一 、注意事項 一 、本科目滿分150分，時限120分鐘。

二 、請在本科目答題卡的指定位置按要求填寫(涂)姓名和準考證號。

三 、請用黑色墨水筆在答題卡的指定區域內作答，超出答題區域的，作答無效。在題本上作答無效。 四 、所有題目一律使用現代漢語作答，未按要求作答的，不得分。

五 、監考人員宣布考試結束時，考生應立即停止答題，將題本、答題卡和草稿紙整理好放在桌面上，待監考人員清點無誤 后，方可高開、

二 、給定材料材料1

1997年，國際象棋大師加里 · 卡斯帕羅夫敗給了電腦“深藍”;2016年，谷歌人工智能AlphaGo又戰勝了韓國棋手李世石， 這標志著人工智能終于征服了它在棋類比賽中最后的弱項 — — 圍棋，谷歌公司的DeepMind團隊比預期提前了整整10年達 到了既定目標。

對計算機來說，圍棋并不是因為其規則比國際象棋復雜而難以征服-     與此完全相反，圍棋規則更簡單，它其實只有一種 棋子，對弈的觀方輪流把黑色和白色的拱子放到一個19×19的正方形拱盤中，落下的棋子就不能再移動了，只會在被對方棋 子包圍時被提走。到了棋局結束時，占據拱盤面積較多的一方為勝者。

圍棋的規則如此簡單，但對于計算機來說卻又異常復雜，原因在于圍棋的步數非常多，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，多數棋局會在80步之內結束。圍棋棋盤 共有361個落子點，雙方交替落子，整個棋局的總排列組合數共有約10171種可能性，這遠遠超過了宇宙中的原子總數 ——1080!

對于結構簡單的棋類游戲，計算機程序開發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 對余下可能出現的所有盤面都進行嘗試并給予評價，從而找出最優的走法。這種對整棵博弈樹進行窮舉搜索的策略對計算能 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，從技術上來講目前不可能做到。

“蒙特卡羅樹搜素”是一種基于蒙特卡羅算法的啟發式按素策略，能夠根據對搜素空間的隨機抽樣來擴大搜素樹，從而分析  圍棋這類游戲中每一步棋應該怎么走才能夠創造最好機會。舉例來說，假如筐里有100個蘋果，每次閉著眼章出1個，最終  更挑出最大的1個，于是先隨機章1個，再隨機章1個跟它比，留下大的，再隨機章1個 … … 每章一次，留下的革果都至少C 不比上次的小，章的次數越多，挑出的蘋果就越大。但除非章100次，否則無法肯定挑出了最大的。這個挑蘋果的方法，就  屬于蒙特卡羅算法。雖然“蒙特卡羅樹拽索“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揮作用，但  在正規的全尺寸棋盤上，這種方法仍然存在相當大的缺陷，因為涉及的攪索樹還是太大了。

AlphaGo人工智能程序中最新穎的技術當屬它獲取知識的方式 — — 深度學習。AlphaGo借助兩個深度卷積神經網絡(價值 網絡和策略網絡)自主地進行新知識的學習。深度卷積神經網絡使用很多層的神經元，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，利用的神經網絡層就越多。AlphaGo也采取了類似的架構，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，兩個深度卷積神經網絡中的價值網絡用于評估盤面，策略網絡 則用于采樣動作。

在深度學習的第 一 階段 — — 策略網絡的有監督學習(即從中I中學習)階段，擁有13層神經網絡的AlphaGo借助圍棋 數據庫KGS中存儲的3000萬份對弈棋譜進行初步學習。這3000萬份棋譜樣本可以用a、b進行統計。a是 一個二維棋局，

把a輸入到 一個卷積神經網絡進行分類，分類的目標就是落子向量A。通過不斷的訓練，盡可能讓計算機得到的向量A接  近人類高手的落子結果b,這樣就形成了一個模擬人類下圍棋的神經網絡，然后得出一個下棋函數F   go()。當盤面走到任 何 一種情形的時候，AlphaGo都可以通過調用函數F   go()計算的結果來得到最佳的落子結果b可能的概率分布，并依據  這個概率來挑選下 一 步的動作。在第二階段 — — 策略網絡的強化學習(即從?   中學習〉階段，AlphaGo開始結合蒙特卡  羅樹拽索，不再機械地調用函數庫，而類似于一種人類進化的過程：AlphaGo會和自己的老版本對奔。即，先使用F   g0(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陳集當中，訓練出新的F go(2),再使用F   g0(2)和  F   g0(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 階段學到的知  識。在第三階段 — — 價值網絡的強化學習階段，AlphaGo可以根據之前獲得的學習經驗得出估值函數v(s),用于預測策略  網絡自我對抗時棋盤盤面s的結果。最后，則是將F   go()、v(s)以及蒙特卡羅樹拽索三者相互配合，使用F   go()作  為初始分開局，每局迭擇分數最高的方案落子，同時調用v(s)在比寒中做出正確的判斷。這就是AlphaGo給圍棋帶來的新搜索算法。它創新性地將蒙特卡羅模擬和價值網絡、策略網路結合起來訓練深度神經網絡。 這樣價值網絡和第略網路相當于AlphaGo的兩個大腦，策略網絡負責在當前局面下判斷“最好的“下一步，可以理解為落子  選擇器；價值網絡負責評估整體盤面的優劣，淘汰掉不值得深入計算的走法，協助前者提高運算效率，可以理解為棋局評估  器，通過兩個“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  序比寒的勝率達到了99.8%。

AlphaGo的飛快成長是任何一個圍棋世界冠軍都無法企及的。隨著計算機性能的不斷增強，遍歷蒙特卡羅攬索樹將進一步 提高命中概率。大量的計算機專家，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，歐洲圍棋冠軍樊度說了這么一句話：“這是一個 團隊的集體智慧用科技的方式戰勝了人類數千年的經驗積累。”人和機器其實沒有站在對立面上，“是人類戰勝了人類”。

材 料 2

上世紀80年代，M市高溫首日經常出現在6月中下旬至7月，到21世紀，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，1981年以來，M市6-8月高溫日出現越來越頻繁，可見，M市首個高溫日的出現 時間越來越早，21世紀后每年首個高溫日出現時間肯定早于上世紀80年代。

在M市， 一 年中最熱的時候莫過于7月，1997年以來，高溫日數逐漸增多。截至2018年月中旬，2018年M市高于35?  的日子已有6個，比往年7月的平均數還多2個。可以確定，這 一 年M市7月的高溫日總數將是1997年以來最多的 一 年。 另外據統計，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月出現持續3天以上高溫的總次數為27次，20次都是在2000年以后出現的，2018年6月和7 月，M市已經分別出現了 一 次持續3天以上的高溫。既然2018年M市出現3天以上持續高溫的次數已經超過了近30年來 的平均值，那么8月份M市不會出現3天以上的持續高溫天氣。

30年來，M市“城市熱島效應”煎發顯著，城區與郊區的平均氣溫差值越來越大。2018年7月M市各區平均氣溫偏高，均 超過26 .7?。其中市中心2個城區氣溫最高，其次是環市中心的其他4個城區，2個郊區的氣溫最低。(注：高溫日為日最 高氣溫=35?)

材 料 3

材料一 ：細菌學家弗萊明的實驗室里擺放著許多有毒細菌培養皿。多年來，

他試驗了各種藥劑，力圖找到一種能殺滅這些細菌的理想藥品，但一直未能成功。1928年的一個早晨，他在檢查細菌的變 化時，突然發現一個葡萄狀球菌的培養皿里長出了一 團青色霉菌，并且其周圍原來生長著的葡萄狀球菌消失了，他進一步研 究發現，這種青色霉菌對其他多種有毒細菌同樣具有殺滅作用，他把這種青色霉菌分泌的殺菌物質稱為青霉素。

材料二：1870年，英國科學家克魯克斯在做陰極射線管放電實驗時，意外發現管子附近的照相底片有模糊陰影，他判斷是 照相的干板有毛病；1890年美國科學家古德斯柏德在傲相同的實驗時也發現同樣的現象，他歸因于沖洗藥水和沖洗技術有 問題；到了1892年，德國有些物理學家也觀察到這一現象，但當時他們的注意力都集中在研究陰極射線的性質上，對此并  沒有警覺。直到1895年，這一奇特現象才被德國物理學家倫琴敏銳地抓住，他反復研究實驗，最終發現了X射線，他也因 此獲得諾貝爾物理學獎。

材料三：丹麥天文學家第谷三十年如一 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誤。但第谷 不善于對感性材料進行科學抽象和概括，終究未能揭示行星運動規律。臨終前，他把自已所有的材料交給了學生開普勒，要 求他繼續研究行星運動的理論。起初，開昔勒以第谷宇宙體系為基本框架來探討這個問題，但壹無所獲，于是轉而以哥白尼 日心體系為基本框架展開研究。他精于理論思維和數學推導，根據老師留下的大量一手資料，最終發現了天體運動的三大定 律，被譽為“天空立法者"。

三 、作答要求科技文獻閱讀題：請認真閱讀文章，按照每道題的要求作答。(50分)

根據材料1,回答下列問題：

1判斷題；請用2B鉛筆在答題卡相應的題號后填涂作答，正確的涂“A”,錯誤的涂“B”。

(1)國際象棋的走法不超過35×80種。

(2)結構簡單的棋類游戲可以通過對博弈樹的“暴力”窮舉搜索找出最優走法。

(3)傳統的計算機圍棋程序能夠完成全尺寸棋盤的蒙特卡羅樹模擬并計算最大勝率。

(4)函數F   go(n)比F   go(n- 1)的勝率更高。

2填空題：請根據文意，分別填補文中?、?兩處缺項，每空不超過6個字。

3多項選擇題：備選項中有兩個或兩個以上符合題意，請用2B鉛筆在答題卡相應的題號后填涂正確選項的序號，錯選、 少選均不得分。

(1)這篇文章開頭認為圍棋是人工智能在棋類比寒中最后弱項的原因是：

A.圍棋每一步可能的下法太多，無法使用窮舉搜索

B.圍棋的規則對于計算機來說太過復雜，無法理解

C. 單一的計算機神經網絡難以應對圍棋的按索計算

D.  圍棋盤面局勢的評估缺乏現代計算機技術的支揮

(2)下列關于AlphaGo“兩個大腦”的說法正確的是

A.  價值網絡負責評估盤面優劣

B.   策略網絡負責判斷走法優劣

C. 策略網絡能夠協助價值網絡提高運算效率

D.  價值網絡和策略網絡共同確定最終的落子位置

4. 比較分析AlphaGo新算法與蒙特卡羅樹搜索的不同之處。 要求；概括準確，層次清晰，文字簡潔，不超過250字。

5. 請為本文寫一篇內容摘要。

要求：全面、準確，條理清楚，不超過300字。

論證評價題：閱讀給定材料2,指出其中存在的4處論證錯誤并分別說明理由。請在答題卡上按序號分條作答，每一條先 將論證錯誤寫在”A”處(不超過75字〉,再將相應理由寫在“B*處(不超過50字)。(40分)

材料作文題：閱讀下列材料，按要求作答。(60分〉

參考給定材料3,以“科學發現中的偶然“為話題，自選角度，自擬題目，寫一篇議論文。

要求；觀點鮮明，論證充分，條理清晰，語言流暢，字數800-1000字。

1、夢考答案：

1

(1) B

根據第3自然段”整個棋局的總排列組合數共有約10171種可能性，這遠遠超過了宇審中的原子總數      1080°可知， 國際象棋的走法超過了35×80種，并非“不超過35×80種”,表述錯誤；

(2)A

根據第4自然段“對于結構簡單的棋類游戲，計算機程序開發人員可以使用所謂的‘暴力’方法……也就是對余下可能 出現的所有盤面都進行嘗試并給予評價，從而找出最優的走法“可知，“結構簡單的棋類游戲“可以把“所有盤面都進行嘗試并 給予評價”,即“窮舉”,故表述正確；

(3)B

根據第5自然段“雖然‘蒙特卡羅樹搜索’……在正規的全尺寸棋盤上，這種方法仍然存在相當大的缺陷，因為涉及的 搜索樹還是太大了“可知，“能夠完成全尺寸棋盤的藻特卡羅樹模擬”表述錯誤；

(4)A

根據第7自然段“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練集當中，訓練出新 的F go(2),再使用F g0(2)和F g0(1)對弈，以此類推，這樣就可以得到勝率更高的F g0(n)可知，函數F go(2)比F go(1)

的勝率更高，以此類推，函數F go(n)比F go(n-1)的勝率更高，表述正確。

2

?(數據庫的棋譜)     ?(與老版本對弈)

3

(1)

【答案】 ABCD

【考點】言語理解與表達 ·閱讀理解 ·細節判斷題-典型細節題   【解析】定位原文第2段，第3段。

A項，由“原因在于圍棋的步數非常多，而且每一步的可能下法也非常多”可知”下法太多”表述正確；由“這種對整棵博 弈樹進行窮舉搜索的策略對計算能力要求很高……從技術上來講目前不可能做到“可知，A項“無法使用窮舉搜索”表述正確， 當選。

B項，由“圍棋的規則如此簡單，但對于計算機來說卻又異常復雜”,可知“圍棋的規則對于計算機來說太過復雜”表述 正確，B項當選。

C項，由“這種對整棵博弈樹進行窮舉搜索的策略對計算能力要求很高……尤其是圍棋，從技術上來講目前不可能做 到。”可知，目前的計算機還無法對整棵博弈樹進行窮舉搜索，C項“難以應對圍拱的撥索計算”表述正確，當選。

D項，由“也就是對余下可能出現的所有盤面都進行嘗試并給予評價，從而找出最優的走法……尤其是圍棋，從技術上 來講目前不可能做到。”可知目前圍棋盤面的評估缺乏相關技術的支持，D項表述正確，當選。

故正確答案為ABCD。

(2)

【答案】 ABD

【考點】言語理解與表達 ·閱讀理解 ·細節判斷題典型細節題   【解析]A項，由“價值網絡負責評估整體盤面的優劣 …… 可以理解為棋局評估器”可知，盤面優劣是由價值網絡評估的，A項表述正確，當選。

B項由“策略網絡負責在當前局面下判斷”最好的”下一步，可以理解為落子選擇器”可知，如何落子由策略網絡負責， B項表述正確，當選。

C項，由“價值網絡負責評估整體盤面的優劣……協助前者提高運算效率”可知，起到協助作用的是價值網絡而非第略 網絡，C項“策略網絡能夠協助價值網絡”表述錯誤，排除。

D項，由“通過兩個‘大腦’各自選擇的平均值，AlphaGo最終決定怎樣落子勝算最大”可知，如何落子由價值網絡和 策略網絡這兩個大腦共同決定，D項表述正確

故正確答案為ABD。

一、算法理論不同。AlphaGo利用深度學習的方式，借助價值網絡和策略網絡自主學習新知識。“蒙特卡羅樹搜索”是 一種基于蒙特卡羅算法的啟發式搜索策略。

二、算法步驟不同。AlphaGo先進行策略網絡的有監督學習，再進行強化學習，最后進行價值網絡的強化學習。“蒙特 卡羅樹搜索”先根據對按索空間的隨機抽樣來擴大搜索樹，再分析每一步棋的最佳走法。

三、適用性不同。AphaGo可以適用于正規全尺寸棋盤，且勝率高。“蒙特卡羅樹搜素”因按索樹大而無法在正規的全 尺寸棋盤應用。

AlphaGo新算法更先進。未來人工智能發展應重視深度學習這一方法。

5

摘要：圍棋規則看似簡單，但每一步走法多，單純通過計算機進行窮舉拽索難度大，但人工習能克服了這些困難，戰 勝了人類。

目前，計算機兩種算法： 一種是蒙特卡羅樹挑索算法。它是基于縈特卡羅算法的啟發式搜索策略，根據對搜索空間的 隨機抽樣來擴大搜索樹，再分析最佳走法。另一種是AlphaGo新算法，利用深度學習的方式，借助價值網絡和策略網絡自 主學習新知識，分為策略網絡監督、強化和價值網絡強化學習三個階段。蒙特卡羅樹攪索因搜索樹大而適用性較弱。AlphaGo 可以適用于正規全尺寸棋盤，且勝率高。

人工智能實質上是人類集體智慧在科技方面的體現，人和機器沒有站在對立面上，與其說人工智能戰勝了人類，不如 說人類戰勝了人類。

2、 參考答案：

A:  第一段由“80年代M市高溫首日常出現在6-7月，21世紀僅兩年到7月才出現”,推出結論“21世紀后高溫首日每 年肯定早于80年代出現”存在論證錯誤。

B:21    世紀高溫首日有兩年出現于7月，可能比80年代的某年出現的晚，不能得出“每年肯定早于80年代”。

A: 第二段由“2018年M市高于35?的日子比往年平均數多2個”,推出結論“這 一 年M市7月的高溫日總數將是1997 年以來最多的一年“存在論證錯誤。(65字)

B:  因為論據是對比的往年7月平均高溫日數量，無法判斷個體情況，故而無法推出結論。

A:  第三段由“1999年以來7月的夜間最低氣溫普遍超過23?”,推出結論“2018年7月下旬M市夜間的最低氣溫不會 低于23?”存在論證錯誤。

B:  因為論據中的事件發生在過去，事件本身會隨著時間的推移發生變化，不能通過簡單的類比，得出結論。

A:  第四段由“2018年M市出現3天以上持續高溫的次數已經超過了近30年來的平均值”,推出結論“8月份M市不會 出現3天以上的持續高溫天氣”存在論證錯誤。

B:  因為題干的論據和結論之間不存在必然的推出關系，屬于強拉因果的錯誤。

3、參考答案：

科學發現并不偶然

翻開科學史，不難發現一個有意思的現象：人類早期的大多數發現和發明來自偶然的啟發—— 坐在草地上的牛頓看著  蘋果從樹上掉下來而發現了萬有引力定理，弗萊明忘了給培養培養皿罩上玻璃蓋導致發現了青霉素 … … 然而，偶然的背后， 是一種必然。恰恰是“牛頓們“在科學之路上的不懈探索，善于發現，將各類知識融會貫通，才能從細節中發現科學規律。

科學真理的發現是有條件的，它永遠留給那些在探索之路上堅持不懈、鍥而不舍、唐續奮斗的人。作家葉永烈說：“真  理誕生于一百個問號之后”。誡哉斯言，縱觀千百年來的科學技術發展史，那些定理、定律、學說的發現者、創立者，他們  都善于不斷發問，不斷解決疑問，啟根求源，最后才能尋求到科學本來的面目。人們只有不斷的探索與發現，才能獲得真理， 只有“打破砂鍋問到底”,鍥而不舍地追根求源，找到答案，就能在現實生活中發現真諦。

發現真理還需要廣泛掌握和積累知識，懂得承繼前人的成就，能夠將知識融匯貫通，不斷革新。許多科研工作者之所  以學術成就有限，不是不夠堅持，而是自身的知識儲備有限。這種局限性， 一方面體現在掌握知識的深度不夠，對本領域的 知識沒有透徹的理解；另一方面體現在掌握知識的廣度不夠，對其他學科知識知之甚少，無法觸類旁通。所以，想要有新的 科學發現，就要在深度和廣度上下功夫。例如，開普勒之所以能被譽為“天空立法者”,一方面是他掌握了他的老師畢生研究 的資料，有了知識的“深度”;另一方面他將哥白尼的學說、數學知識向結合，有了知識的“廣度”。這也恰恰印證了牛頓所說 的那句話：“如果說我看得遠，那是因為我站在巨人的肩上"。

當然，除了鍥而不舍的精神，知識的傳承和革新，想要發現科學真理，科學家們還要有善于發現的眼睛和探求真理的 目光。巴斯德說，偶然的機會只對素有準備的人有利。這個“準備”,除了堅持外，還包含著“靈敏”,即善于從細節中發現全 貌，善于從偶然中找到必然，這似乎是一種天賦。謝皮羅教授從洗澡水的溢渦中聯想到了地球的自轉，由此誕生了著名的謝 皮羅現象；波義耳在冒煙紫羅蘭上發現了酸堿變色的原理，制成了實驗中常用的酸堿試紙-石薇試紙。毋庸諱言，正是這種 善于發現的能力，讓這些科學家從細小的、司空見慣的現象中看出問題，改變世界。

從科學發明的角度看，人人都有創造的機會，但所謂的“偶然發現”絕非偶然。幸運的女神只對堅忍頑強、勤奮勞動、 百折不回的人報以微笑，機遇只垂青那些有科學素養的有心人。

1、參考答案：

1

(1)B

根據第3自然段“整個棋局的總排列組合數共有約10171種可能性，這遠遠超過了宇宙中的原子總數—— 1080“可知， 國際象棋的走法超過了35×80種，并非“不超過35×80種”,表述錯誤；

(2)A

根據第4自然段“對于結構簡單的棋類游戲，計算機程序開發人員可以使用所謂的‘暴力’方法 …… 也就是對余下可能 出現的所有盤面都進行嘗試并給予評價，從而找出最優的走法”可知，“結構簡單的棋類游戲”可以把“所有盤面都進行嘗試并