2025國際兒童及青少年AI知識大賽
冬季賽
2025 International Children and Youth AI Knowledge Competition - Winter Competition

2025國際兒童及青少年AI知識大賽 -冬季賽題目範圍

本次大賽全面覆蓋 AI 核心領域，從基礎知識到前沿應用，旨在考察參賽者的 AI 探究能力、實踐思維與創新應用能力，具體內容如下：

​

一、AI 基礎知識

（一）AI 科學核心領域

機器學習基礎

1. 機器學習概念與分類：掌握機器學習的基本定義（讓機器通過數據學習規律）、主要分類（監督學習、無監督學習、強化學習），能解釋生活中的機器學習應用。例如，分析圖像識別 App 中監督學習的數據標註與模型訓練過程，或解釋推薦系統（如視頻平台）中無監督學習對用戶行為的聚類分析。

2. 經典算法原理：理解線性迴歸、決策樹、k - 近鄰等基礎算法的核心邏輯，熟悉算法的適用場景。如用線性迴歸解釋 “根據溫度預測冰淇淋銷量” 的數據關係建模過程，或通過決策樹分析 “學生考試成績是否合格” 的分類規則生成。

3. 模型評價指標：掌握準確率、召回率、損失函數等評價指標的含義與計算方法，理解指標對模型優化的意義。如分析圖像分類模型中準確率與召回率的權衡關係（如識別垃圾圖像時，高召回率可減少漏判），或通過損失函數曲線判斷模型訓練是否收斂。

神經網絡與深度學習

1. 基礎神經網絡結構：熟悉感知機、多層神經網絡的基本組成（輸入層、隱藏層、輸出層）、激活函數（如 Sigmoid、ReLU）的作用，能解釋簡單網絡的運算過程。例如，解釋單層感知機實現 “與 / 或 / 非” 邏輯運算的原理，或分析多層網絡中隱藏層對特徵的逐步提取過程（如從圖像像素到輪廓）。

2. 深度學習經典模型：掌握卷積神經網絡（CNN）、循環神經網絡（RNN）的核心特性，熟悉其應用場景。如解釋 CNN 的卷積層與池化層如何實現圖像特徵提取（如識別貓狗圖像中的輪廓與紋理），或分析 RNN 對時序數據的處理能力（如文本翻譯中的上下文關聯）。

3. 模型訓練基礎：理解梯度下降、反向傳播的基本原理，熟悉模型訓練的關鍵步驟（數據預處理、批次訓練、參數更新）。如解釋梯度下降如何通過調整參數降低模型損失（如調整線性迴歸的權重），或分析反向傳播在多層神經網絡中如何將損失誤差傳遞至輸入層以更新參數。

自然語言處理與計算機視覺

1. 自然語言處理（NLP）基礎：瞭解文本預處理（分詞、詞嵌入）、語義分析的基本方法，能解釋 NLP 應用的實現邏輯。例如，解釋智能聊天機器人如何通過詞嵌入將文本轉化為數值向量，或分析語法分析工具如何判斷句子的語法結構（如主謂賓關係）。

2. 計算機視覺（CV）基礎：掌握圖像表示（像素矩陣、RGB 通道）、圖像處理（濾波、邊緣檢測）的基本原理，熟悉 CV 應用場景。如解釋圖像模糊處理中均值濾波的像素計算過程，或分析邊緣檢測算法（如 Sobel 算子）如何識別圖像中的物體輪廓。

3. 多模態 AI 基礎：理解文本、圖像、語音等多模態數據的融合方法，如分析視頻字幕生成系統如何將圖像內容（CV）與文本描述（NLP）相結合，或解釋智能音箱如何將語音信號轉化為文本後進行語義理解。

​

（二）AI 與技術應用

AI 技術與工程實踐

1. 經典 AI 技術：瞭解機器人控制、智能識別設備的基本原理，能設計簡單的 AI 技術應用方案。例如，用圖像識別模塊製作 “水果分類小機器人” 並解釋其工作流程（圖像採集→模型識別→機械臂分類），或通過語音識別模塊設計 “語音控制燈光開關” 的系統邏輯。

2. 現代 AI 技術：掌握邊緣 AI、聯合學習的基礎知識，如分析邊緣 AI 設備（如智能門鎖）如何在本地實現人臉識別以保護數據隱私，或探討聯合學習在醫療數據訓練中的應用（多方數據不共享，僅上傳模型參數）。

3. AI 工程基礎：理解 AI 原理在工程中的應用，如繪製 “智能物流調度系統” 的工作流程圖並解釋其優化原理（利用強化學習尋找最優運輸路徑），或分析 AI 推薦系統在電商平台中的運作邏輯（用戶行為分析→商品匹配→實時推薦）。

AI 數據與計算思維

1. AI 數據分析：使用 Python、AI 模擬工具（如 Teachable Machine）進行數據處理與分析，如對學生考試數據進行聚類分析以劃分學習水平群體，或通過圖像數據增強（旋轉、翻轉）提高模型訓練效果。

2. AI 模型構建：運用數學模型與編程工具實現簡單 AI 模型，如用 Python 編寫線性迴歸代碼預測房價，或通過 Teachable Machine 製作 “手勢識別模型” 並測試其識別精度。

3. AI 資訊學基礎：理解 AI 資料庫（如公開數據集、預訓練模型庫）與計算工具的應用，如查詢 Kaggle 上的圖像分類數據集，或用 TensorFlow Lite 將訓練好的模型部署到移動設備上。

​​

二、AI 研究方法與實踐

（一）AI 實驗與數據採集

實驗設計與操作

1. 對照實驗設計：能獨立設計控制變數的 AI 實驗方案，如探究 “影響圖像識別模型精度的因素”，需設定數據量、模型層數、訓練次數等變量，控制其他變量不變，通過反覆實驗確定數據量對精度的影響（數據量越多，精度通常越高）。

2. AI 實驗操作：規範使用數據採集工具（如攝像頭、語音錄音器）、AI 開發平台（如 Google Colab），如用攝像頭採集不同角度的水果圖像作為訓練數據並分析數據質量對模型的影響，或在 Colab 中調用預訓練模型進行圖像識別並記錄識別結果。

3. 實驗誤差分析：識別 AI 實驗中的誤差來源，如分析 “手寫數字識別實驗” 中數據標註錯誤、圖像模糊對模型精度的影響，並提出減小誤差的改進方案（如重新標註數據、圖像清晰化處理）。

數據處理與建模

1. AI 圖表繪製：使用 Matplotlib、Seaborn 等工具繪製實驗數據圖表，如繪製模型訓練過程中的損失值 - 迭代次數曲線以判斷訓練效果，或用餅圖展示不同類別數據在數據集中的佔比。

2. 統計方法應用：運用統計學工具分析 AI 數據，如通過方差分析判斷不同模型參數對實驗結果的影響顯著性，或用交叉驗證方法評估模型的泛化能力（避免過擬合）。

3. AI 仿真實驗：利用模擬工具實現 AI 現象的模擬，如用 NetLogo 模擬強化學習中機器人尋找目標的過程，或通過 AI 模擬軟體演示神經網絡中參數變化對輸出結果的影響。

​​

（二）AI 模型與問題解決

AI 過程建模

1. 機器學習過程建模：用流程圖或數學公式描述機器學習過程，如繪製 “圖像分類模型訓練流程”（數據採集→預處理→模型訓練→評價優化），或用數學公式表示線性迴歸模型的預測過程（y = wx + b）。

2. 深度學習過程建模：構建深度學習模型的工作模型，如設計 “CNN 圖像識別” 的層次作用模型，需包含卷積層提取特徵、池化層壓縮數據、全連接層輸出分類結果，或用流程圖展示 RNN 處理文本數據的時序傳遞過程。

3. 多模態 AI 過程建模：通過模型分析多模態 AI 應用，如繪製 “視頻內容分析系統” 的數據流動示意圖（視頻幀提取→圖像特徵提取→語音轉文本→多模態融合分析），或用圖解展示智能助手整合語音、文本數據的處理邏輯。

AI 問題解決

1. 現實 AI 問題：運用 AI 知識解決實際問題，如設計 “校園圖書館智能借還系統”，需綜合考慮 RFID 圖書識別（數據採集）、用戶行為分析（推薦圖書）、借還流程自動化（模型應用），或提出 “課堂注意力分析方案”，通過圖像識別判斷學生注意力狀態並反饋給教師。

2. AI 技術應用：結合 AI 技術解決生活或學習中的問題，如設計 “家用智能節電系統”，利用傳感器採集用電數據，通過 AI 模型預測用電高峰並自動調節家電運行模式，或探討 “AI 作業批改工具” 的實現原理（圖像識別提取答案→模型比對判斷正誤）。

​​

三、AI 與可持續發展

（一）環境保護與物理應用

能源利用與節能

1. 傳統能源 AI 優化：理解 AI 在傳統能源領域的應用原理，熟悉 AI 對能源效率的提升方式。如分析火力發電廠中 AI 模型如何根據負荷變化優化燃燒參數（降低能耗），或計算 AI 調度系統對電網負荷的平衡效果（減少棄風棄光）。

2. 新能源 AI 開發：掌握 AI 在可再生能源領域的應用，如分析 AI 如何通過天氣數據預測太陽能發電量（優化儲能策略），或探討風力發電場中 AI 對風機運行參數的調整（提高風能利用率）。

3. 節能 AI 技術應用：瞭解 AI 原理在節能中的應用，如利用 AI 控制建築物的採光與空調系統（根據人流與溫度自動調節），或通過 AI 算法優化電動汽車的行駛路徑（降低能耗），並計算節能效果與環境效益。

環境保護與 AI

1. 環境污染監測中的應用，熟悉數據採集與模型分析的邏輯。如分析衛星圖像結合 AI 如何識別水體污染區域（圖像特徵提取→污染區域定位），或解釋空氣質量監測系統中 AI 如何根據多維數據預測污染趨勢。

2. 生態保護 AI：掌握 AI 在生物多樣性保護中的應用，如分析 AI 圖像識別如何幫助識別野生動物種類與數量（相機陷阱拍攝→模型識別統計），或探討 AI 聲紋識別在珍稀鳥類保護中的應用（通過鳥叫聲定位鳥類棲息地）。

3. 氣候與 AI 應用：瞭解 AI 與氣候變化研究的結合，如用 AI 模型分析氣候數據預測極端天氣（颱風、暴雨），或分析 AI 如何優化碳捕集技術的運行參數（提高碳捕集效率）。

​​

（二）AI 科技前沿與未來挑戰

新技術與先進 AI

1. 生成式 AI 基礎：掌握生成式 AI（如 GPT、Stable Diffusion）的基本原理，熟悉其應用場景與潛在風險。如解釋 GPT 模型如何通過海量文本學習生成符合語義的回復，或分析 Stable Diffusion 根據文本描述生成圖像的過程（文本編碼→圖像生成→細化優化）。

2. AI 與機器人融合：理解 AI 與機器人技術的結合應用，如探討智能機器人如何通過 AI 視覺實現障礙物規避（圖像識別→路徑規劃），或分析服務機器人如何通過 NLP 理解用戶指令並執行任務。

3. 邊緣 AI 與物聯網：瞭解邊緣 AI 在物聯網（IoT）中的應用，如探討智能家居設備（如智能溫度計）如何通過邊緣 AI 實現本地數據處理（降低延遲），或分析工業 IoT 中邊緣 AI 如何實時監控設備運行狀態（預防故障）。

倫理與安全 AI

1. AI 倫理基礎：理解 AI 倫理的核心議題（數據隱私、算法公平性、AI 負責任），熟悉相關規範與原則。如分析用戶數據在 AI 訓練中的隱私保護措施（數據匿名化、差分隱私），或探討算法公平性（如招聘 AI 避免性別或種族偏見）。

2. AI 安全防護：掌握 AI 系統面臨的安全風險（數據攻擊、模型投毒）與防護方法，如分析模型投毒攻擊如何通過篡改訓練數據影響模型輸出，或解釋 AI 系統中防火牆與數據加密技術的應用（保護模型與數據安全）。​

​

四、挑戰題與創新思維

（一）開放性AI問題

現實 AI 問題解決

1. 設置真實場景任務，如 “如何利用 AI 設計校園食品安全監控系統”，要求參賽者從數據採集（食品檢測數據、學生健康數據）、模型設計（食品安全風險預測、異常數據識別）、系統應用（實時预警、數據反饋）多維度提出方案，並評估系統的監控效率與安全保障能力。

2. 創新需求應對，如 “設計一款面向老年人的 AI 助老工具”，需綜合運用語音識別（方便操作）、圖像識別（藥物辨識）、位置服務（緊急求助），確保工具的易用性與實用性，並分析其解決老年人生活難題的潛力。

未來 AI 科技構想

1. 前瞻性設計任務，如 “構思 2050 年的 AI 低碳城市生活系統”，要求結合 AI 與可再生能源（智能能源調度）、AI 與交通（自動駕駛與路徑優化）、AI 與生態（實時環境監控），描繪系統的運作流程與數據流動，並分析其解決城市環境與資源問題的潛力。

（二）跨學科AI挑戰

AI 與其他領域融合

1. AI + 教育：運用 AI 與教育知識設計創新方案，如 “AI 個性化學習系統”，需綜合考慮學生學習數據分析（知識點掌握程度、學習節奏）、個性化資源推送（匹配知識薄弱點的練習題、教學視頻）與學習效果反饋（階段性評估報告、改進建議），實現 “千人千策” 的學習支持，並分析系統對提升學習效率的作用。

2. AI + 醫療：結合 AI 與醫療常識開展創意項目，如 “兒童常見病 AI 初篩工具”，利用圖像識別（如判斷咽喉紅腫程度）、症狀文本分析（用戶輸入不適症狀），匹配常見病數據庫給出初步參考建議，並強調 “僅供參考，需就醫確診” 的邊界，確保工具的安全性與輔助性。

3. AI + 藝術：運用 AI 與藝術創作知識設計作品，如 “AI 輔助繪畫系統”，通過用戶手繪線稿（數據輸入），AI 自動推薦配色方案、添加背景元素（模型生成），用戶可進一步手動調整，實現 AI 與人類創意的協作，並分析 AI 對藝術創作效率與風格多樣性的提升。

 

參賽者需兼具扎實的 AI 基礎知識、科學的探究方法與跨學科創新思維，在解決現實問題時需把握 “技術邊界”：如 AI 應用需尊重數據隱私（不採集敏感信息）、強化人類主導（AI 為輔助工具，不替代人類決策）、關注倫理安全（避免算法偏見、明確應用範圍）。