第20章 · 前沿 AI · 阶段测试题答案

---

一 · 单选 (8 题)

1.1 B - Shor 算法指数加速分解大数。

1.2 A - Grover √N 加速搜索。

1.3 C - Loihi 是 Intel 神经形态芯片。

1.4 A - SNN 用脉冲传递信息。

1.5 B - Starcloud-1 首颗 GPU 卫星。

1.6 C - FedAvg 是 Google 联邦学习算法。

1.7 A - Neuralink 1024 通道电极。

1.8 B - BrainGate 是老牌学术 BCI。

---

二 · 多选 (4 题)

2.1 ACD - B 错: Grover √N 不是指数。

2.2 ABD - 都是神经形态芯片。

2.3 ABC - 都是去中心化方向。

2.4 ABD - 都是 BCI 流派。

---

三 · 简答 (5 题)

3.1 NISQ 时代

Noisy Intermediate-Scale Quantum: - 100-1000 qubits - 错误率高 (~1e-3) - 退相干短 (100 μs) - 实用有限, 但化学/优化可演示

3.2 神经形态优势

维度	传统	神经形态
功耗	100-700W	0.1-10W
延迟	ms	μs
稀疏	不友好	天然
学习	离线	在线 STDP

3.3 太空 DC 优势

• 24/7 太阳能: 1.36 kW/m², 无昼夜
• 真空散热: -270°C 背景
• 无限土地: 轨道空间

挑战: 抗辐射 + 维修 + 成本 + 通信

3.4 联邦学习 3 大挑战

1. 通信: 大模型频繁同步贵
2. 异构: 设备能力差异
3. 隐私: 梯度泄露信息

解决方案: 压缩 / 差分隐私 / 加密聚合

3.5 BCI 5 大应用

1. 瘫痪患者运动 (Neuralink 2024 实现)
2. ALS 交流
3. 视觉假体 (实验)
4. 听觉增强 (实验)
5. 健康人增强 (10-20 年)

---

四 · 编程 (2 题)

4.1 Qiskit 量子电路

from qiskit import QuantumCircuit

qc = QuantumCircuit(2, 2)
qc.h(0)        # Hadamard
qc.cx(0, 1)    # CNOT → Bell state
qc.measure([0, 1], [0, 1])
print(qc.draw())

4.2 LIF 神经元

class LIFNeuron:
    def __init__(self, tau=20.0, v_th=1.0):
        self.tau = tau
        self.v_th = v_th
        self.v = 0

    def step(self, I):
        self.v += (I - self.v) / self.tau
        if self.v >= self.v_th:
            spike = 1
            self.v = 0
        else:
            spike = 0
        return spike