2019上半年事業(yè)單位聯(lián)考C類《綜合應(yīng)用能力》真題在此發(fā)布。本套2019上半年事業(yè)單位聯(lián)考C類《綜合應(yīng)用能力》真題來自考生回憶,由公考通整理。
>>> 點(diǎn)擊下載PDF打印版(含參考答案,查看答案解析請下載PDF版)
2019年上半年全國事業(yè)單位聯(lián)考C類《綜合應(yīng)用能力》真題
材料一
1997年,國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍(lán)”;2016年,谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石,這標(biāo)志著人工智能終于征服了它在棋類比賽中最后的弱項(xiàng)——圍棋,谷歌公司的DeepMind團(tuán)隊(duì)比預(yù)期提前了整整10年達(dá)到了既定目標(biāo)。
對計(jì)算機(jī)來說,圍棋并不是因?yàn)槠湟?guī)則比國際象棋復(fù)雜而難以征服——與此完全相反,圍棋規(guī)則更簡單,它其實(shí)只有一種棋子,對弈的雙方輪流把黑色和白色的棋子放到一個(gè)19×19的正方形棋盤中,落下的棋子就不能再移動了,只會在被對方棋子包圍時(shí)被提走。到了棋局結(jié)束時(shí),占據(jù)棋盤面積較多的一方為勝者。
圍棋的規(guī)則如此簡單,但對于計(jì)算機(jī)來說卻又異常復(fù)雜,原因在于圍棋的步數(shù)非常多,而且每一步的可能下法也非常多。以國際象棋作對比,國際象棋每一步平均約有35種不同的可能走法,一般情況下,多數(shù)棋局會在80步之內(nèi)結(jié)束。圍棋棋盤共有361個(gè)落子點(diǎn),雙方交替落子,整個(gè)棋局的總排列組合數(shù)共有約10171種可能性,這遠(yuǎn)遠(yuǎn)超過了宇宙中的原子總數(shù)——1080!
對于結(jié)構(gòu)簡單的棋類游戲,計(jì)算機(jī)程序開發(fā)人員可以使用所謂的“暴力”方法,再輔以一些技巧,來尋找對弈策略,也就是對余下可能出現(xiàn)的所有盤面都進(jìn)行嘗試并給予評價(jià),從而找出最優(yōu)的走法。這種對整棵博弈樹進(jìn)行窮舉搜索的策略對計(jì)算能力要求很高,對圍棋或者象棋程序來說是非常困難的,尤其是圍棋,從技術(shù)上來講目前不可能做到。
“蒙特卡羅樹搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略,能夠根據(jù)對搜索空間的隨機(jī)抽樣來擴(kuò)大搜索樹,從而分析圍棋這類游戲中每一步棋應(yīng)該怎么走才能夠創(chuàng)造最好機(jī)會。舉例來說,假如筐里有100個(gè)蘋果,每次閉著眼拿出1個(gè),最終要挑出最大的1個(gè),于是先隨機(jī)拿1個(gè),再隨機(jī)拿1個(gè)跟它比,留下大的,再隨機(jī)拿1個(gè)……每拿一次,留下的蘋果都至少不比上次的小,拿的次數(shù)越多,挑出的蘋果就越大。但除非拿100次,否則無法肯定挑出了最大的。這個(gè)挑蘋果的方法,就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜索”在此前一些弈棋程序中也有采用,在相對較小的棋盤中也能很好地發(fā)揮作用,但在正規(guī)的全尺寸棋盤上,這種方法仍然存在相當(dāng)大的缺陷,因?yàn)樯婕暗乃阉鳂溥€是太大了。
AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識的方式——深度學(xué)習(xí)。AlphaGo 借助兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)(價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò))自主地進(jìn)行新知識的學(xué)習(xí)。深度卷積神經(jīng)網(wǎng)絡(luò)使用很多層的神經(jīng)元,將其堆疊在一起,用于生成圖片逐漸抽象的、局部的表征。對圖像分析得越細(xì),利用的神經(jīng)網(wǎng)絡(luò)層就越多。AlphaGo也采取了類似的架構(gòu),將圍棋模盤上的盤面視為19×19的圖片輸入,然后通過卷積層來表征盤面。這樣,兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)中的價(jià)值網(wǎng)絡(luò)用于評估盤面,策略網(wǎng)絡(luò)則用于采樣動作。
在深度學(xué)習(xí)的第一階段——策略網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)(即從中 I 中學(xué)習(xí))階段,擁有13層神經(jīng)網(wǎng)絡(luò)的AlphaGo借助圍棋數(shù)據(jù)庫KGS中存儲的3000萬份對弈棋譜進(jìn)行初步學(xué)習(xí)。這3000萬份棋譜樣本可以用a、b進(jìn)行統(tǒng)計(jì)。a是一個(gè)二維棋局,把a(bǔ)輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類,分類的目標(biāo)就是落子向量A。通過不斷的訓(xùn)練,盡可能讓計(jì)算機(jī)得到的向量A接近人類高手的落子結(jié)果b,這樣就形成了一個(gè)模擬人類下圍棋的神經(jīng)網(wǎng)絡(luò),然后得出一個(gè)下棋函數(shù)F_go()。當(dāng)盤面走到任何一種情形的時(shí)候,AlphaGo都可以通過調(diào)用函數(shù)F_go()計(jì)算的結(jié)果來得到最佳的落子結(jié)果b可能的概率分布,并依據(jù)這個(gè)概率來挑選下一步的動作。在第二階段——策略網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)(即從 Ⅱ 中學(xué)習(xí))階段,AlphaGo開始結(jié)合蒙特卡羅樹搜索,不再機(jī)械地調(diào)用函數(shù)庫,而類似于一種人類進(jìn)化的過程:AlphaGo會和自己的老版本對弈。即,先使用F_go(1)和F_go(1)對弈,得到了一定量的新棋譜,將這些新棋譜加入到訓(xùn)練集當(dāng)中,訓(xùn)練出新的F_go(2),再使用F_go(2)和F_go(1)對弈,以此類推,這樣就可以得到勝率更高的F_go(n)。這樣,AlphaGo就可以不斷改善它在第一階段學(xué)到的知識。在第三階段——價(jià)值網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)階段,AlphaGo可以根據(jù)之前獲得的學(xué)習(xí)經(jīng)驗(yàn)得出估值函數(shù)v(s),用于預(yù)測策略網(wǎng)絡(luò)自我對抗時(shí)棋盤盤面s的結(jié)果。最后,則是將F_ go()、v(s)以及蒙特卡羅樹搜索三者相互配合,使用F_ go()作為初始分開局,每局選擇分?jǐn)?shù)最高的方案落子,同時(shí)調(diào)用v(s)在比賽中做出正確的判斷。
這就是AlphaGo給圍棋帶來的新搜索算法。它創(chuàng)新性地將蒙特卡羅模擬和價(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)結(jié)合起來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。這樣價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)相當(dāng)于AlphaGo 的兩個(gè)大腦,策略網(wǎng)絡(luò)負(fù)責(zé)在當(dāng)前局面下判斷“最好的”下一步,可以理解為落子選擇器;價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評估整體盤面的優(yōu)劣,淘汰掉不值得深入計(jì)算的走法,協(xié)助前者提高運(yùn)算效率,可以理解為棋局評估器,通過兩個(gè)“大腦”各自選擇的平均值,AlphaGo最終決定怎樣落子勝算最大。通過這種搜索算法,AlphaGo和其他圍棋程序比賽的勝率達(dá)到了99.8%。
AlphaGo的飛快成長是任何一個(gè)圍棋世界冠軍都無法企及的。隨著計(jì)算機(jī)性能的不斷增強(qiáng),遍歷蒙特卡羅搜索樹將進(jìn)一步提高命中概率。大量的計(jì)算機(jī)專家,配合大量的世界圍棋高手,在算法上不斷革新,再配合不斷成長的超級計(jì)算能力,不斷地從失敗走向成功,最終打造出圍棋人工智能。在AlphaGo擊敗李世石后,歐洲圍棋冠軍樊麾說了這么一句話:“這是一個(gè)團(tuán)隊(duì)的集體智慧用科技的方式戰(zhàn)勝了人類數(shù)千年的經(jīng)驗(yàn)積累?!比撕蜋C(jī)器其實(shí)沒有站在對立面上,“是人類戰(zhàn)勝了人類”。
材料二
上世紀(jì)80年代,M市高溫首日經(jīng)常出現(xiàn)在6月中下旬至7月,到21世紀(jì),往往還沒到6月中句,M市氣溫就會躥至35℃以上,僅有兩年的高溫日到7月才出現(xiàn),1981年以來,M市6-8月高溫日出現(xiàn)越來越頻繁,可見,M市首個(gè)高溫日的出現(xiàn)時(shí)間越來越早,21世紀(jì)后每年首個(gè)高溫日出現(xiàn)時(shí)間肯定早于上世紀(jì)80年代。
在M市,一年中最熱的時(shí)候莫過于7月,1997年以來,高溫日數(shù)逐漸增多。截至2018年7月中旬,2018年M市高于35℃的日子已有6個(gè),比往年7月的平均數(shù)還多2個(gè)??梢源_定,這一年M市7月的高溫日總數(shù)將是1997年以來最多的一年。另外據(jù)統(tǒng)計(jì),M市7月的高溫日整體多于6月和8月,照此趨勢,2018年8月的高溫日可能不會超過7月。
近30年來,M市7月的夜溫越來越高,1999年以來7月的夜間最低氣溫普遍超過23℃,所以2018年7月下旬M市夜間的最低氣溫不會低于23℃。
同樣近30年來,M市6-8月出現(xiàn)持續(xù)3天以上高溫的總次數(shù)為27次,20次都是在2000年以后出現(xiàn)的,2018年6月和7月,M市已經(jīng)分別出現(xiàn)了一次持續(xù)3天以上的高溫。既然2018年M市出現(xiàn)3天以上持續(xù)高溫的次數(shù)已經(jīng)超過了近30年來的平均值,那么8月份M市不會出現(xiàn)3天以上的持續(xù)高溫天氣。
30年來,M市“城市熱島效應(yīng)”愈發(fā)顯著,城區(qū)與郊區(qū)的平均氣溫差值越來越大。2018年7月M市各區(qū)平均氣溫偏高,均超過26.7℃。其中市中心2個(gè)城區(qū)氣溫最高,其次是環(huán)市中心的其他4個(gè)城區(qū),2個(gè)郊區(qū)的氣溫最低。(注:高溫日為日最高氣溫≥35℃)
材料三
材料(一)細(xì)菌學(xué)家弗萊明的實(shí)驗(yàn)室里擺放著許多有毒細(xì)菌培養(yǎng)皿。多年來,
他試驗(yàn)了各種藥劑,力圖找到一種能殺滅這些細(xì)菌的理想藥品,但一直未能成功。1928年的一個(gè)早晨,他在檢查細(xì)菌的變化時(shí),突然發(fā)現(xiàn)一個(gè)葡萄狀球菌的培養(yǎng)皿里長出了一團(tuán)青色霉菌,并且其周圍原來生長著的葡萄狀球菌消失了,他進(jìn)一步研究發(fā)現(xiàn),這種青色霉菌對其他多種有毒細(xì)菌同樣具有殺滅作用,他把這種青色霉菌分泌的殺菌物質(zhì)稱為青霉素。
材料(二)1870年,英國科學(xué)家克魯克斯在做陰極射線管放電實(shí)驗(yàn)時(shí),意外發(fā)現(xiàn)管子附近的照相底片有模糊陰影,他判斷是照相的干板有毛?。?890年美國科學(xué)家古德斯柏德在做相同的實(shí)驗(yàn)時(shí)也發(fā)現(xiàn)同樣的現(xiàn)象,他歸因于沖洗藥水和沖洗技術(shù)有問題;到了1892年,德國有些物理學(xué)家也觀察到這一現(xiàn)象,但當(dāng)時(shí)他們的注意力都集中在研究陰極射線的性質(zhì)上,對此并沒有警覺。直到1895年,這一奇特現(xiàn)象才被德國物理學(xué)家倫琴敏銳地抓住,他反復(fù)研究實(shí)驗(yàn),最終發(fā)現(xiàn)了X射線,他也因此獲得諾貝爾物理學(xué)獎(jiǎng)。
材料三:丹麥天文學(xué)家第谷三十年如一日觀測天象,記錄了750顆星相對位置的變化,糾正了以往星表中的錯(cuò)誤。但第谷不善于對感性材料進(jìn)行科學(xué)抽象和概括,終究未能揭示行星運(yùn)動規(guī)律。臨終前,他把自已所有的材料交給了學(xué)生開普勒,要求他繼續(xù)研究行星運(yùn)動的理論。起初,開普勒以第谷宇宙體系為基本框架來探討這個(gè)問題,但毫無所獲,于是轉(zhuǎn)而以哥白尼日心體系為基本框架展開研究。他精于理論思維和數(shù)學(xué)推導(dǎo),根據(jù)老師留下的大量一手資料,最終發(fā)現(xiàn)了天體運(yùn)動的三大定律,被譽(yù)為“天空立法者”。
【問題】
問題一
科技文獻(xiàn)閱讀題:請認(rèn)真閱讀文章,按照每道題的要求作答。(50分)
根據(jù)材料一,回答下列問題:
1.判斷題:請用2B鉛筆在答題卡相應(yīng)的題號后填涂作答,正確的涂“A”,錯(cuò)誤的涂“B”。
?。?)國際象棋的走法不超過35*80種。
(2)結(jié)構(gòu)簡單的棋類游戲可以通過對博弈樹的“暴力”窮舉搜索找出最優(yōu)走法。
?。?)傳統(tǒng)的計(jì)算機(jī)圍棋程序能夠完全尺寸棋盤的蒙特卡羅樹模擬并計(jì)算最大勝率。
?。?)函數(shù)F_go(n)比F_go(n-1)的勝率更高。
2.填空題:請根據(jù)文意,分別填補(bǔ)Ⅰ、Ⅱ兩處缺項(xiàng),沒空不超過6個(gè)字。
Ⅰ( ) Ⅱ( )
3.多項(xiàng)選擇題:備選項(xiàng)中有兩個(gè)或兩個(gè)以上符合題意,請用2B鉛筆在答題卡相應(yīng)的題號后填涂正確選項(xiàng)的序號,錯(cuò)選、少選均不得分。
?。?)這篇文章開頭認(rèn)為圍棋是人工智能在棋類游戲中最弱項(xiàng)的原因是:
A.圍棋每一步可能的下法太多,無法使用窮舉搜索
B.圍棋的規(guī)則對于計(jì)算機(jī)來說太復(fù)雜,無法理解
C.單一的計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)難以應(yīng)對圍棋的搜索計(jì)算
D.圍棋盤面局勢的評估缺乏現(xiàn)代就三家技術(shù)的支撐
?。?)下列關(guān)于AlphaGo“兩個(gè)大腦”的說法正確的是
A.價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評估盤面優(yōu)劣
B.策略網(wǎng)絡(luò)負(fù)責(zé)判斷走法優(yōu)劣
C.策略網(wǎng)絡(luò)能夠協(xié)助價(jià)值網(wǎng)絡(luò)提高運(yùn)算效率
D.價(jià)值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)共同確定最終的落子位置
4.比較分析AlphaGo新算法和蒙特卡羅樹搜索的不同之處。
要求:概括準(zhǔn)確,層次清晰,文字簡潔,不超過250字。
5.請為本文寫一篇內(nèi)容摘要
要求:全面、準(zhǔn)確,條理清晰,不超過350字。
問題二
論證評價(jià)題:閱讀給定材料二,指出其中存在的4處論證錯(cuò)誤并分別說明理由。請?jiān)诖痤}卡上按序號分條作答,每一條先將論證錯(cuò)誤寫在“A”處(不超過75字),再將相應(yīng)理由寫在“B”處(不超過50字)。(40分)
問題三
材料作文題:閱讀下列材料,按要求作答。(60分)
參考給定材料三,以“科學(xué)發(fā)現(xiàn)并不偶然”為話題,自選角度,自擬題目,寫一篇議論文。
要求:觀點(diǎn)鮮明、論證充分,條理清晰,語言流暢,字?jǐn)?shù)在800~1000字。