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(lái)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(qǐng)下載PDF版）
2019年上半年全國(guó)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(guó)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(guó)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(duì)計(jì)算機(jī)來(lái)說(shuō)，圍棋并不是因?yàn)槠湟?guī)則比國(guó)際象棋復(fù)雜而難以征服——與此完全相反，圍棋規(guī)則更簡(jiǎn)單，它其實(shí)只有一種棋子，對(duì)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(pán)中，落下的棋子就不能再移動(dòng)了，只會(huì)在被對(duì)方棋子包圍時(shí)被提走。到了棋局結(jié)束時(shí)，占據(jù)棋盤(pán)面積較多的一方為勝者。
圍棋的規(guī)則如此簡(jiǎn)單，但對(duì)于計(jì)算機(jī)來(lái)說(shuō)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(guó)際象棋作對(duì)比，國(guó)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(huì)在80步之內(nèi)結(jié)束。圍棋棋盤(pán)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(guò)了宇宙中的原子總數(shù)——1080！
對(duì)于結(jié)構(gòu)簡(jiǎn)單的棋類游戲，計(jì)算機(jī)程序開(kāi)發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來(lái)尋找對(duì)弈策略，也就是對(duì)余下可能出現(xiàn)的所有盤(pán)面都進(jìn)行嘗試并給予評(píng)價(jià)，從而找出最優(yōu)的走法。這種對(duì)整棵博弈樹(shù)進(jìn)行窮舉搜索的策略對(duì)計(jì)算能力要求很高，對(duì)圍棋或者象棋程序來(lái)說(shuō)是非常困難的，尤其是圍棋，從技術(shù)上來(lái)講目前不可能做到。
“蒙特卡羅樹(shù)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(duì)搜索空間的隨機(jī)抽樣來(lái)擴(kuò)大搜索樹(shù)，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(huì)。舉例來(lái)說(shuō)，假如筐里有100個(gè)蘋(píng)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(píng)果都至少不比上次的小，拿的次數(shù)越多，挑出的蘋(píng)果就越大。但除非拿100次，否則無(wú)法肯定挑出了最大的。這個(gè)挑蘋(píng)果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹(shù)搜索”在此前一些弈棋程序中也有采用，在相對(duì)較小的棋盤(pán)中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤(pán)上，這種方法仍然存在相當(dāng)大的缺陷，因?yàn)樯婕暗乃阉鳂?shù)還是太大了。
AlphaGo人工智能程序中最新穎的技術(shù)當(dāng)屬它獲取知識(shí)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(shí)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(duì)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(pán)上的盤(pán)面視為19×19的圖片輸入，然后通過(guò)卷積層來(lái)表征盤(pán)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(píng)估盤(pán)面，策略網(wǎng)絡(luò)則用于采樣動(dòng)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(kù)KGS中存儲(chǔ)的3000萬(wàn)份對(duì)弈棋譜進(jìn)行初步學(xué)習(xí)。這3000萬(wàn)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(guò)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(pán)面走到任何一種情形的時(shí)候，AlphaGo都可以通過(guò)調(diào)用函數(shù)F_go（）計(jì)算的結(jié)果來(lái)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(lái)挑選下一步的動(dòng)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(kāi)始結(jié)合蒙特卡羅樹(shù)搜索，不再機(jī)械地調(diào)用函數(shù)庫(kù)，而類似于一種人類進(jìn)化的過(guò)程：AlphaGo會(huì)和自己的老版本對(duì)弈。即，先使用F_go（1）和F_go（1）對(duì)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(duì)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(shí)。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(cè)策略網(wǎng)絡(luò)自我對(duì)抗時(shí)棋盤(pán)盤(pán)面s的結(jié)果。最后，則是將F_ go（）、v（s）以及蒙特卡羅樹(shù)搜索三者相互配合，使用F_ go（）作為初始分開(kāi)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(lái)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(lái)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(píng)估整體盤(pán)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(píng)估器，通過(guò)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(guò)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(zhǎng)是任何一個(gè)圍棋世界冠軍都無(wú)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(shù)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(zhǎng)的超級(jí)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(shuō)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(méi)有站在對(duì)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(méi)到6月中句，M市氣溫就會(huì)躥至35℃以上，僅有兩年的高溫日到7月才出現(xiàn)，1981年以來(lái)，M市6-8月高溫日出現(xiàn)越來(lái)越頻繁，可見(jiàn)，M市首個(gè)高溫日的出現(xiàn)時(shí)間越來(lái)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(guò)于7月，1997年以來(lái)，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(lái)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(shì)，2018年8月的高溫日可能不會(huì)超過(guò)7月。
近30年來(lái)，M市7月的夜溫越來(lái)越高，1999年以來(lái)7月的夜間最低氣溫普遍超過(guò)23℃，所以2018年7月下旬M市夜間的最低氣溫不會(huì)低于23℃。
同樣近30年來(lái)，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(guò)了近30年來(lái)的平均值，那么8月份M市不會(huì)出現(xiàn)3天以上的持續(xù)高溫天氣。
30年來(lái)，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(lái)越大。2018年7月M市各區(qū)平均氣溫偏高，均超過(guò)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(lái)，
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(zhǎng)出了一團(tuán)青色霉菌，并且其周圍原來(lái)生長(zhǎng)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(duì)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(guó)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(guó)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(wèn)題；到了1892年，德國(guó)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(duì)此并沒(méi)有警覺(jué)。直到1895年，這一奇特現(xiàn)象才被德國(guó)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(cè)天象，記錄了750顆星相對(duì)位置的變化，糾正了以往星表中的錯(cuò)誤。但第谷不善于對(duì)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(dòng)規(guī)律。臨終前，他把自已所有的材料交給了學(xué)生開(kāi)普勒，要求他繼續(xù)研究行星運(yùn)動(dòng)的理論。起初，開(kāi)普勒以第谷宇宙體系為基本框架來(lái)探討這個(gè)問(wèn)題，但毫無(wú)所獲，于是轉(zhuǎn)而以哥白尼日心體系為基本框架展開(kāi)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(dòng)的三大定律，被譽(yù)為“天空立法者”。
【問(wèn)題】
問(wèn)題一
科技文獻(xiàn)閱讀題：請(qǐng)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(wèn)題：
1.判斷題：請(qǐng)用2B鉛筆在答題卡相應(yīng)的題號(hào)后填涂作答，正確的涂“A”，錯(cuò)誤的涂“B”。
（1）國(guó)際象棋的走法不超過(guò)35*80種。
?。?）結(jié)構(gòu)簡(jiǎn)單的棋類游戲可以通過(guò)對(duì)博弈樹(shù)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(pán)的蒙特卡羅樹(shù)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(qǐng)根據(jù)文意，分別填補(bǔ)Ⅰ、Ⅱ兩處缺項(xiàng)，沒(méi)空不超過(guò)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(qǐng)用2B鉛筆在答題卡相應(yīng)的題號(hào)后填涂正確選項(xiàng)的序號(hào)，錯(cuò)選、少選均不得分。
?。?）這篇文章開(kāi)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(wú)法使用窮舉搜索
B.圍棋的規(guī)則對(duì)于計(jì)算機(jī)來(lái)說(shuō)太復(fù)雜，無(wú)法理解
C.單一的計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)難以應(yīng)對(duì)圍棋的搜索計(jì)算
D.圍棋盤(pán)面局勢(shì)的評(píng)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(shuō)法正確的是
A.價(jià)值網(wǎng)絡(luò)負(fù)責(zé)評(píng)估盤(pán)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(shù)搜索的不同之處。
要求：概括準(zhǔn)確，層次清晰，文字簡(jiǎn)潔，不超過(guò)250字。
5.請(qǐng)為本文寫(xiě)一篇內(nèi)容摘要
要求：全面、準(zhǔn)確，條理清晰，不超過(guò)350字。
問(wèn)題二
論證評(píng)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(shuō)明理由。請(qǐng)?jiān)诖痤}卡上按序號(hào)分條作答，每一條先將論證錯(cuò)誤寫(xiě)在“A”處（不超過(guò)75字），再將相應(yīng)理由寫(xiě)在“B”處（不超過(guò)50字）。（40分）
問(wèn)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(xiě)一篇議論文。
要求：觀點(diǎn)鮮明、論證充分，條理清晰，語(yǔ)言流暢，字?jǐn)?shù)在800~1000字。
