顺丰科技AI/ML笔试客观题全解析：考点拆解与备考策略

顺丰科技2019年秋季校招的笔试客观题合集，是不少准备AI/ML岗位的同学会翻出来做一遍的材料。作为国内物流领域技术投入相当靠前的公司，顺丰科技的笔试题特点比较鲜明：覆盖面广，数学、算法、深度学习、业务场景都有涉及；难度梯度合理，基础题占大头但有几道区分度很高的题；同时部分题目结合了物流业务背景，比如时效预测、路径优化、OCR识别、智能客服这类场景，这是很多互联网公司笔试题里不太容易见到的。

这篇文章不会去逐条报答案，而是想基于这套客观题合集做一次系统性拆解——考了哪些模块、每类题在考察什么能力、复习该抓什么重点、现场答题有什么策略。无论你是准备投顺丰科技还是其他公司AI/ML岗位，这套题的参考价值都不小。

1. 笔试基本面：从岗位画像看这套题在考什么

1.1 顺丰科技AI工程师在做什么，决定了笔试方向

在拆题之前，得先搞清楚顺丰科技的AI/ML工程师日常到底在解决什么问题。很多同学把笔试当纯刷题，其实不全面——技术岗笔试题的命题风格，和这家公司的业务场景有很强关联。

顺丰科技的核心业务是物流，围绕物流会产生几类非常典型的AI需求：

• 路径规划与调度优化：快递怎么分拨、车辆怎么走、网点之间怎么协同，本质上是组合优化问题，会涉及运筹学和强化学习。
• 时效预测与资源预估：某个快件从A到B多久能到，高峰期需要多少运力、多少人力，属于典型的回归预测和时序预测问题。
• 图像与OCR识别：面单上的地址、手写体、模糊字体识别，需要用到CV领域的目标检测、文字识别技术。
• 自然语言处理：地址解析、客服机器人、语音质检，涉及NLP中的序列标注、文本分类、语义理解。
• 供应链与仓储优化：库存预测、仓内机器人调度，既是机器学习问题也是系统工程问题。

所以笔试客观题里出现这些知识点的概率非常高，不是偶然，而是岗位的真实需求映射。你在复习时如果只盯《西瓜书》的算法推导，不看业务背景，有些场景题就会答偏。

1.2 客观题的知识地图与分值倾向

这套合集我大概过了一遍，单选题占多数，多选题和判断题也有一部分，整体可以分成四块：

从分值分布能看出来，经典机器学习算法占比最高，数学基础次之，深度学习紧跟其后。这和很多互联网公司的AI岗笔试结构类似，但顺丰的题更偏“应用判断”——不太会在推导上卡死你，更多是给你一个业务场景或模型描述，让你判断对错、选择合适的方法。

提示：如果你只看深度学习不看经典机器学习，这套题会很吃亏。我见过不少只刷CNN/Transformer的同学，遇到决策树特征选择、SVM核函数题直接懵。基础知识扎实比追新模型重要得多。

2. 核心知识点模块拆解与典型题解析

2.1 数学与统计基础：最容易被突击复习拿到分

数学题在这套客观题里属于“送分但有陷阱”的类型。考点集中在概率统计、线性代数、最优化方法三个方向，难度大约是国内工科数学考研的基础题水平，但考察方式和考研不太一样，更偏实际应用。

举个例子，贝叶斯公式相关题目几乎是必考的，而且不止一次出现。典型问法是一个分类器的准确率已知，先验概率已知，让求后验概率。这种题目的陷阱在于：题目给出的“准确率”究竟是查准率还是查全率，还是整体准确率？如果题目说的是“分类器在A类样本上的准确率为95%”，那这个95%是条件概率 (P(预测正确|真实为A))，和后验概率 (P(真实为A|预测为A)) 不是一回事，需要通过贝叶斯公式计算。

另一类高频题是期望与方差的计算。比如给一个随机变量取值和对应概率，要求计算期望或方差。这类题本身不难，但考场上容易马虎，尤其是遇到常数项的平方、独立随机变量方差相加这些细节时。

线性代数部分考得比较规整，通常考矩阵特征值分解、矩阵转置与逆的运算、特征值与正定性的关系。这里有个复习技巧：不要把精力花在手动做大规模矩阵计算上，笔试一般不会出3阶以上的手算题，更多是考性质判断，比如“半正定矩阵的特征值非负”这种判断对错。

最优化方法主要考梯度下降的基础概念，比如学习率过大会怎么样、梯度方向是哪个方向、拉格朗日乘子法用来解决什么问题。这一块如果你做过实际模型训练，理解的深度会明显不一样。有个典型的考察方式：给一个损失函数，问在当前参数下梯度方向是什么，让从几个选项中选。这种题考的其实是反向传播里链式法则的基本功，但会被包装成“给公式、给参数、算梯度”的形式。

2.2 经典机器学习算法：高频考点与常见变形

说实话，这套题里最有含金量的是经典机器学习算法部分，考得很细、很灵活，不是背概念就能对付的。

逻辑回归是高频题中的高频。考察点有：逻辑回归的损失函数为什么用交叉熵而不用均方误差（因为非凸、梯度更新太慢）、逻辑回归是线性模型还是非线性模型（决策边界线性但特征变换后可以表达非线性）、如何处理多分类（Softmax回归或OvR，而不是直接用多个二分类逻辑回归硬切）。有些题目会包装成“在物流场景中预测快件是否延误”，本质上还是二分类问题，考察如何设置正负样本、如何选择评价指标。

决策树与集成学习也占了不少题。信息增益、Gini系数、基尼不纯度这些特征选择指标是必考内容。这类题容易混淆的是：ID3用信息增益、C4.5用信息增益率、CART用Gini系数，三个算法的选择标准不同。集成学习方面，重点考察Bagging和Boosting的区别，以及随机森林和GBDT在“降低偏差还是方差”上的差异。这里要牢牢记住一个核心：

• Bagging / 随机森林：并行训练多个独立模型，重点降低方差；
• Boosting / GBDT / XGBoost：串行训练，每棵树拟合前面模型的残差，重点降低偏差。

SVM的考察多核函数和对偶问题。常见题包括：线性不可分时选什么核函数、RBF核函数有两个参数（C和gamma）分别控制什么、SVM对偶问题为什么引入拉格朗日乘子。这部分对没学过SVM推导的同学有点痛苦，但客观题涉及的深度其实不高，基本是概念判断，把“最大间隔”“支持向量是少数决定边界的样本”“核函数隐式做高维映射”这几个点记住就行。

聚类与无监督学习也有涉及。K-Means的时间复杂度、K值选择方法（手肘法）、DBSCAN处理任意形状簇的能力，都是常规考点。EM算法偶尔会跑出来，一般是给一个高斯混合模型的问题问应该用什么算法，能认出是GMM + EM就能拿分。

这里插一句，这套题里出现了一个比较经典的“模型偏差方差判断题”：给定训练集误差低但测试集误差高，问是欠拟合还是过拟合，该加正则化还是加数据。这种题在面试里可能只是热身，但笔试里往往藏了一两个选项的细节，比如“增大正则化系数”和“增加训练数据”哪个更有效，取决于你判断偏差方差的主导因素。

2.3 深度学习与神经网络：从原理到训练细节

深度学习部分的题目能明显感觉到出题人是有过实际训练经验的，不是单纯考概念，而是会考训练中常见的现象和调参思路。

反向传播与梯度计算是基础。真题有可能给一个两层的全连接网络，输入是2维向量，隐藏层是2个神经元，输出层是1个神经元，激活函数是sigmoid，让计算某一步的梯度。这种题其实不用真的算那么多步，掌握链式法则的分解顺序就行。如果复习时间有限，至少保证能写出一层反向传播的梯度表达式。

激活函数对比很值得专门整理一页笔记。这套题覆盖了：sigmoid在深层网络中的梯度消失问题、ReLU的优点（解决梯度消失、计算快）、ReLU的死亡问题（负半轴梯度恒为0导致神经元不更新）、Leaky ReLU的出现动机。不少同学只知道“ReLU比sigmoid好”，但不知道好在哪，遇到“ReLU的缺点”这种多选题就抓瞎。

梯度消失与梯度爆炸是可以单独出两三道题的。题目通常会给一个网络结构，问为什么深层网络训练不动的可能原因，选项里会混入“学习率设置过大”“初始化不当”“激活函数选择不当”“缺少BatchNorm”。实际上这些选项都有一定道理，这时就要从“最直接原因”去判断，一般优先选主因而不是多个次要因素。

BatchNorm和Dropout是训练细节题的高频点。Dropout的作用要理解到“训练时随机丢弃神经元，测试时全量使用”，而且注意Dropout主要用于全连接层，卷积层的正则化更多靠weight decay和BatchNorm。BatchNorm的考察点在训练和推理时的差异：训练时用当前batch的均值和方差，推理时使用全局滑动平均统计量。这个细节笔试里出现过，很多人不在意，但理解了训练/推理行为差异后，这类题就不容易丢分。

CNN和RNN各考一两题。CNN通常考卷积层的参数计算公式、感受野概念、池化层的作用（降维、防过拟合、平移不变性）。RNN/LSTM常考长期依赖与门控机制，题目大概率是“解决RNN长期依赖问题的方案是什么”，选LSTM/GRU或门控机制相关选项。Transformer和Attention在这套题里也有涉及，但比例不高，主要集中在self-attention的Q/K/V是什么、和传统attention的本质区别是什么。

2.4 业务场景题与前沿扩展：结合物流背景的灵活问题

这类题是这套笔试最出彩的地方，也是很多人复习时最容易忽略的部分。它不会考死概念，而是把机器学习知识和物流业务绑在一起。

比如时效预测场景，题干会描述一个快件从揽收到签收的流程，给出各个节点的数据，让选择预测延误概率的方法。如果你只从模型角度想，第一反应是“用GBDT”“用LSTM”，但题目要考察的往往不止模型选择，还包括特征设计——比如是否该加入天气数据、历史网点负载、节假日因子，以及样本不均衡如何处理（延误快件通常远少于正常快件）。这种题没有标准答案，选的是最合理的方案。

地址解析是顺丰业务里非常典型的NLP问题。快递面单上的地址文本往往“脏”，有省略、错别字、口语化表达，比如“市中区”和“市中心”指的是同一个地方。这类题目会考察：如何处理地址实体识别（用CRF还是BiLSTM+CRF）、如何做地址标准化（基于规则还是基于生成模型）、如何评估解析效果。你在复习NLP时如果只关注情感分析、文本分类，遇到这种偏“信息抽取”的业务题会吃亏。

图像类的场景题一般面向分拣中心的面单拍照识别或包裹破损检测，考察目标检测的IoU计算、OCR的文本检测与识别流程、数据标注质量对模型效果的影响。这类题目对纯算法出身的同学不太友好，但好在一套卷子里占比不高，了解基本流程和评价指标就可以应对。

样本不均衡和模型评估是业务题里藏得最深的考点。物流业务中绝大多数问题天然不均衡：正常件远大于异常件，准时件远大于延误件。如果不做任何处理，模型只需要全预测“正常”就能拿到很高的准确率。对应考察点包括：采样策略（过采样、欠采样、SMOTE）、损失函数加权、评价指标从accuracy换成AUC/F1/Recall。这是做题的常见套路方向，也是实际工作中经常要面对的问题。

注意：做这类综合题时，正确思路是“先明确业务目标和约束，再选技术方案”。比如在时效预测题中，如果业务侧说要降低漏报率（把延误的件尽量找出来），那就要把优化目标定位在Recalling而不是整体Accuracy上，对应的模型和阈值调整策略也不同。这种逻辑如果能在答题时体现出来，客观题的命中率会高很多。

3. 客观题的答题策略与实战技巧

3.1 单选题的排除法与极限检验法

技术岗笔试的单选题，很多时候不是你真的不会，而是被干扰选项带偏了。这里建议固定用一套自己的解法：先看选项、快速排除明显错误的，再回到题干核对。

比如题目问“下列哪种方法不能解决过拟合”，选项里有增加L2正则化、增加训练数据、增加模型层数、Dropout。如果你能记住“增加模型层数”会提高模型容量、更容易过拟合，就能直接排除掉。这样做题速度快，不容易被选项带跑。

遇上看不准的计算类题目，可以用极限检验法。比如给定一个损失函数，问在什么条件下梯度最大，你可以把输入代入极端值（0和1），分别计算一下梯度方向，就能比较出大小。这种方法对付激活函数题、逻辑回归损失题特别有效，完全不用精确算，只比大小。

3.2 多选题的“少选不如不选”策略

这套笔试题里的多选题普遍是每题2分起步，选错一个选项扣分更狠。很多人为了求稳，直接放弃多选题，我觉得没必要，但需要掌握一些保守策略。

多选题的命制逻辑通常是：正确选项一般是2到3个，不太会出现4个全对的情况（除非是那种“下列说法正确的是”的宏观题）。如果你能百分百确定一个是对的，另外的选项即使不确定，也建议先不选。宁可拿50%的分数，也别冒风险扣完。

有一种方法是关注绝对化表述。选项里如果出现“一定会”“完全不会”“任何场景下都”这类绝对化的字眼，基本可以判定是错的。技术领域罕见绝对完美的结论，这是多选题常设的干扰点。

3.3 时间分配与做题顺序建议

根据这套题的题量和难度，建议整体时间分配如下：

做题顺序上，建议先把数学和经典机器学习题做完，因为这类题拿分确定性最高，能给后面深度学习和场景题留足心态。如果你一上来就做场景综合题，很容易被大段题干消耗时间，导致前面会做的题来不及写。

3.4 判断题与填空题的踩坑点

判断题在套题里数量不多，但错一个就是全扣，没有半分余地。最容易错的地方不是知识本身，而是对“反直觉陈述”的判断。比如题目说“增加训练数据一定可以降低过拟合”，这句话在常规理解下是对的，但严格来说，如果增加的数据分布和原数据完全不同，反而可能引入噪声、降低模型效果。判断时要把每个绝对化表述都当成坑来看。

填空题在人工智能笔试里一般不多见，但这套题偶尔会有填公式、填参数的主观客观混合题。遇到这种题，草稿纸一定要写清楚步骤，别跳步，很多答案是中间过程直接推导出来的，跳步容易错。

4. 备考路线与常见问题排查

4.1 三轮复习法：适合一个月内冲刺

我不推荐直接啃教材，除非备考时间超过半年。针对一个月内的备考节奏，建议按三轮走：

第一轮（约10天）：主攻知识地图，把自己掌握薄弱的模块标记出来。先看经典机器学习算法和数学基础，把决策树、逻辑回归、SVM、贝叶斯、期望方差这些高频考点过一遍；深度学习部分先掌握反向传播和常见训练技巧。这个阶段不用刷题，目标是“看到题目时知道考了啥”。

第二轮（约10天）：主攻题型训练。用选择题和判断题模拟题练习，重点训练多选题的选项判断和计算类选择题的快速解法。这个阶段建议把错题单独整理成文档，记录“错在哪、为什么错、正确思路是什么”，哪怕只记一句话也比重新翻书高效。

第三轮（约10天）：主攻实战模拟。按考试时间做完整套题，训练时间分配和应试心态。做完之后把整套题对应的知识点回填到知识地图里，看哪些模块还在丢分。这个阶段的目标不是“多做题”，而是“把不确定的题变成确定的题”。

4.2 参考资料怎么选、怎么用

关于参考资料，说几个实用建议，按优先级从高到低排列：

• 《机器学习》（周志华，即“西瓜书”）：经典中的经典，重点看决策树、SVM、神经网络、集成学习这几章，推导可以略过但概念必须吃透。
• 《统计学习方法》（李航）：啃SVM和EM算法的时候很有用，例题质量高，适合针对性地补短板。
• 吴恩达《机器学习》课程：适合快速建立整体框架，但课程本身偏基础，刷题前还是要靠书本补深。
• 深度学习方面，可以先看《深度学习》花书的基础章节，但不要花太多时间在读理论推导上，优先理解训练技巧部分，比如Dropout、BatchNorm、优化器选择。

这里想特别说一下刷题资源的使用心得：很多人喜欢刷LeetCode常考题，但AI岗笔试的重点从来不在代码题，而是概念与判断题。你如果时间紧张，优先把精力放在概念理解上，而不是去刷LeetCode困难题。代码题可以放在笔试之后的面试阶段再准备。

4.3 备考中的典型问题与解决心得

先说说很多人的共性问题：“数学基础太差怎么办”。我认为不用无脑去把高数线代重新上一遍，重点看三个东西：导数与链式法则、矩阵与向量运算、概率公式。这三个东西是AI笔试数学题的全部根基，其他很多内容都是基于它们做扩展。我见过有同学花两周时间从头刷高数，结果发现考试根本不考，得不偿失。

再聊一个现实问题：“知识点都会，但做题老错”。这种情况多半不是知识问题，而是概念混淆。比如把L1正则化和L2正则化的作用搞反，或者把Bagging和Boosting降偏差方差搞反。建议做一套“对比表格”，把长得像的知识点放一起区分：L1稀疏解 vs L2规则化、数据归一化 vs 标准化、过采样 vs 欠采样、偏差 vs 方差。对比着记忆的效果远好于单独背诵。

还有一个容易被忽视的坑：复习时只刷题不看错题。刷题的目的不是追求正确率，而是暴露出薄弱点。我的做法是每轮练习后，把错题对应的知识点在笔记上画一个红圈，三轮之后就能很清楚看到自己反复错在哪，拼考前半小时只看这些红圈内容就够了。

4.4 考前48小时该做什么

到了这个阶段，不建议再学新知识了，强行学只会增加焦虑。我做这几件事效果好：

把整理的对比表格过一遍，当作最后的查漏补缺。把容易混淆的概念再确认一遍，比如L1/L2正则化、Bagging/Boosting、查准率/查全率这些。找一两个典型的计算类选择题练练手，保持手感和速度。

考前一天，把题量大的场景题通读一遍，熟悉“先业务后技术”的答题思路，不用深究不会的模型细节。

最后分享一点我的个人体会

这套客观题合集真正有价值的不是“答案是什么”，而是它帮备考者画出了一张清晰的AI岗位知识地图。从数学基础到经典机器学习，再到深度学习训练细节，最后落到物流业务场景，这个顺序本身就是一个完整的“从理论到实践”的能力链条。我后来复盘时发现，凡是知识体系完整的同学，即使没做过这套题，现场也不会考得太差；反之，只靠刷题套路、概念零碎的同学，很容易在综合题上露馅。

所以我建议，如果你准备AI/ML方向的笔试，不要只盯着单一来源的题库，而是花点时间看清楚每一道题背后的考点归属，再对应补齐自己的知识盲区。知识体系搭起来了，后续遇到其他公司的笔试题也就不用慌了。