最近整理资料的时候翻到一张老卷子——网易2018校园招聘人工智能工程师笔试题。说实话这张卷子在今天看来依然很有嚼头。虽然年份看起来有些久远但里面考查的知识框架、思维方式和工程素养跟现在各家大厂AI算法岗的笔试面试相比核心逻辑并没有发生根本性变化。深度学习框架换了好几代大模型技术路线也迭代了好几轮但机器学习的数学基础、模型原理、算法推导、代码落地这些底层能力依然是筛人的硬杠杆。这篇文章就借这张卷子把AI工程师笔试背后到底在考什么、为什么这么考、怎么准备拆开揉碎讲清楚。如果你是准备校招或者社招转岗的算法工程师或者正在带团队、要设计AI岗位笔试题的招聘负责人这篇内容都能给你一些可参考的思路。前者可以拿来做备考地图后者可以重新审视自己出的题是不是真正筛出了想要的人。1. 试卷整体设计一张卷子背后的能力模型1.1 这张卷子的题型结构与分值逻辑网易这张2018年的校招笔试卷整体结构跟当时市面上主流互联网公司的AI岗位笔试题比较接近题型大致分为几块单选题、多选题、简答题、编程题有的还会有推导题。分值分布上基础概念题大概占三成左右数学与算法推导占三成编程实现与案例分析占四成。这个分值配比不是随便定的它背后藏着一个能力模型基础概念题用来筛掉概念不清、理解停留在表面的候选人数学推导题用来筛掉只会调包、不懂底层原理的候选人编程题用来筛掉动手能力弱、代码写不顺的候选人。三道关卡层层递进正好对应人工智能工程师日常工作的三个核心场景理解模型、优化模型、落地产出。我后来自己也参与过几次算法岗的招聘出题发现一个有意思的现象很多候选人挂在第一关也就是基础概念题。不是说他们不会而是概念之间的边界模糊比如问“L1和L2正则化的区别”很多人能背出来一个让权重稀疏、一个让权重平滑但问到“为什么L1能产生稀疏解从优化角度怎么理解”就露馅了。笔试考的不是记忆是理解深度。1.2 2018年校招的行业背景与考查风向2018年这个时间点比较特殊。深度学习在国内工业界的落地已经走过了最初的探索期各家大厂都在大规模招AI人才但市场上真正具备扎实基础的人才远远不够。当年很多高校还没系统开设深度学习课程大部分候选人靠自学和论文入门知识体系参差不齐。所以那几年大厂的笔试题目有一个显著特点极度强调数学基本功和经典机器学习理论深度学习反而考查得相对基础。原因很简单在人才培养体系不成熟的背景下公司需要确认的不是你追过多少热点而是你有没有能力在后续工作中快速学习和成长。数学基础就是那个最可靠的预测指标。对比现在的笔试题深度学习和大模型相关内容占比明显上升但数学基础依然是大厂筛人的硬门槛。我在面试候选人的时候一直有个观点真正决定一个算法工程师能走多远的往往不是他熟悉多少种模型结构而是他能不能在遇到新问题的时候用数学语言把问题描述清楚再转化为可优化的目标函数。2. 数学基础AI笔试绕不开的三座大山2.1 线性代数从特征值到矩阵分解的工业应用线性代数在AI笔试里几乎是必考项网易这张卷子也不例外。考查形式通常不是让你死记硬背定义而是给一个具体的场景比如PCA降维、SVD分解、矩阵求导等让你用线性代数的工具去解决问题。特征值分解和奇异值分解是高频考点。比如有一类经典题目给你一个协方差矩阵要你求主成分方向本质上就是求这个矩阵的特征向量。再比如推荐系统里的矩阵分解隐语义模型的核心就是对用户物品评分矩阵做近似分解这也是SVD的思想。矩阵求导是另一个让人头疼的点。我记得当年考过一道题要求对损失函数关于权重矩阵求梯度很多人在这个环节直接卡住。后来我总结了一个经验矩阵求导别硬记公式用逐元素求导再整理成矩阵形式是最稳妥的方法虽然繁琐但不容易出错。具体操作是先写出目标函数对矩阵每个元素的偏导表达式然后根据结果的结构反推矩阵形式。2.2 概率论与统计模型不确定性的表达工具概率论在AI笔试中的地位怎么强调都不为过。极大似然估计、贝叶斯公式、常见分布的性质这些几乎是必考内容。网易的卷子里有一类典型题目给一个概率模型要求推导参数估计的闭式解。以逻辑回归为例它本质上是使用极大似然估计来求解参数。给定训练数据我们希望找到一组参数使得当前数据出现的概率最大。把每个样本的概率连乘起来取对数得到对数似然函数然后对参数求梯度用梯度上升或梯度下降来求解。整个推导过程环环相扣每一步都需要对概率论和微积分有扎实掌握。我在实际工作中发现贝叶斯思维尤其重要。比如做线上A/B实验的时候你不可能只看点估计值还要看置信区间。这背后就是统计推断的思维框架。笔试考贝叶斯公式不是让你做题而是在考察你有没有这种概率化思考的习惯。2.3 微积分与优化梯度下降背后的直觉优化是机器学习的灵魂而梯度下降是最基础的优化方法。笔试里关于优化的考查通常有两个方向一是梯度下降的变种比如带动量的SGD、Adam等需要理解每个超参数的作用二是不同优化方法的对比分析。一个高频考点是学习率的作用和设置。学习率太大参数更新步长过大loss可能会震荡甚至发散学习率太小收敛速度变慢训练时间拉长。所以实际工程中常用学习率衰减策略或者用Adam这种自适应学习率的优化器它在参数更新时会根据梯度的一阶矩和二阶矩估计自动调整每个参数的学习率。我想特别强调复习方法。很多人准备笔试数学部分的时候喜欢把课本从头到尾翻一遍效率其实很低。正确的打开方式是先找近几年各家大厂的真题把数学相关的题目全部整理出来统计出高频考点再针对性地复习对应知识点。我当初备考时整理过一份高频考点清单排在前面的是一阶/二阶梯度优化、极大似然估计推导、常见分布期望与方差、特征分解与奇异值分解、贝叶斯公式。把这张清单上的内容吃透数学部分基本就稳了。3. 机器学习核心考点从LR到SVM到树模型3.1 逻辑回归一个被低估的必考模型逻辑回归是AI笔试中出现频率最高的模型没有之一。网易的卷子里关于LR的题目可以占到机器学习模块的三成以上。原因很简单LR虽然结构简单但它是理解神经网络的基础——神经网络最后一层加softmax做多分类本质上就是在做多分类的逻辑回归。LR的考点主要集中在几个方面模型形式与概率解释、损失函数推导、梯度计算、正则化方式、与线性回归和SVM的对比。一个小建议是LR的推导一定要动手写一遍从线性函数开始到sigmoid变换再到交叉熵损失函数的构造最后到梯度公式的推导。这个闭环走通了你不只是学会了LR而是理解了监督学习的通用框架。面试和笔试里有一个关于LR的高频变体题为什么要用交叉熵而不是均方误差作为LR的损失函数答案是交叉熵对应极大似然估计且它的梯度形式更优美不会出现因为sigmoid导数饱和导致的梯度消失问题。如果用均方误差损失函数关于参数是非凸的优化容易陷入局部最优而且收敛速度明显更慢。3.2 SVM从间隔最大化到核函数SVM在2018年的笔试中还占据相当重要的位置虽然现在实际工业项目中用得不如树模型和深度学习频繁但它整个理论体系非常完善是考查候选人数学功底和推导能力的最佳载体。SVM的核心思想是寻找一个超平面使得两类样本的间隔最大化。这个目标可以转化为一个凸二次规划问题。通过拉格朗日对偶性可以把原问题转化为对偶问题从而引入核函数解决线性不可分的问题。笔试中关于SVM的常见题目包括间隔的表达式推导、对偶问题的转换过程、KKT条件的含义、核函数的选择与对比、SVR与SVM的区别。我记得网易有一道题是给了一个二维平面上的数据点分布要求判断用线性SVM能不能完全分隔如果不能应该选什么核函数。这类题目表面考SVM其实考的是对模型容量和数据分布的理解。复习SVM的时候不需要把每个数学细节都推一遍但一定要理解SVM的核心逻辑链条间隔最大化到凸优化再到对偶问题然后到核技巧。这条链条上的每一步都理解透了考试怎么出都不怕。3.3 树模型与集成学习工业落地最常用的武器2018年的笔试里树模型已经占据不少比例了这跟工业界的应用趋势是吻合的。GBDT、XGBoost在当时的推荐系统、风控模型里几乎是标配所以笔试考树模型非常务实。树模型的高频考点包括ID3、C4.5、CART三种决策树的划分依据对比信息增益和信息增益比的计算基尼系数的定义和计算预剪枝和后剪枝的区别以及随机森林和GBDT的异同。这里面最容易被忽视的是信息增益的计算题很多候选人理论能讲清楚但真让手算一个数据集的信息增益就手足无措。集成学习方面Bagging和Boosting的对比是必考内容。一个认知误区值得澄清随机森林的“随机”不只是样本随机抽样还包括特征随机抽样这双重随机性使得每棵树的差异性更大从而降低整体模型的方差。而GBDT是通过加法模型不断拟合负梯度降低的是偏差。理解了这一点面对“随机森林和GBDT谁更容易过拟合”这类问题时就不会答错方向。3.4 模型评估与调优被忽视的工程素养有相当一部分候选人把精力全部压在模型原理上忽略了模型评估这部分这是一个很大的失误。实际上模型评估在笔试和实际工作中的比重都非常高因为模型最终要上线接受业务效果的检验不会评估模型就无法判断什么时候该上线、什么时候该回滚。评估指标的高频考点包括准确率、精准率、召回率、F1、ROC与AUC、PR曲线、对数损失等。其中最容易混淆的是精准率和召回率。用一句话记住精准率是“预测为正的样本中有多少是真正”召回率是“真正的样本中有多少被预测出来了”。在样本不均衡的场景下准确率是极具误导性的指标这时候AUC和PR曲线更有参考价值。交叉验证也是高频考点特别是K折交叉验证。一个常见的错误理解是交叉验证只是为了调参其实它更重要的作用是评估模型的泛化能力减少因数据划分方式不同带来的评估偏差。我在工程中通常会先做一次基础的分层K折交叉验证用相对稳定的AUC或LogLoss来判断当前特征和模型组合的基线水平再决定后续优化方向。笔试还有一个常见的评估类题目给定一个混淆矩阵计算各个指标。这种题就是送分题但前提是你对混淆矩阵的四个基本概念一目了然。我建议备考的时候自己画一遍混淆矩阵把TP、FP、FN、TN的位置和含义彻底吃透比背十遍公式都管用。4. 深度学习与编程实操从理论推导到代码落地4.1 反向传播算法深度学习的“第一性原理”深度学习模块的笔试反向传播是绝对的核心考点。网易的卷子里出了一道很经典的题给一个两层的全连接神经网络指定激活函数和损失函数要求计算每一层参数的梯度。这类题目没有捷径只能老老实实走一遍链式法则。我建议用矩阵形式来推导虽然初始上手会有些困难但一旦熟练掌握处理深层网络会非常高效。主要步骤是前向传播计算出每一层的输出和损失函数值然后从输出层开始计算损失对当前层输入的偏导再通过链式法则逐步向前传播。这里有一个容易出错的细节任何现代深度学习框架实现的自动微分本质上就是反向传播算法加了动态规划通过缓存中间结果避免重复计算。考察反向传播时还有一个衍生考点梯度消失和梯度爆炸。如果网络的层数很深梯度在反向传播过程中经过多次矩阵乘法如果权重矩阵的特征值小于1梯度会指数级衰减导致靠近输入层的参数几乎无法更新。这也是为什么后来出现了ReLU激活函数、残差连接、BatchNorm等一系列手段来解决训练深层网络的问题。4.2 经典网络结构与设计思想笔试里关于CNN和RNN的题目主要集中在结构理解和参数计算上。比如给一个输入尺寸和卷积核大小要求计算输出特征图的尺寸。这个公式是输出尺寸等于输入尺寸加两倍padding再减卷积核尺寸除以步长后加一。这里特别提醒有些题目给的是PyTorch的默认设置padding参数默认为0不要自己脑补。关于CNN还有几个高频考点感受野的计算、1x1卷积的作用、池化层的意义。其中1x1卷积是个很有意思的设计它不做空间维度上的特征融合专门做通道维度的信息交互同时可以用来升降维度。理解了这个设计再看SENet、ResNet这些经典结构时会通透很多。RNN和LSTM的考察往往集中在它们处理序列数据的能力和长期依赖问题上。RNN的梯度问题比普通深度网络更严重因为同一权重矩阵沿时间维度反复相乘更容易产生梯度消失或梯度爆炸。LSTM通过引入门控机制用输入门、遗忘门、输出门来控制信息的保留和丢弃在一定程度上缓解了这个问题。但要注意LSTM并不能彻底解决长期依赖问题所以后来才有了Transformer架构依靠自注意力机制直接建模序列中任意两个位置的依赖关系。4.3 训练技巧与超参数调优实战经验大于理论笔试深度学习的最后一类出题方向是训练技巧这些内容工作过的候选人通常答得更好因为没有实际训过模型的人很难理解这些经验背后的痛感。数据增强、正则化、Dropout、BatchNorm、早停法每个技巧都有它的适用场景和局限性。比如Dropout只在训练时启用推理时要关闭如果忘记设置模型预测结果会异常。再比如BatchNorm在训练时用当前的batch统计量在推理时用训练阶段累计的全局统计量这也是一个容易踩坑的细节。框架层面已经封装好了这些切换逻辑但如果你自己实现模型或者在做底层优化时不清楚原理问题排查起来会很痛苦。超参数调优方面学习率、batch size、优化器选择、权重初始化方法都是高频考点。我觉得最有价值的建议是优先把学习率和batch size的联动关系搞清楚。在保持其他条件不变的情况下增大batch size通常会降低梯度噪声可以适当增大学习率但如果学习率过大收敛初期就会出现震荡。实际操作中我用过一个通用策略先用小规模数据试跑几十个batch观察loss曲线是否正常下降确认梯度方向没有问题再上全量数据。4.4 编程题算法功底是动手能力的基本盘网易的校招笔试还有一道编程大题时长为30到40分钟题目难度大概在LeetCode中等偏上。2018年那会儿考的是一道基于数组和哈希表的题目要求在限定复杂度内求解。有些准备AI岗位的候选人会有一个误解我是做AI的为什么要刷算法题我的经验是编程题本质上是考查你的代码工程能力、逻辑严谨性和边界情况处理的能力。一个连快排都写不利索的人很难让人相信他能把训练数据预处理脚本写得健壮可靠。给一道参考级的编程题解法用Python实现归并排序def merge_sort(arr): if len(arr) 1: return arr mid len(arr) // 2 left merge_sort(arr[:mid]) right merge_sort(arr[mid:]) return merge(left, right) def merge(left, right): result [] i j 0 while i len(left) and j len(right): if left[i] right[j]: result.append(left[i]) i 1 else: result.append(right[j]) j 1 result.extend(left[i:]) result.extend(right[j:]) return result归并排序的时间复杂度是O(n log n)空间复杂度是O(n)属于典型的稳定排序。笔试编程题的训练建议是每天保持一到两道题的节奏重点刷数组、字符串、链表、二叉树、动态规划、哈希表这几类题目掌握常见的数据结构和算法模板。另外一定要手写代码不要只在IDE里敲因为笔试环境往往没有自动补全平时习惯了IDE提示的人在笔试环境里会非常被动。5. 备考策略与避坑指南那些年我们踩过的坑5.1 以真题为中心的知识图谱搭建法时间有限的情况下最有效的备考策略是围绕真题建立知识图谱而不是从头到尾啃教材。具体操作分为四步。第一步收集近三到五年主流互联网公司的算法岗位笔试题按知识点分类归档。第二步统计每个知识点出现的频率和分值占比形成一个初步的优先级排序。第三步按照优先级从高到低逐个知识点梳理核心概念和公式并配合对应的真题进行练习。第四步定期回顾做错或卡壳的题目总结错误类型避免同一类问题反复出错。我在准备网易这场笔试时就是这么操作的。当时把LR和SVM的所有推导流程手写了两轮把决策树的指标计算题做了十几道把反向传播的练习做了三遍以上。最后进笔试现场的时候基本能做到看到题目就知道它在考什么解题速度和准确性都有了明显提升。5.2 常见备考误区和笔试现场的实战建议结合我自己参加的校招笔试和后来出题、阅卷的经历整理了几个常见误区和一些实战建议。第一个误区是只刷题不看理论推导。编程题刷得飞起数学推导一个不会笔试总分依然很难看。比较好的节奏是理论和刷题并重用理论指导刷题方向用刷题验证理论理解。第二个误区是忽视手写推导的练习。笔试环境里没有LaTeX数学公式要手写看起来很简单的几步推导在纸上写出来的速度和准确率完全取决于平时练习的熟练度。第三个误区是不控制答题时间。很多候选人单题钻研太久导致后面会做的题没时间做笔试和面试一样也需要策略先做有把握的再做需要思考的。笔试现场的小技巧也值得注意。拿到试卷先把所有题目扫一遍评估每道题的难度和预计耗时形成全局的答题节奏。遇到推导题时先写出关键公式和步骤再补充文字说明阅卷人会优先看你是否掌握了核心推导路径。编程题着重完善主流程和边界条件在时间允许的情况下补上必要的注释让代码看起来更专业。5.3 从校招笔试看长期成长路径最后说一说笔试之外的事。网易2018年这场笔试已经过去好几年了但它的考查逻辑至今没有过时因为它筛的不是你有没有用过某个最新的框架而是你有没有能力做好一个AI工程师的基本功。我在实际带人的过程中发现那些笔试表现出色的候选人入职后的成长速度通常也更快。原因不难理解数学基础扎实的人看论文时理解公式更快编程功底好的人实现baseline更高效对模型原理理解透彻的人排查训练异常时更有方向感。笔试只是起点但一个好的起点会带来长期的复利效应。如果你正在准备算法岗的笔试建议把目光从“背题”转向“建立知识体系”把每一次推导、每一道编程题都当成一次能力建设的机会。基本功到位了笔试只是一个水到渠成的检验过程而已。