清华大学 · 02_姚班_人工智能

2026-07-28 · 备考资料 · 鸡蛋强基计划综合评价

姚班 · 人工智能方向

Yao Class: Artificial Intelligence Track

A. 方向画像与考察重点

清华大学计算机科学实验班（姚班）由图灵奖得主姚期智院士于2005年创办，依托交叉信息研究院培养，是国内拔尖创新人才培养的标杆。2019年姚院士增设"人工智能班"（智班），后姚班整合为计算机科学、人工智能、量子信息三大方向，AI方向即承袭智班基因，强调"人工智能+X"的交叉范式与从理论到前沿的完整训练。

2026年选拔采取"报名→初审→专业测试→认定→确认"流程，报名窗口为2026-07-27至08-19，坚持"宁缺毋滥"、重潜力而非已有成果。考察上，AI方向既看数理功底与编程能力，也看对智能本质的好奇与跨学科视野；专业测试偏重数学、算法与机器学习直觉，面试则追问动机、科研潜质与对前沿（大模型、对齐、AGI）的独立判断。

方向关键词（8条）

图灵奖姚期智创办，交叉信息研究院培养
智班2019并入，三大方向之一
"人工智能+X"交叉培养理念
选拔流程：报名—初审—专业测试—认定—确认
报名窗口 2026-07-27 至 08-19
"宁缺毋滥"，重潜力轻履历
本科生进组科研，早触前沿
师资：吴翼、袁洋等青年拔尖学者

B. 核心概念速查

核心概念一句话（8条）

Transformer：以自注意力替代循环、可全序列并行建模长程依赖的骨干网络架构。
注意力机制：按相似度动态加权聚合全局信息，使每个位置聚焦相关上下文。
预训练：在海量无标注数据上自监督习得通用表示与知识的阶段。
微调 / RLHF：用任务数据或人类偏好对齐，使模型适配下游或符合意图。
幻觉：模型生成流畅但偏离事实或上下文的错误内容。
Scaling Law：性能随参数量、数据量、算力呈幂律提升的经验规律。
强化学习（MDP）：智能体通过与环境交互、最大化期望回报来学策略的框架。
对齐（Alignment）：使AI目标与行为同人类真实意图一致的安全研究议程。

C. 面试真题（Q1–Q20）

Q1为什么选择人工智能方向而非计算机科学方向？专业重点

参考回答

我选择AI方向而非纯CS，核心在于问题范式不同。CS更关注计算理论、系统与算法的可证明保证；AI关注如何让机器从数据习得能力、逼近智能本身，更接近"创造会学习的系统"这一根本问题。我对"通用智能如何涌现""模型为何能泛化"等开放问题着迷，也看好AI作为跨学科杠杆去解决科学、生物、经济等真实难题。姚班AI方向提供从理论（统计学习、优化）到前沿（大模型、对齐）的完整路径，且强调本科生科研，能让我更早进入真实问题。相比CS的系统/编译等方向，AI的不确定性更强、想象空间更大，更适合我的探索型性格。

备考提示：突出"问题驱动"而非"热度驱动"，体现对AI本质的思考。

Q2你如何看当前大模型驱动的AI浪潮？

参考回答

我认为当前浪潮是AI从"专用工具"迈向"通用能力载体"的范式转折。以Transformer为骨架、Scale驱动的大模型，展现出少样本、指令遵循与推理跃迁能力，正在重构科研与产业。但需冷静：大模型仍是概率系统的scaling，而非真正理解；可解释性、对齐、能耗与数据墙是真实瓶颈。对新生而言，红利属于既懂底层原理（优化、信息论）又能驾驭工程的人。我倾向于在模型能力与安全性两端同时下注，关注agent、多模态与世界模型等下一浪，而非仅追逐短期应用热点。

备考提示：展现"热中有冷"的独立判断，体现技术纵深而非跟风。

Q3请介绍一项你的竞赛、科研或项目经历，并说说最大收获。

参考回答

我曾用CNN完成图像分类项目：在CIFAR上从零搭建网络，初期疯狂过拟合（train 99%、val 70%）。为诊断，我系统对比了数据增强、Dropout与权重衰减的效果，才真正理解偏差-方差权衡与正则化的作用，而非停留在调参。这次经历让我确立两条信念：一是先想清"为什么会失败"再改模型；二是工程直觉必须建立在理论之上。它也让我对"泛化"这一核心问题产生持久好奇，正是我选择AI方向、并希望在本科生科研中深入可证明泛化的动因。

备考提示：用"问题—方法—反思"结构讲经历，突出科研思维而非堆成果。

Q4如何平衡AI理论研究与产业落地应用？

参考回答

我认为理论是应用的地基，应用是理论的试金石。纯粹追SOTA容易沦为调参工程、缺乏洞察；只学理论则难以判断方法在真实分布偏移下的脆弱性。我的做法是：用理论（如泛化界、优化景观）指导实验设计，用实验反哺对假设的怀疑。例如理解bias-variance权衡能解释为何该用正则化而非盲目加深。姚班强调科研导向，我会在本科生科研中先吃透一篇foundational paper的数学，再动手复现与改进，避免"黑箱工程"，让应用落地建立在对原理的把握之上。

备考提示：用具体例子（如泛化界）说明你不是空谈平衡。

Q5你本科四年有何规划，是否考虑读博或出国？

参考回答

大一打牢数学与编程地基（线代、概率、算法、Python/PyTorch）；大二进入实验室，从复现经典工作起步，争取独立mini-project；大三围绕一个细分方向（如对齐或多模态）深入，产出可发表的探索；大四视情况申请海外顶尖组或直博。我不急于追热点，更愿在基础（优化、理论ML）上做实，因为热点会变、底层不变。是否读博取决于我是否找到愿投入十年的真问题——目前我对"可证明对齐"有强烈兴趣，但保持开放，以研究中的真实体验而非预设路径来决定。

备考提示：规划要具体可检验，体现"基础优先、长期主义"的成熟度。

Q6如何理解智班"人工智能+X"交叉理念，你希望交叉哪个领域？

参考回答

智班提出"人工智能+X"，是把AI作为方法论去重构其他学科（如AI+生命科学、AI+金融、AI+物理），而非把AI孤立成技术。我特别想探索AI+科学发现，例如用生成模型加速蛋白质设计或分子筛选，这需要对领域"X"有真实理解而非套用现成模型。姚班的交叉氛围与算力支持让这种探索可行。我认为未来突破常发生在学科交界，"X"决定了AI落地价值的上限，因此我会在本科阶段补充生物/物理的扎实基础，而不只停留在算法层面。

备考提示：选一个具体"X"并说明为何，证明交叉是深思而非口号。

Q7监督与无监督学习区别？过拟合如何识别与缓解？专业重点

参考回答

监督学习从带标签数据(x,y)学映射，目标是最小化经验风险ΣL(f(x),y)，典型任务如分类、回归（SVM、神经网络）。无监督学习无标签，挖掘数据内在结构，如聚类（K-means）、降维（PCA）、密度估计。半监督/自监督则利用大量无标签数据。过拟合指模型在训练集误差低但测试集差，源于容量过大或数据不足。识别靠train/val曲线gap。正则化限制假设空间：L2（权重衰减）令w偏小更平滑；L1促稀疏；Dropout随机置零防协同适应；早停与数据增强也有效。核心是在偏差-方差间权衡。

备考提示：把"过拟合"讲成偏差-方差权衡，是面试官看重的功底。

Q8梯度下降与反向传播的直觉是什么，为何能训练深层网络？专业重点

参考回答

梯度下降沿损失L(θ)的负梯度更新θ←θ−η∇L，η为学习率，把高维非凸优化转为迭代下降。反向传播是用链式法则高效求梯度的算法：前向算每层的线性组合与激活，反向从输出层把误差δ逐层乘权重转置与激活导数回传，得到各参数梯度，避免对每个参数单独数值微分（O(N)→O(1) per example）。直觉上，它告诉每个权重"该往哪调、调多少"。深层网络靠反向传播把全局误差分配到各层，配合ReLU、残差连接缓解梯度消失，才能被有效训练。

备考提示：能讲清"为何反向传播比数值微分高效"即显功力。

Q9CNN的卷积操作直觉是什么，为何具平移不变性？专业重点

参考回答

CNN用卷积核在图像上滑动做局部加权求和，每个核学到如边缘、纹理等局部特征。关键直觉：1) 局部性——像素意义依赖邻域而非全图；2) 权值共享——同一核扫全图，大幅减参并具平移等变性（物体移位响应同步移）；3) 层次化——浅层学边缘、中层学部件、深层学语义。平移不变性来自池化或全局池化对位置不敏感。相比全连接，CNN以更少参数捕捉空间结构，是视觉任务的骨架，也是后续ResNet、ViT等的基础。

备考提示：区分"等变性"与"不变性"，体现概念精确。

Q10为什么深网络比浅网络表达力更强（深度有效性）？专业重点

参考回答

深层网络表达力更强，源于函数复合的层次化表示。浅层网络要表示某些函数需指数级宽度；而深度用多项式级参数即可组合出复杂函数（如电路、多项式）。直观上，深度把"难函数"拆成多层"简单变换"的级联：每一层提升一层抽象（像素→边缘→部件→物体）。从优化看，深层提供更易优化的损失景观与特征复用。但深度也带来梯度消失/爆炸、优化难度，需残差连接等。所以"深度有效"是在表示能力与可训练性之间取得平衡的结果。

备考提示：用"指数宽 vs 多项式深"的对比最直观有力。

Q11Transformer的自注意力机制原理及相比RNN的优势？专业重点

参考回答

自注意力计算query、key、value三组投影：Attention(Q,K,V)=softmax(QKᵀ/√d_k)V。每个位置用Q与所有K算相似度得权重，再加权求和V，使每个token动态聚合全局上下文。相比RNN需顺序扫描、难并行且长程依赖随距离衰减，Transformer可全序列并行、任意两位置直接交互，路径长度O(1)。多头注意力并行学不同子空间关系。位置编码补足顺序信息。其可扩展性（堆叠层数、数据scale）是后续大模型的基础，也是当今几乎所有生成式AI的骨干。

备考提示：强调"路径长度O(1)"与"可并行"是颠覆RNN的关键。

Q12大模型"预训练+微调"范式，微调有哪些主流方式？专业重点

参考回答

预训练在海量无标注语料上自监督学习通用表示（如语言建模L=−Σlog p(x_t|x_

备考提示：提LoRA/DPO等具体技术，显示紧跟前沿。

Q13RLHF（基于人类反馈的强化学习）的原理与步骤？专业重点

参考回答

RLHF让模型行为符合人类偏好。步骤：1) 监督微调（SFT）得到初始策略π；2) 收集人类对比标注训练奖励模型RM，拟合偏好概率P(y_w≻y_l)=σ(R(y_w)−R(y_l))；3) 用PPO等强化学习最大化RM得分同时约束与SFT的KL散度防跑飞：max E[R(x,y)]−β·KL(π‖π_ref)。核心是用"人类偏好"这一软信号替代难写出的显式奖励。局限是奖励hacking、偏好主观与成本高；后续有DPO直接以偏好数据优化策略、省去显式RM。

备考提示：写出KL约束项，说明你理解"为何要防跑飞"。

Q14大模型的幻觉现象成因与缓解思路？专业重点

参考回答

幻觉指模型生成看似合理但与事实/上下文不符的内容。成因：1) 自回归next-token最大似然训练鼓励流畅而非事实正确；2) 训练数据噪声与知识边界不清；3) 缺乏可验证的检索与因果grounding。缓解：RAG检索增强让生成基于外部事实；事实性微调与引用；采样策略（降低温度、自我一致性）；后校验与工具调用；对齐阶段强化"知之为知之"。根本难在模型无真实世界状态，只是概率建模。评估需FactScore等细粒度指标，而非仅看流畅度。

备考提示：从"训练目标"而非"模型笨"解释幻觉，更专业。

Q15Scaling Law的内涵及其对AI研究的指导意义？专业重点

参考回答

Scaling Law指模型性能随参数量N、数据量D、算力C呈幂律提升：L∝N^−α等，在跨越多个数量级时稳定可预测。它意味着"大力出奇迹"在相当区间内成立，指导资源分配（如Chinchilla定律主张N、D应同比缩放）。但Scaling有边际递减与天花板隐忧（数据墙、收益饱和），且能力是平滑涌现还是连续仍有争议。对研究：它推动基础设施与数据工程；也警示不能只靠堆量，需新范式（如推理时compute、agent）突破。理解其边界比盲目信仰更重要。

备考提示：能提Chinchilla定律，显示读过原始经验规律文献。

Q16强化学习的基本框架（MDP）及AlphaGo如何结合RL与搜索？专业重点

参考回答

RL建模为MDP：状态s、动作a、转移P、奖励r、折扣γ，目标是学策略π最大化期望回报。核心方法：值函数（Q-learning、DQN）、策略梯度（REINFORCE、PPO）、与环境交互探索。AlphaGo结合：1) 监督学习从人类棋谱初训策略网络；2) 自我对弈+策略梯度（RL）强化；3) 价值网络评估局面；4) MCTS在每一步用网络引导搜索、平衡探索利用，选出胜率最高着法。它把"函数逼近+搜索+自博弈"结合，超越人类，是RL与规划协同的典范，也启发了后续AlphaZero的无人类先验版本。

备考提示：讲清"网络引导MCTS"而非"网络直接落子"，是要点。

Q17线性代数与概率论在机器学习中的作用，举例说明？专业重点

参考回答

线性代数是ML的几何语言：数据表示为向量/矩阵，变换即矩阵乘法，PCA靠特征值分解降维，SVD用于截断与推荐，卷积/注意力本质是矩阵运算。理解子空间、秩、条件数能解释多重共线性与病态。概率论提供不确定性框架：最大似然/后验估计、贝叶斯推断处理先验，高斯分布建模噪声，KL散度衡量分布差异（交叉熵损失即负对数似然）。信息论（熵、互信息）指导特征选择与表示。扎实的数理是看懂论文公式、设计稳健模型的前提，也是姚班选拔看重的功底。

备考提示：用"交叉熵=负对数似然"这类等式展示融会贯通。

Q18贝叶斯定理在AI中的典型应用？专业重点

参考回答

贝叶斯定理P(H|D)=P(D|H)P(H)/P(D)把先验与似然结合得后验。AI中应用：1) 朴素贝叶斯分类器假设特征条件独立，用于文本spam过滤，简洁高效；2) 贝叶斯推断做参数不确定性估计，比点估计更鲁棒；3) 贝叶斯优化以代理模型（高斯过程）与采集函数高效调超参，少样本找最优；4) 贝叶斯神经网络给出预测分布、量化置信，利于安全关键场景。相比频率派，贝叶斯自然处理小数据与不确定性，但计算昂贵，变分推断等近似方法常用。

备考提示：举"贝叶斯优化调参"比只讲分类器更显深度。

Q19AI伦理与安全对齐（alignment）为何重要，有哪些技术路线？专业重点

参考回答

AI安全对齐旨在让模型目标与人类真实意图一致。重要性：能力越强，偏离意图的代价越大（如欺骗、滥用、失控）。技术路线：1) 对齐训练（SFT、RLHF、RLAIF、宪法AI）使行为合规范；2) 可解释性（mechanistic interpretability）理解内部计算；3) 红队测试与鲁棒性；4) 可扩展监督与辩论解决超人任务难评问题；5) 宪法/规则约束与工具沙箱。开放难题：奖励gaming、分布外失效、价值多元。对齐不是一次性工程，而是随能力提升持续演进的研究议程，也是中国AI需自主掌握的关键方向。

备考提示：把对齐讲成"持续研究议程"，而非一次性工程。

Q20你如何看待国产大模型格局，及姚班AI方向培养特色？专业重点

参考回答

国产大模型呈"多强并进"：DeepSeek以低成本高性能（MoE、蒸馏、强化推理）破局，证明工程与算法创新可绕开算力劣势；智谱、通义、文心等各有侧重。格局上中国在中应用、强工程，但底层框架与高端算力仍受制。姚班AI方向由姚期智院士统领，师资如吴翼（多智能体/强化学习）、袁洋（AI+数学/交叉）等，强调本科生进组科研、早触前沿。我认为AGI是长期工程与社会命题，短期应聚焦可靠、可控、可对齐的能力；中国需在理论原创与安全上同步发力，而非仅追随。

备考提示：谈格局时落到"理论原创+安全自主"，契合选拔导向。