的多個回答“排序”或“打分”；

②直接撰寫：標(biāo)注員針對一個問題，直接寫“優(yōu)質(zhì)回答”，作為模型的學(xué)習(xí)樣本訓(xùn)練獎勵模型，優(yōu)化大模型。

23.數(shù)據(jù)集如何轉(zhuǎn)化為提示詞？

該過程的核心是將數(shù)據(jù)集中結(jié)構(gòu)化知識或樣本轉(zhuǎn)化為能夠清晰引導(dǎo)大模型完成特定任務(wù)的指令或問題形式。

24.什么是提示詞？

提示詞（Prompt）是用戶輸入給大模型的指令、問題、上下文或示例的統(tǒng)稱。它是用戶與模型交互的主要方式，用于引導(dǎo)和激發(fā)模型生成期望的輸出。提示詞的質(zhì)量直接決定了模型輸出質(zhì)量的上限。

25.提示詞如何生成？

主要方法包括：

①手動編寫：最直接的方式，依賴提示詞構(gòu)建人員知識經(jīng)驗，正確率較高；

②提示詞模板：使用預(yù)設(shè)的模板結(jié)構(gòu)化提示詞；

③自動化工具：提供提示詞生成工具，幫助測試和優(yōu)化提示詞效果。

26.提示詞工程的作用是什么？

提示工程是指設(shè)計和優(yōu)化輸入提示，使模型準(zhǔn)確理解需求，提升輸出準(zhǔn)確性和相關(guān)性，應(yīng)用于對話生成、文本生成等任務(wù)。

27.什么是Token？

Token是模型處理、理解和生成文本的基本單位，直接決定模型的上下文窗口限制和使用成本（按Token數(shù)量計費）。

28.分詞器的作用是什么？

分詞器（Tokenizer）是模型處理文本的第一道關(guān)口，它有兩個核心功能：①分詞：將原始文本字符串拆分成Token序列。②映射：將每個Token轉(zhuǎn)換成一個唯一的數(shù)字ID。

29.什么是向量數(shù)據(jù)庫？

向量數(shù)據(jù)庫（Vector Database）是一種專門存儲和檢索向量（高維數(shù)值數(shù)組）的數(shù)據(jù)庫。在RAG等應(yīng)用中，用于存儲文本、圖像的嵌入（Embedding）表示，實現(xiàn)高效的語義相似性搜索。

三、訓(xùn)練篇

30.大模型的核心技術(shù)基礎(chǔ)是什么？

Transformer是大模型最核心的技術(shù)基礎(chǔ)。大模型的爆發(fā)始于2017年Transformer架構(gòu)的提出，幾乎所有現(xiàn)代大模型都是基于Transformer或它的變體構(gòu)建的。圍繞Transformer，衍生出了預(yù)訓(xùn)練、微調(diào)、對齊等一系列強化大模型的關(guān)鍵技術(shù)。

31.大模型的基本工作原理是什么？

①輸入處理：將輸入（文字、圖片）轉(zhuǎn)成模型能懂的格式，例如文字轉(zhuǎn)Tokens、圖片轉(zhuǎn)像素特征；

②計算理解：通過Transformer架構(gòu)計算輸入的語義/特征；

③輸出生成：根據(jù)計算結(jié)果生成人類能懂的內(nèi)容，例如文字任務(wù)生成Tokens再轉(zhuǎn)文字、圖像任務(wù)生成像素再轉(zhuǎn)圖片。

32.什么是Transformer架構(gòu)？

Transformer架構(gòu)是一種基于自注意力機制的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并行化能力強、擅長并行計算與序列建模，能很好地處理距離很遠(yuǎn)的詞之間的關(guān)系。主要包括編碼器（Encoder）和解碼器（Decoder）兩部分。但后來出現(xiàn)了很多變體，如僅用解碼器的GPT（生成式）和僅用編碼器的BERT（理解式）。

33.什么是涌現(xiàn)能力？

涌現(xiàn)能力（Emergent Ability）是指當(dāng)人工智能模型（尤其是大語言模型）的規(guī)模（如參數(shù)量、訓(xùn)練數(shù)據(jù)量、計算量）增長到某個臨界點時，突然展現(xiàn)出在較小模型中完全不存在或非常微弱的、新的、強大的能力，簡單來說，就是“量變引起質(zhì)變”。

34.大模型是如何進行訓(xùn)練的？

先“預(yù)訓(xùn)練”：在海量無標(biāo)注文本數(shù)據(jù)上，通過自監(jiān)督學(xué)習(xí)目標(biāo)進行訓(xùn)練。再“微調(diào)”：在預(yù)訓(xùn)練好的“基座模型”上，使用特定任務(wù)的數(shù)據(jù)集進行進一步訓(xùn)練，使其適應(yīng)下游具體任務(wù)（如對話、總結(jié)）。

35.什么是預(yù)訓(xùn)練？

預(yù)訓(xùn)練是指在構(gòu)建大型人工智能模型時，使用海量的、通常是無標(biāo)注的數(shù)據(jù)，在通用任務(wù)上進行的第一階段大規(guī)模訓(xùn)練過程。這是大模型能夠具備強大通用能力的基礎(chǔ)和核心步驟。

36.什么是微調(diào)？

微調(diào)是在預(yù)訓(xùn)練模型的基礎(chǔ)上，針對特定任務(wù)或領(lǐng)域進行“專項培訓(xùn)”的過程。使用相對較少的有標(biāo)注數(shù)據(jù)，對模型的參數(shù)進行小幅調(diào)整，使其在該任務(wù)上表現(xiàn)更專業(yè)。

37.什么是指令微調(diào)？

指令微調(diào)是微調(diào)的一種重要形式，使用提示對（指令，期望輸出）進行訓(xùn)練，教會模型如何理解和遵循人類的指令。

38.什么是參數(shù)高效微調(diào)？

參數(shù)高效微調(diào)（PEFT）是一系列技術(shù)的總稱，其核心思想是：在微調(diào)時，不動或只更新預(yù)訓(xùn)練模型的絕大部分參數(shù)，只額外引入極少量的新參數(shù)并只訓(xùn)練這些新參數(shù)，從而達到與全量微調(diào)相近的效果。常見技術(shù)有：LoRA、QLoRA、Adapter等。

39.什么是上下文學(xué)習(xí)？

上下文學(xué)習(xí)（In-Context Learning，ICL）是大模型一項革命性的能力。它指的是模型不需要更新自身的任何參數(shù)，僅通過在當(dāng)前對話的提示中提供幾個任務(wù)示例或指令，就能立刻學(xué)會并執(zhí)行一個新任務(wù)。

40.什么是上下文窗口？

模型在一次推理過程中能夠考慮和處理的文本總量（包括提示和模型已生成的內(nèi)容），通常以token數(shù)量衡量。例如，上下文窗口為8k，意味著模型最多能處理8192個token。

41.上下文窗口長度限制有什么影響？

限制模型處理長文本的能力，可能丟失遠(yuǎn)距離信息，影響回答連貫性和準(zhǔn)確性。

42.為什么大模型具備上下文學(xué)習(xí)能力？

這種能力被認(rèn)為是模型規(guī)模達到一定程度后涌現(xiàn)出來的。在預(yù)訓(xùn)練過程中，模型“閱讀”了海量的文本，這些文本中本身就包含了各種任務(wù)和示例（如問答對、文章摘要等）。當(dāng)模型足夠大時，模型內(nèi)部形成了強大的模式匹配和推理能力，使得它能夠在推理時，根據(jù)提供的幾個示例快速識別出所需的任務(wù)模式，并模擬生成相應(yīng)的輸出。

43.什么是零樣本學(xué)習(xí)？

零樣本學(xué)習(xí)（Zero-Shot Learning）是機器學(xué)習(xí)的一種高級范式，其核心目標(biāo)是讓模型能夠識別或理解在訓(xùn)練階段從未見過任何樣本的類別。

44.什么是少樣本學(xué)習(xí)？

少樣本學(xué)習(xí)（Few-Shot Learning）是上下文學(xué)習(xí)最常見的形式。指在提示中提供少量（通常是幾個）任務(wù)示例，從而幫助模型更好地理解任務(wù)意圖和格式，生成更高質(zhì)量的答案。例如，先給幾個翻譯例子，再讓模型翻譯新的句子。

45.什么是災(zāi)難性遺忘？

災(zāi)難性遺忘（Catastrophic Forgetting）是機器學(xué)習(xí)中的一個經(jīng)典問題。指當(dāng)一個模型學(xué)習(xí)新任務(wù)或新知識時，會嚴(yán)重覆蓋或破壞之前已經(jīng)學(xué)會的舊任務(wù)或舊知識的性能。

46.什么是思維樹？

思維樹（Tree of Thoughts，ToT）讓模型在推理的每一步都探索多種可能的下一步，然后通過評估分支優(yōu)劣，選擇最有希望的路徑繼續(xù)，必要時甚至可以回溯，使得模型能進行更深度、更可靠的推理。

47.人類反饋強化學(xué)習(xí)是什么？

人類反饋強化學(xué)習(xí)（RLHF）是讓大模型的行為與人類價值觀和偏好對齊的核心技術(shù)。它分為收集人類偏好、訓(xùn)練獎勵模型、強化學(xué)習(xí)微調(diào)三個步驟。

48.為什么大模型需要數(shù)十億參數(shù)？

參數(shù)是模型存儲知識和進行計算的基礎(chǔ)，需要如此多參數(shù)的主要原因：

①存儲知識：模型需要將學(xué)到的海量語言知識、世界事實存儲在參數(shù)中。參數(shù)越多，“記憶庫”就越大。

②建模復(fù)雜關(guān)聯(lián)：語言和理解需要捕捉詞與詞、句與句之間極其復(fù)雜、細(xì)微的關(guān)聯(lián)。大量的參數(shù)使得模型有能力構(gòu)建非常復(fù)雜的函數(shù)來表示這些關(guān)聯(lián)。

③支撐涌現(xiàn)能力：如前所述，許多高級能力（如推理）只有在模型達到一定規(guī)模后才會涌現(xiàn)。

49.大模型的參數(shù)量越大越好嗎？

參數(shù)量越大，模型的表達能力越強，但也需要更多的計算資源和數(shù)據(jù)，且可能面臨過擬合問題。

50.GPU、NPU有什么區(qū)別？

NPU專為AI推理而設(shè)計，具有高效執(zhí)行神經(jīng)網(wǎng)絡(luò)計算的能力，適用于低功耗、高實時性的應(yīng)用場景。GPU廣泛應(yīng)用于圖形渲染和通用計算領(lǐng)域，具有極高的計算吞吐量和靈活性，適合處理大規(guī)模并行任務(wù)和深度學(xué)習(xí)訓(xùn)練。

51.大模型邊端部署的難點是什么？

①算不動/算得慢：計算資源有限邊緣設(shè)備的算力遠(yuǎn)不如服務(wù)器；

②裝不下：內(nèi)存不足，大模型體積大（比如10億參數(shù)的模型占幾十GB內(nèi)存），邊緣設(shè)備內(nèi)存通常只有幾GB；

③能耗高：大模型運行耗電多，邊緣設(shè)備電池容量或供電功率有限。

52.如何解決大模型邊端部署問題？

通常結(jié)合模型輕量化與硬件加速等方法解決相關(guān)問題。

53.什么是大模型輕量化？

大模型輕量化是指通過一系列技術(shù)減少模型的大小、計算量和能耗，使其能夠部署在資源受限的環(huán)境中（如手機、嵌入式設(shè)備、邊緣服務(wù)器）。主要技術(shù)包括模型剪枝、量化、知識蒸餾等。

54.什么是模型剪枝？

模型剪枝的目的是識別并移除模型中冗余、不重要的參數(shù)，在保證能力的前提下，降低算力和內(nèi)存需求。

55.什么是大模型量化？

大模型量化通過將模型權(quán)重和激活從高精度轉(zhuǎn)換為低精度，減少存儲和計算開銷。

56.什么是知識蒸餾？

知識蒸餾是一種模型壓縮技術(shù)，通過讓小模型（學(xué)生）學(xué)習(xí)大模型（教師）的輸出分布（軟標(biāo)簽），將其“知識”遷移至輕量級模型。學(xué)生模型在保留相近性能的同時顯著降低參數(shù)量和計算成本，適用于模型部署與加速。

四、評估篇

57.數(shù)據(jù)質(zhì)量評價主要維度是什么？

數(shù)據(jù)質(zhì)量評價主要維度包括準(zhǔn)確性、完整性、一致性、及時性、唯一性和有效性等。

58.大模型評價主要維度是什么？

大模型評價主要關(guān)注以下方面：

①知識廣度與準(zhǔn)確性：模型是否能回答廣泛領(lǐng)域的問題，答案是否準(zhǔn)確；

②推理能力與邏輯思維：模型是否具備解決復(fù)雜問題的能力；

③指令遵循與對齊程度：模型是否能按照用戶意圖生成內(nèi)容；

④創(chuàng)造力與多樣性：模型是否能生成新穎且多樣化的內(nèi)容；

⑤安全性與魯棒性：模型是否能在惡意輸入或極端場景下保持穩(wěn)定。

59.大模型安全性評價主要維度是什么？

大模型安全性評價主要維度包括：①模型應(yīng)用安全：模型在真實交互中抵御惡意攻擊的能力，如提示注入、數(shù)據(jù)泄露、資源濫用等；②數(shù)據(jù)與隱私安全：訓(xùn)練和使用過程中，對用戶敏感數(shù)據(jù)和模型內(nèi)部信息的保護水平；③模型自身安全：模型在訓(xùn)練和部署階段的健壯性，抵御投毒、后門等攻擊的能力；④安全治理與合規(guī)：是否將安全融入全生命周期，并符合國際國內(nèi)的相關(guān)標(biāo)準(zhǔn)與法規(guī)。

60.大模型性能評測主要指標(biāo)是什么？

生成質(zhì)量指標(biāo)（流暢度與連貫性、準(zhǔn)確性、BLUE和ROUGE分?jǐn)?shù)、F1分?jǐn)?shù)、困惑度等）、響應(yīng)效率（首Token延遲、吐字率、吞吐量等）、資源消耗等。

61.什么是BLEU

BLEU（Bilingual Evaluation Understudy）是一種用于評估機器翻譯質(zhì)量的指標(biāo)，它通過比較機器翻譯輸出與一個或多個參考翻譯之間的n-gram重疊來進行評分，關(guān)注精確度。

62.什么是ROUGE？

ROUGE（Recall-Oriented Understudy for Gisting Evaluation）是一種用于評估自動文本摘要和機器翻譯質(zhì)量的指標(biāo)，通過比較自動生成的摘要與參考摘要（通常是人工生成的）之間的相似度來進行評估，關(guān)注生成內(nèi)容對原文的召回率。

63.什么是F1分?jǐn)?shù)（F1 Score）？

F1分?jǐn)?shù)用于綜合評估分類模型的精確率（Precision）和召回率（Recall），由于能夠平衡這兩個指標(biāo)的影響，可有效反映模型在處理類別不平衡問題時的性能。

64.什么是困惑度（Perplexity）？

困惑度是自然語言處理（NLP）中一種常用的評估語言模型性能的指標(biāo)?？梢灾庇^地將其理解為模型在預(yù)測下一個詞時的“平均不確定程度”：如果模型能準(zhǔn)確預(yù)測文本中的下一個字，困惑度就低；如果預(yù)測不準(zhǔn)，困惑度就高。

65.什么是首Token延遲？

首Token延遲是指從用戶發(fā)送請求到模型返回第一個Token所花費的時間，該指標(biāo)直接影響用戶感知的響應(yīng)速度，是交互流暢度的關(guān)鍵。

66.什么是吐字率？

吐字率指模型每秒生成Token的數(shù)量，該指標(biāo)決定了答案的輸出速度，影響用戶體驗，在長文本生成場景下，較高的吐字率會更流暢。

五、平臺篇

67.Palantir AIP平臺是什么？

PalantirAIP（Artificial Intelligence Platform）是一款用于企業(yè)級應(yīng)用集成和數(shù)據(jù)交換的平臺，它提供了一套完整的工具集，幫助企業(yè)快速、安全地將不同應(yīng)用系統(tǒng)集成在一起,實現(xiàn)數(shù)據(jù)的無縫交換。

68.“元星座”是什么？

“元星座”是（Meta Constellation）Palantir公司的下一代行星級時敏情報系統(tǒng)，其本質(zhì)上是一個軟件平臺，其核心能力在于智能調(diào)度和融合數(shù)百顆商業(yè)衛(wèi)星的數(shù)據(jù)，并借助人工智能技術(shù)，旨在為用戶提供全球范圍內(nèi)近實時的情報洞察和決策支持。

69.“晶格”是什么？

美軍的“晶格”（Lattice）系統(tǒng)是由美國科技初創(chuàng)公司安杜利爾（Anduril）從2017年開始研制的一款智能指揮控制軟件平臺。主要瞄準(zhǔn)現(xiàn)代戰(zhàn)場上的“數(shù)據(jù)洪流”難題，旨在將陸、海、空、天等不同領(lǐng)域成千上萬的傳感器和武器平臺連接起來，通過人工智能技術(shù)融合數(shù)據(jù)，為作戰(zhàn)人員生成一張統(tǒng)一的、實時的共用作戰(zhàn)圖，從而極大縮短從發(fā)現(xiàn)目標(biāo)到實施打擊的決策時間，支撐更快的決策。

70.Manus是什么？

Manus是由中國團隊Monica于2025年3月6日正式推出的全球首款通用型AI智能體（AI Agent），其核心理念是“手腦并用”（源自拉丁語“Mens et Manus”），旨在通過自主規(guī)劃與執(zhí)行復(fù)雜任務(wù)，直接交付完整成果，而非僅提供建議或文本答案。

71.什么是MCP?

MCP（Model Context Protocol）是一個開放協(xié)議，用于讓大型語言模型能夠安全、標(biāo)準(zhǔn)化地使用外部工具、數(shù)據(jù)和服務(wù)。

72.什么是A2A?

A2A（Agent-to-Agent）即智能體間的交互，指的是多個AI智能體通過通信和協(xié)作，模擬人類團隊的工作模式，共同完成一個復(fù)雜任務(wù)。

73.什么是AI智能體（AI Agent）？

AI智能體是一種能夠跨領(lǐng)域自主規(guī)劃、執(zhí)行復(fù)雜任務(wù)并交付完整成果的人工智能系統(tǒng)。不同于傳統(tǒng)專注于單一任務(wù)的AI，AI智能體具備類似人類的綜合認(rèn)知與執(zhí)行能力，能夠獨立完成從任務(wù)分解到結(jié)果輸出的全流程。

74.什么是檢索增強生成（RAG）?

檢索增強生成（Retrieval-Augmented Generation，RAG）通過檢索外部知識庫增強模型生成能力。用戶提問后，RAG先從外部知識庫（如文檔、數(shù)據(jù)庫、網(wǎng)頁）中檢索出與問題最相關(guān)的文檔片段，并將這些片段和原始問題一起作為上下文，輸入給大模型，大模型基于提供的權(quán)威知識生成回答。

75.檢索增強生成有什么優(yōu)勢？

RAG的核心優(yōu)勢是減少幻覺、提升準(zhǔn)確性和時效性。

①減少幻覺：模型基于真實的檢索數(shù)據(jù)回答，減少了模型憑空編造的可能；

②提升準(zhǔn)確性：能調(diào)用專業(yè)知識庫（如醫(yī)療指南、法律條文），回答更專業(yè)；

③提升時效性：知識庫可以隨時更新，讓模型能回答最新問題，而不必重新訓(xùn)練模型。

六、應(yīng)用篇

76.大模型如何輔助代碼開發(fā)？

①代碼補全：寫代碼時自動補全后續(xù)內(nèi)容；②注釋生成：為寫好的代碼添加注釋；③代碼解釋：解釋現(xiàn)有代碼的功能；④bug修復(fù)：發(fā)現(xiàn)代碼中錯誤，并提出修改建議；⑤單元測試生成：為代碼生成測試用例，驗證代碼是否能正常運行；⑥重構(gòu)建議：優(yōu)化舊代碼的結(jié)構(gòu)，使代碼更簡潔、易維護；⑦代碼自動編寫：根據(jù)提示詞，自動生成代碼基本版。

77.大模型如何優(yōu)化搜索引擎？

大模型使搜索引擎“更懂用戶、更實用”，主要優(yōu)化包括理解模糊需求、多輪對話式搜索、生成式答案、多模態(tài)搜索等。

78.大模型如何輔助內(nèi)容創(chuàng)作？

主要場景包括：①文本組織：整理報告、抽取信息、語言翻譯等；②創(chuàng)意生成：創(chuàng)作小說、宣傳文案等；③音樂生成：根據(jù)文本描述生成音樂；④圖片配文：根據(jù)文本生成匹配適當(dāng)圖片。

79.大模型如何實現(xiàn)多輪對話的連貫性？

主要方法包括：①維護對話歷史：將之前的對話內(nèi)容也作為上下文輸入給模型；②上下文注意力：模型處理新問題時，同時關(guān)注歷史對話里的關(guān)鍵信息；③狀態(tài)跟蹤：顯式地維護對話狀態(tài)（如用戶的目標(biāo)、已提及的信息），確保對話圍繞主題；④情感理解：感知用戶的情緒，并做出恰當(dāng)?shù)姆磻?yīng)。

80.多模態(tài)模型的應(yīng)用場景有哪些？

應(yīng)用場景主要包括：①文生圖：根據(jù)文字描述生成圖片；②圖生文：根據(jù)輸入圖片生成文字描述；③圖文問答：結(jié)合圖片和文字提問，模型回答；④視頻摘要：輸入視頻，生成文字摘要；⑤語音轉(zhuǎn)文本并分析：把語音轉(zhuǎn)成文本，再根據(jù)文本內(nèi)容進行分析。

81.大模型如何結(jié)合知識圖譜使用？

大模型通過檢索增強、圖神經(jīng)網(wǎng)絡(luò)、實體鏈接、關(guān)系推理等方式整合知識圖譜信息，輔助回答，減少幻覺，提升專業(yè)性。

82.大模型進行信息抽取能提取哪些關(guān)鍵內(nèi)容？

①實體：具體的人、事、物；

②關(guān)系：實體之間的聯(lián)系；

③事件：具體發(fā)生的事；情感：文本的情緒傾向；

④關(guān)鍵詞/摘要：文本的核心詞和摘要生成。

83.大模型如何將復(fù)雜文本簡化為通俗表達？

通過摘要生成（提取核心要點生成摘要）、術(shù)語解釋（將專業(yè)術(shù)語替換為日常用語或加以解釋）、句式簡化（拆分長難句，使用更簡單的句子結(jié)構(gòu)）、上下文重組（調(diào)整邏輯順序，使其更符合大眾的理解習(xí)慣）等方式實現(xiàn)。

84.大模型結(jié)合知識庫能實現(xiàn)什么檢索效果？

提升答案準(zhǔn)確性、時效性、可解釋性，支持復(fù)雜推理和多跳問答。

85.大模型如何整合多源信息進行回答？

主要方法包括：

①通過注意力機制權(quán)衡不同信息源的重要性，重點關(guān)注更相關(guān)的內(nèi)容；

②將不同信息中的互補部分組合起來，形成完整答案；去冗余，識別并去除重復(fù)的信息；

③當(dāng)不同信息沖突時，根據(jù)來源可靠性等因素進行判斷或如實告知用戶存在沖突等技術(shù)實現(xiàn)。

86.大模型如何篩選檢索到的冗余信息？

使用去重算法、相關(guān)性排序、摘要生成、信息聚合等方法篩選冗余信息。

87.美軍推進的大模型典型應(yīng)用有哪些？

①“多諾萬”(Donovan)是Scale AI公司研發(fā)的端到端AI決策支持平臺，用于支撐美國陸軍第18空降師輔助決策制定，實現(xiàn)海量情報數(shù)據(jù)（如任務(wù)命令、態(tài)勢報告）快速分析、行動方案生成和評估等功能，大幅縮短作戰(zhàn)規(guī)劃周期。

②“雷霆熔爐”(Thunderforge)是由國防創(chuàng)新單元（DIU）主導(dǎo)的關(guān)鍵項目，由Scale AI公司進行開發(fā)，通過將AI深度整合到作戰(zhàn)規(guī)劃中，利用大模型和兵棋推演快速生成、模擬和評估多種行動方案，旨在獲得對對手的決策速度優(yōu)勢。

③Amelia助手是海軍與通用動力信息技術(shù)公司（GDIT）合作推出的人工智能助手，旨在提升海軍體系服務(wù)臺應(yīng)答效率，解放人類操作員，以便其開展更復(fù)雜、更重要的工作。

④Hermes大語言模型是Scale AI公司與海軍陸戰(zhàn)隊大學(xué)合作開發(fā)的專注于軍事教育和規(guī)劃的大模型，通過加載特定條令和數(shù)據(jù)，可幫助軍事人員理解復(fù)雜作戰(zhàn)環(huán)境、進行策略分析和問答。

七、安全篇

88.大模型的主要安全問題包括哪些？

數(shù)據(jù)隱私與泄露風(fēng)險、模型安全與對抗攻擊、內(nèi)容安全與倫理風(fēng)險、基礎(chǔ)設(shè)施與合規(guī)風(fēng)險、智能體與系統(tǒng)級風(fēng)險等。

89.常見的大模型攻擊手段有哪些？

提示注入、對抗樣本、數(shù)據(jù)投毒、模型竊取、成員推斷攻擊等。

90.常見的大模型防御手段有哪些？

提示詞過濾、對抗訓(xùn)練、差分隱私、模型監(jiān)控、安全對齊、紅隊測試等。

91.大模型“幻覺”是什么？

“幻覺”問題是大模型當(dāng)前的核心缺陷之一，是指大模型生成內(nèi)容看似流暢合理，但實際上是錯誤的或虛構(gòu)的，與現(xiàn)實或輸入信息不符。

92.如何緩解大模型幻覺問題？

通過使用RAG提供事實依據(jù)、指令微調(diào)要求模型誠實、讓模型提供引用來源、用戶交叉驗證信息、通過RLHF持續(xù)優(yōu)化等方式，減少模型捏造答案的傾向。

93.大模型可解釋性是什么？

可解釋性（Interpretability）是指人類能夠理解、信任和有效管控人工智能模型如何做出決策的程度。它旨在打開AI的“黑箱”，讓模型的決策過程對人類而言變得透明和可理解。

94.如何防止模型生成有害內(nèi)容？

主要方法包括：①過濾器：使用內(nèi)容過濾器，預(yù)訓(xùn)練時去掉有害數(shù)據(jù)；②指令微調(diào)與RLHF：通過人類反饋訓(xùn)練模型，使其拒絕生成有害內(nèi)容；③內(nèi)容審核：對模型的輸出進行實時檢測和過濾，攔截有害內(nèi)容；④紅隊測試：主動模擬攻擊，發(fā)現(xiàn)模型漏洞并修復(fù)。

95.什么是提示注入？

攻擊者通過特殊提示詞，誘導(dǎo)模型忽略原有指令，執(zhí)行惡意操作。如果模型防御不足，就可能泄露信息。

96.模型對齊的目標(biāo)是什么？

模型對齊（Model Alignment）確保輸出符合人類價值觀，防止生成有害內(nèi)容。例如未對齊的模型可能反饋一些違法違規(guī)內(nèi)容，對齊后會拒絕；未對齊的模型可能答非所問，對齊后會準(zhǔn)確回應(yīng)。

97.如何識別AI生成內(nèi)容？

①AI檢測工具：使用專門的工具分析內(nèi)容特征，判斷是否是AI生成；②特征分析：檢查內(nèi)容是否有AI的“痕跡”（比如文本重復(fù)率高、邏輯弱）；③水印技術(shù)：在生成時嵌入難以察覺的特定模式；④行為模式檢測：訓(xùn)練專門的二分類模型來區(qū)分AI生成和人類撰寫。

98.模型訓(xùn)練是否侵犯版權(quán)？

存在爭議，需考慮數(shù)據(jù)來源、合理使用原則、版權(quán)法例外條款、行業(yè)協(xié)議等。

八、政策篇

99.我國發(fā)布了什么人工智能政策？

2025年8月，國務(wù)院印發(fā)《國務(wù)院關(guān)于深入實施“人工智能+”行動的意見》（國發(fā)〔2025〕11號），是繼十年前“互聯(lián)網(wǎng)+”行動之后，我國推出的又一個重量級國家行動，旨在推動人工智能與經(jīng)濟社會各行業(yè)各領(lǐng)域深度融合，標(biāo)志著中國人工智能發(fā)展進入新階段。

100.美國發(fā)布了什么人工智能政策？

2025年7月，美國白宮發(fā)布《贏得競爭：美國人工智能行動計劃》，圍繞加速AI創(chuàng)新、構(gòu)建美國AI基礎(chǔ)設(shè)施、引領(lǐng)國際AI外交和安全三大戰(zhàn)略支柱展開，配套提出30項舉措和100余條具體政策行動，旨在通過AI的主導(dǎo)權(quán)，確保美國在全球AI競賽中占據(jù)領(lǐng)先地位，從而贏得全球技術(shù)和經(jīng)濟競爭的主動權(quán)。

本文來源：新鄉(xiāng)數(shù)字不動產(chǎn)、中國信息支援