简介：面向人工智能学习者与面试准备者，这份百度经典考试试题汇编覆盖语义网络、推理、知识表示、机器学习、自然语言处理等核心模块，题型包含选择题、填空题、简答及计算题，并附带参考答案与部分解题步骤。内容涉及反演归结、可信度计算、子句集求解、MGU合一、α-β剪枝、语义网络表示和高频基础知识辨析，适合期末复习、求职刷题或自测摸底。资源包内仅1个doc文件，约279KB，体量虽小但知识密度较高。目前已有1584人学习下载。文档在每类题目后配有知识点总结，并对子句集变换八步、合一算法推导、博弈树剪枝等经典例题做了展开说明，能帮助读者在练习中同步巩固人工智能基本原理，尤其适合高校课程复习或技术面试前集中梳理。
1. 人工智能考试题：一份被误认为是面试题的入门路线图
很多人第一次搜“人工智能考试题”，心里想的是投简历前刷的那种面试题库。结果下载下来一看，卷面第一道题是“AI 的英文缩写是什么”，第二道题是“反演归结证明定理时，当前归结式是（ ）时定理得证”，当场就懵了：这怎么和我听说的“人工智能面试题”完全不是一回事？
这份资源其实是大学人工智能课程里的经典考试试题，不是企业招聘用的八股题。打个比方，它更像考驾照时的科目一：先不管你怎么上路，先考你交通标志、法规和基本操作原理。你可能会说“我都想直接开车了，为什么还要背标志”，但如果连“停止”和“让行”都分不清，上路就是踩坑。这份试卷的价值也在这里：它把人工智能领域最基础、最容易被跳过的概念，按照“选择题—填空题—简答题—应用题”的顺序，给你画了一张完整的入门地图。看懂它，你以后再去看机器学习教程、知识图谱、专家系统，就不会觉得那些名词像黑匣子一样神秘了。
2. 一份AI试卷里究竟藏了哪些“必考地图”：从图灵测试到专家系统
2.1 选择题背后的“AI世界观”：四大要素、四种学派与一个测试
打开这份试卷，选择题部分几乎把人工智能的“世界观”考了一遍。第一题考 AI 的英文缩写，正确答案是 Artifical Intelligence（原文里还保留了这个拼写），这只是热身。真正重要的是后面的题目：第 13 题问“不属于人工智能学派的是哪一个”，选项里有符号主义、行为主义、连接主义，还有一个“机会主义”。很多人看到这里会笑，但这就是传统 AI 教材的经典分法。
怎么理解三大流派？符号主义觉得“智能就是符号运算”，就像人用语言和逻辑推理，机器也应该用规则和符号来思考；连接主义觉得“智能来自神经元连接”，于是有了神经网络；行为主义觉得“智能来自和环境互动”，于是有了机器人控制。试卷里把这个知识点放在选择题里，其实是在提醒你：AI 不是一门单一技术，而是一群技术路线的合称。你背下来的不只是考点，而是整个领域的坐标系。
选择题里还有一道关于“人机大战”的题，很多人只知道 1997 年有台计算机赢了国际象棋世界冠军，却不知道它在人工智能史上是“搜索+评估函数”路线的巅峰展示。另一道题考“人工智能的含义最早由谁在 1950 年提出，还顺带提出了一个机器智能测试模型”，答案指向后来被称为“模仿游戏”的测试思路：如果一台机器能在对话中让人类判断不出它是机器，就认为它有智能。这个测试模型的思想，后来成了无数科幻作品和 AI 伦理讨论的起点。
2.2 填空题：四种“不确定性”和一堆必须背下来的关系式
填空题是整套试卷里最让初学者“翻车”的地方，因为它们考的是精确记忆。比如“不确定性类型按性质分为哪几类”，答案是随机性、模糊性、不完全性、不一致性。这四类怎么区分？随机性说的是“明天会不会下雨”，结果不确定但概率可知；模糊性说的是“这个杯子有点烫”，“有点烫”没有明确边界；不完全性说的是“只知道张三有三个孩子，但不知道几个儿子几个女儿”，信息不够；不一致性说的是“两条新闻互相矛盾”，知识本身打架。
再看可信度 CF 的几条关系式：CF(~A) = -CF(A)，CF(A1∧A2) = min{CF(A1), CF(A2)}，CF(A1∨A2) = max{CF(A1), CF(A2)}。这个看起来像数学公式，其实是“确定性因子”这套推理体系里的基本规则。CF 表示“这个证据有多大程度支持这个结论”，取值范围在 -1 到 1 之间。用 min 表示“且”关系的可信度，比乘法更保守，用 max 表示“或”关系的可信度，比加法更直观。你不需要背，你只需要想一遍：如果两个条件同时成立，可信度当然不能超过较弱的那个。
填空题还考了删除策略归结时要删除哪几种子句：含有纯文字的子句、含有永真式的子句、被子句集中的其他子句类含的子句。这些术语初看很吓人，其实核心思想是“做题先排除废话”。纯文字就是没法和别的子句产生矛盾的文字；永真式就是无论真假都对，删掉不影响证明；类含就是某个子句已经包含在另一个更一般的子句里，留着浪费计算。
2.3 简答与计算题：真正拉开差距的三块硬骨头
到了简答和计算题，试卷开始动真格了。第一块硬骨头是“什么叫做产生式，产生式规则的语义是什么”。产生式就是形如“IF P THEN Q”的规则，P 是前提，Q 是结论或动作。语义也很直白：只要前提 P 被满足，就可以推出 Q 或执行 Q。这个模型在今天依然是规则引擎、业务风控系统里的核心，只不过换了个名字叫“决策树”“规则集”。
第二块硬骨头是把谓词公式化成子句集，光步骤就有八步：消去蕴含、移动否定、改名、消去存在量词、消去全称量词、化成合取范式、改名、最后用逗号代替合取词。每一步都有明确目的，就像做菜要按顺序放调料。很多人在这里血泪经验是：顺序不能乱。先消存在量词用 Skolem 函数，再消全称量词，如果顺序反了，后面推导全错。
第三块硬骨头是求 MGU，也就是最一般合一。试题里给了一个例子：S={P(f(x),y,g(y)), P(f(x),z,g(x))}，然后让你通过不断找差异集、做置换，最后得到 MGU。这个过程看着像代数题，实际上就是让两个谓词“对齐”的过程，类似把两个模板统一成同一个模式。后面第 4 章我们会单独讲它和普通替换的区别，这里先记住一句话：MGU 是最“抠门”的匹配方式，不多换一个变量，也不少换一个。
3. 为什么AI考试爱考“推理”和“知识表示”：传统AI的灵魂
3.1 产生式系统：如果“条件”那么“动作”
传统人工智能的核心问题有两个：知识怎么存，推理怎么做。产生式系统把知识存成一堆“IF-THEN”规则，再用一套控制流程去决定先执行哪条规则。一个完整的产生式系统由三部分组成：规则库，也就是所有规则的集合；综合数据库，也叫事实库，保存当前已知的事实和中间结论；推理机，负责挑规则、匹配条件、执行动作。
你可以把它想象成一个做菜的厨房：菜谱（规则库）挂在墙上，冰箱里的食材（综合数据库）摆在眼前，厨师（推理机）根据现有食材决定先做哪一道菜。如果冰箱里有鸡蛋和番茄，厨师就选中“番茄炒蛋”这条规则；执行完，菜端出来，再把它当作新的菜品信息加入桌上，可能又触发“搭配米饭”的下一条规则。这个循环正是产生式系统的工作方式。
试卷里有一个题目问“从已知事实出发，通过规则库求得结论的产生式系统的推理方式是什么”，答案是正向推理。反过来，如果先有一个目标，比如“我想证明小李的祖父是谁”，然后反向去找能推出这个目标的规则，这就是反向推理。两者没有谁更高级，正向推理适合数据多、目标不明确的场景，反向推理适合目标明确、数据量大的场景。
3.2 语义网络：把知识画成一张带箭头的图
语义网络是另一种知识表示方法，它很好懂：把概念画成节点，把关系画成有向弧。比如“胡途是某公司的经理”这句话，可以画出三个节点——胡途、某公司、经理——再用一条“属于”弧把胡途连到经理，用一条“工作于”弧把胡途连到某公司。再补两个属性弧，“年龄”连到 35 岁，“住址”连到某胡同 68 号。整个知识变成一张图，不需要额外解释。
语义网络里最常见的两条弧是 ISA 和 AKO。ISA 表示“一个具体的实例属于某个类别”，比如“阿黄 ISA 狗”；AKO 表示“一个类别是另一个类别的子类”，比如“狗 AKO 动物”。这两种弧背后都藏着继承性：阿黄既然是狗，而狗又是动物，那么阿黄自然拥有动物的一切共有属性。这就是知识表示里非常关键的“继承”。一张语义网络画出来，你不仅能“看”到知识，还能顺着弧自动推出新知识，这就是它在专家系统里受欢迎的原因。
试卷应用题里还有一题：用语义网络表示“甲校与乙校进行篮球比赛，最后以 89 比 102 结束”。这里不能只画两个学校节点，还要画“比赛”节点，然后连箭头表示“参赛方”和“比分”。很多新手翻车是因为把比分直接挂在甲校节点上，那就变成“甲校的比分是 89”，语义就错了。正确做法是让“比赛”作为事件节点，比分是比赛这个事件的属性，这样才表达清楚。
3.3 归结推理：用“反证法”让机器自己找答案
归结推理是一套非常漂亮的逻辑方法，考试题几乎必考。它的思路一句话就能概括：要证明结论 G 是已知条件 F 的逻辑结果，就先假设 G 的否定成立，然后把所有已知条件连同“G 为假”一起化成子句集，不断做归结，如果最终推出一个“空子句”，就说明假设不成立，因而 G 为真。这就像数学里的反证法。
具体做的时候，两两找“互补文字”，比如同时有 P 和 ┐P，就可以把这两个子句合并成一个新子句，把那些互补的部分消掉。例如子句“P∨Q”和“┐P∨R”，经过归结得到“Q∨R”，因为 P 和 ┐P 相互抵消了。如果某一步归结后什么也没剩下，那就得到了空子句，记作 □，证明完成。
试卷里那道“老李、大李、小李谁是祖孙”的题就是归结法的典型应用。先把“如果 x 是 y 的父亲，y 又是 z 的父亲，则 x 是 z 的祖父”写成谓词公式，再把老李、大李、小李的父亲关系写进去作为已知条件，最后把“存在一对祖孙”的否定加进去，然后一路归结，最终推出空子句，证明祖孙关系成立。这个例子非常有代表性：把自然语言描述的问题翻译成逻辑公式，再用机械的步骤证明答案，整个过程人可以一步步检查，机器也能一步步执行。
4. 最容易混淆的AI概念：五组高频易错点
4.1 正向推理与反向推理：一个从事实出发，一个从目标出发
很多初学者把“正向推理”和“反向推理”搞混，因为名字里都有个“向”字。正向推理的起点是已知事实，终点是推导出结论；反向推理的起点是待验证的目标，终点是找到支持目标的事实。用一个例子区分：如果你知道“天下雨”和“下雨则地湿”，正向推理会推出“地湿”；反过来，如果你想验证“地湿”，反向推理会去找“天下雨”这条规则。
为什么容易混？因为日常说话里“正”和“反”常常是相反方向，但在产生式系统里，“正向”指的是顺着规则从前提走到结论，“反向”指的是从结论倒推前提。记住一个口诀：正向是“有什么料，出什么菜”，反向是“想吃什么菜，看缺什么料”。
4.2 可信度 CF 和概率：别把“确定性因子”当概率
可信度 CF 看着像概率，因为它的取值范围也落在 -1 到 1 之间，但它是另一套体系。概率要满足柯尔莫哥洛夫公理，比如全概率必须为 1，互斥事件的概率相加等于并集概率；CF 不需要满足这些，它只是表示“这个证据对结论的支持程度”，可以有人的主观经验在里面。
为什么混？因为很多教材把 CF 翻译成“可信度”，听起来就像“置信度”，而置信度又经常和概率混在一起。区分方法很简单：概率谈的是一个事件发生的可能性，CF 谈的是一条规则的可信程度。比如“患者头疼，则 0.9 可能感冒”，这个 0.9 不是患者感冒的概率，而是在证据“头疼”真实为真时，规则“头疼→感冒”的可信程度。做题目时，看到 CF 就用它的三组运算规则（取反取负、取小、取大），别硬套概率公式。
4.3 或图与与或图：一门之差的搜索空间
“或图”和“与或图”也是高频易混点。或图里，一个节点可以有多条边通向不同的后继节点，表示“或”的关系：只要选其中一条路走下去就行。与或图里，一个节点可能同时存在“与”的关系，必须所有的子节点都成立，才算是节点成立。用迷宫类比：或图里，你走到分岔路口，随便选一条路都可能走出迷宫；与或图里，某些路口要求你同时打开所有门才能前进。
为什么混？因为两者都长着“节点—有向边”的样子，题目里也常常不给图示，只给文字描述。区分方法就看逻辑连接词。描述里出现“只要一个成立即可”对应或图；出现“所有这些条件都成立才行”对应与或图。在博弈树和问题归约里，这两种图会结合成与或树，考试题经常让你在图上画 α-β 剪枝，本质就是在与或树上做优化。
4.4 机器学习与专家系统：学出来的 vs 写出来的
试卷里有一道题：研究计算机如何自动获取知识和技能、实现自我完善的学科叫什么？答案是机器学习。很多学生选错成专家系统，因为两者都涉及“知识”。但在传统 AI 框架里，专家系统的知识来自人类专家手工整理，写成规则放进知识库；机器学习的知识来自数据，通过算法自动归纳出模型。一个是“知识的搬运”，一个是“知识的提炼”。
为什么混？因为今天很多智能应用同时用到两者，比如一个诊断系统既有专家规则兜底，又有机器学习模型辅助。要区分也很简单：专家系统的核心是“规则库+推理机”，知识是显式的，你能把规则一条条列出来；机器学习的核心是“数据+模型”，知识是隐式的，你很难解释模型内部怎么决策。平时聊天说“AI 越来越强”，指的多是机器学习；但聊到可解释、可审计的系统，专家系统反而更有优势。
4.5 一阶谓词与命题：变量才是分界线
命题是能判断真假的陈述句，比如“今天下雨”。一阶谓词逻辑则允许带变量和量词，比如“所有乌鸦都是黑的”要写成 ∀x(乌鸦(x)→黑(x))，这里的 x 就是一个个体变元。试卷里问“仅个体变元被量化的谓词称为一阶谓词”，很多人理解不了“仅个体变元”是什么意思。
其实关键在于量化对象的类型。如果量词只修饰个体对象（比如乌鸦、人、数字），这就是一阶；如果量词还修饰谓词本身，比如“存在某种性质 P，使得所有 x 都有 P(x)”，那就是二阶。区分方法很直接：看到公式里的量词后面跟的是小写字母（个体变元），就是一级；看到量词后面跟的是大写字母（谓词符号），就是更高阶。考试不会考太深，但你要知道这个边界，否则遇到“一阶”和“二阶”就发懵。
5. 这些“古典AI题”和今天的AI到底差在哪：别把它们当面试题
5.1 符号主义的老祖宗：今天的大模型还认它吗
现在你去看人工智能的文章，满屏都是神经网络、深度学习、大模型，几乎没人再提归结原理和语义网络。这时候你手里这份卷子显得很“老派”。但老不代表没用。现代深度学习本质上属于连接主义路线，可它解决的仍是“从输入到输出”的函数拟合问题；而知识表示、推理、逻辑，这些符号主义的核心议题，在知识图谱、智能问答、形式化验证里依然活跃。你甚至可以说，今天的 AI 是连接主义的“手”，符号主义的“脑”：感知靠神经网络，推理和解释还要靠规则和逻辑。
试题里的语义网络，后来演化成了知识图谱；一阶谓词逻辑，是很多数据库查询语言的理论基础；产生式系统，则是现代规则引擎的老祖宗。所以这份试卷像一棵树的年轮，切一刀能看到 AI 的成长历史。你现在学大模型，如果完全不懂这些，遇到“幻觉”“可解释性”问题时，连历史背景都没有。
5.2 为什么大厂和老教授还在考这些
你可能好奇，现在招聘都考手撕代码和模型调参，为什么还会有人整理这类经典试题？其实这些题原本是高校课程考试，不是面试题。但很多互联网公司的 AI 岗位笔试题里，偶尔也会出现一两个传统 AI 概念题，用来筛掉那些只会调包、不懂原理的人。比如“正向推理和反向推理的区别”“子句集如何化出来”“MGU 怎么求”，这些基础如果不牢，后面讲知识图谱、规则引擎时根本没法往下聊。
更重要的是，这些题是很好的“地基检验器”。如果你能在不看答案的情况下，把三值逻辑表填对，把 α-β 剪枝的条件讲清楚，那说明你对 AI 的理解不只是“黑盒调用”。老教授们喜欢出这类题，是因为它们能真实反映一个人是否理解了知识的表示、搜索和推理，而不是背了几个新名词。
5.3 用这套题自测，能测出什么、测不出什么
自测的时候要清楚边界。这套题能测出你对传统 AI 概念的熟悉度，能测出你有没有耐心做逻辑推导，也能提前暴露你在“知识表示”上的薄弱点。比如做语义网络题翻车，说明你还没理解“关系应该挂在事件上还是对象上”；做归结题翻车，说明你还没把反证法的思路内化。
但测不出的是：你不会写 Python 模型，不熟 PyTorch，不懂 Transformer，这些题不会告诉你。它也测不出你的工程能力、数据敏感性、业务理解力。所以别拿这份卷子当“AI 能力全套体检”，它更像一个“传统人工智能基础单项检查”。做完了发现自己选择题错一半，别灰心，这叫“知道自己不知道”，反而是学习最好的起点。
6. 什么时候用这份经典试题：自测、备课、还是热身？先分清边界
如果你是零基础想通过这份卷子“入门 AI”，效果会很差，因为上面全是术语和推导。但如果你是以下三类人，这份资源很值得用：第一，刚学完人工智能导论课的学生，想找一套题检验自己复习得怎么样；第二，准备讲知识表示或推理部分的老师、讲师，需要现成的例题和答案；第三，工作一两年、主要写业务代码，但想补传统 AI 概念的工程师，可以用它来测试自己是否“知其然又知其所以然”。
反过来，什么时候别用：如果你只想知道“人工智能是做什么的”，或者想快速上手一个图像识别项目，这份卷子会劝退你。它不是速成指南，也不是面经，它是一份“古典基本功”考卷。用它之前，最好先过一遍基础知识：谓词逻辑、搜索、产生式、语义网络。否则你看答案都像看天书。
我自己有过一次血泪教训。几年前我信心满满地去面一个知识图谱相关的项目，聊到“语义网络和知识图谱的关系”，我张口就来“语义网络就是知识图谱嘛”，结果对方追问“ISA 和 AKO 的继承性怎么处理冲突”，我直接卡壳。后来我把这类经典试题翻出来，一道道做，不懂的推导就手推一遍，才发现很多概念我以前只是“眼熟”，根本没理解。从那以后，我每次接触一个新方向的 AI 资料，都会先找一套对应的基础题做一遍，不为了考试，就为了把地基踩实。希望这套经典试题的思路也能帮到你，至少在别人问你“什么是归结空子句”的时候，你能笑着说出：那是反证法走到头的信号。
本文还有配套的精品资源，点击获取
