DeeCamp 2018第一套B卷拆解：AI训练营笔试到底考什么

零几年的时候我在实验室第一次接触机器学习那时候国内还没有几家机构敢喊“带着几百个学生用八周时间做出能落地的人工智能demo”。直到2018年创新工场DeeCamp训练营开始报名场子一下热得离谱。我记得很清楚身边不少同学从报名通道开放那天就开始倒计时刷题库而他们最先碰到的关卡就是这套“第一套B卷”。这套在线笔试不是普通的摸底测验它像一道高门槛的漏斗把会背概念、会算公式、会写代码的人分别筛出来。后来我见过不少人对这套卷子的评价有人说难有人说偏有人说“反正刷两个小时也写不完”。但站在今天回看这套卷子真正有意思的地方不是题目本身而是它背后的出题逻辑——它想测的东西恰恰是当时AI行业最想要、也最稀缺的那种能力组合。这篇文章不以“公布标准答案”为目的因为同套卷子在答题者手中本就有无数种解法。我想做的是把这套第一套B卷拆开讲讲出题人到底在问什么、你的每种回答暴露了什么以及这种选拔方式对今天的AI学习者还有什么参考价值。1. 一场限时在线笔试凭什么决定训练营入场券1.1 DeeCamp的定位决定了它必须“用笔试卡人”先明确一个背景DeeCamp不是一门网课而是一个高密度的线下AI训练营。主办方定下的目标是八周里让学员组队做出一个完整的AI应用Demo这意味着导师、计算资源、场地和助教都是有上限的。报名的人远超录取名额怎么办只能在早期用最低成本的方式把候选人筛掉一部分。在线笔试就是当时成本最低、尺度最统一的筛选开关。如果你参加过这类营就会明白笔试的目的和校招笔试不一样。校招笔试想从几千份简历里选几个进面的人考察的是“能不能胜任工作”而DeeCamp的笔试想从大量申请者里挑出“给他八周时间能不能训练出模型并做出产品雏形”的人。后者的考察范围更宽也更杂。1.2 第一套B卷反映出的“保底线”画像我在当时做题时最大的感受是这套卷子不追求让你答满分而是追求“把你知识的边界摸出来”。它设计了几个层次的问题数学基础题考察你对微积分、线性代数、概率统计的基本功。机器学习常识题考察你是否知道常见模型的基本假设和适用场景。编程与算法题考察你能否在一个限时环境里写出可用、尽可能高效的代码。逻辑与表达题考察你面对一个开放问题时能否把“现实问题”翻译成“可计算的AI问题”。这四类题对应的是同一个核心假设一个合格的训练营学员至少应该在数学上能看懂论文里的公式在代码上能把想法跑通在逻辑上能把抽象问题拆成可执行的步骤。第一套B卷本质上是在替训练营画一张“最底线能力画像”。1.3 为什么是“第一套B卷”而不是“一套卷子”很多人会忽略“第一套”和“B卷”这两个修饰词。既然叫B卷说明存在至少A卷甚至还有第二套、第三套。这种做法在在线考试系统里很常见同一次考试采用多套平行卷题型和难度大体一致但题目的顺序、数字、选项位置都做了变化用来降低传答案和泄题的风险。同时它也给考生一个信号AI不是背答案的游戏换套卷子你照样得会。“第一套”则通常是题库里最基础、最能体现官方出题风格的一套。我个人的经验是如果你要准备这类训练营的笔试第一套卷的参考价值要高于任何所谓“押题卷”因为它代表了主办方认为最应该考的基础部分。第一套B卷考得扎实了后面的变体卷也不会太慌。2. 第一套B卷的考察维度数学、代码与工程直觉2.1 数学部分不是在考计算器而是在考“公式背后的直觉”大部分备考者面对这套卷子的直观感受是题量不小而且有不少计算型题目。这里需要分清两种数学题一种给了具体数字让你算比如求某点的导数、算一个矩阵的特征值。这种题考的是熟练度和准确性。另一种不给具体数字而是问“当某个参数趋近于0时会发生什么”“这个损失函数为什么这样设计”。这种题考的是对公式的直觉理解。我当时刷题最深的体会是第一套B卷的数学题更偏向第二种。它默认你会背公式但它更想看你懂不懂公式为什么长成这样。举个例子梯度下降里学习率过大和过小分别会发生什么这不是套公式能答出来的而是必须理解损失曲面、步长和收敛性之间的关系。如果平时只是背着公式做计算看到这类题会很明显地卡住。2.2 机器学习基础考的是“模型之间的边界”机器学习部分的题目不算偏基本都在经典范围内线性回归与逻辑回归的区别、SVM的核函数是干嘛的、决策树分裂时用什么指标、偏差和方差怎么权衡、过拟合通常怎么解决。看起来都是老生常谈但出题人会故意把相似概念放在一起混淆你。比如“L1正则化和L2正则化都能防止过拟合它们的本质区别是什么”。如果你只是背过“L1能让权重稀疏”这句话就会忽略它背后的几何解释L1约束对应的是菱形可行域更容易与坐标轴相交L2约束对应的是圆形可行域只是把权重压缩而不是置零。B卷里这类题目就是在测试你是不是真的理解到几何层面而不只是会背结论。2.3 编程与算法不用你写完整工程项目但你要能写“干净的小函数”DeeCamp笔试的编程题和LeetCode那种大型算法题不完全一样。它更偏向写一个“能解决具体小问题”的函数比如处理字符串、模拟一个流程、实现一个简单的动态规划。它考察的其实是三件事能不能在不需要提示的情况下把自然语言描述的规则翻译成代码。能不能处理边界条件比如空输入、极值、超大数。能不能在紧张状态下手写出结构清晰、不依赖外部库的代码。我当时踩过的一个坑是一开始想用Python写得很“高级”用一堆列表推导式和优雅的库调用结果题目环境对库版本有限制而且时间不够。后来我意识到在笔试里最重要的是“确定性”和“可读性”而不是“花哨”。B卷的判分通常不是人肉一行行读代码而是看你能不能通过隐藏的测试用例。一个朴素但边界处理完整的解法远比一个华丽但有一处越界的解法得分高。2.4 逻辑与开放题把现实问题翻译成AI问题这一部分在我的印象里是最“DeeCamp”的题因为它直接指向训练营要做的事。它可能会给你一个场景比如“如何用手机传感器数据判断一个人是在走路、跑步还是骑车”或者“如何设计一个系统从大量新闻里自动提取事件关键词”。这类题没有唯一的正确答案但它能非常清晰地暴露你的思考结构。有些人会直接写“用RNN做序列识别”“用BERT抽特征”这种过于具体的方案反而忽略了现实约束数据从哪来、标签怎么搞、传感器噪音怎么处理、模型跑在什么设备上、误报怎么办。出题人想看的其实是你能不能先列出假设、再说清数据、再提模型、最后给评估方案。这个思维链比背一百个模型都要重要。3. 分题型复盘每个模块的拿分策略与常见失误3.1 选择题盯紧概念别凭感觉选择题在整套卷子里的占比不低而且难点往往藏在“相似的选项”里。我的建议是第一遍快速扫完全部选择题先做那些一眼能确认的把不确定的标记出来留到后面统一琢磨。切忌在一道选择题上死磕超过三分钟因为后面编程题和开放题的单位时间回报更高。选择题里最常见的坑有两类绝对化表述比如“只要用正则化就一定不会过拟合”“所有神经网络都可以用全局最优解训练”。只要选项里出现绝对化词汇基本可以先怀疑它。概念跨界比如把“学习率过大”导致的震荡说成“梯度消失”把“过拟合”的表现说成“训练集和测试集都差”。这种题就是专门来抓“只背结论、不懂原理”的人。3.2 数学推导题步骤比结果更重要限时考试里数学推导题很容易让人手忙脚乱。我自己的策略是哪怕时间来不及也要把关键推导步骤写清楚而不是直接给答案。因为这种题的人工阅卷比重较高步骤分很可观即便是机改逻辑链完整也能帮你快速定位错误在哪。常见的失误集中在两点。第一是求导时忽略链式法则尤其在复合函数和矩阵求导场景下层数一多就乱。第二是在计算概率题时没有先明确事件是否独立直接套贝叶斯公式。记住一个检查方法算完一个结果后把数字代回去看看是否自洽。比如你算出来某个概率大于1或者某个梯度方向让损失增大那肯定中间有一步错了。3.3 编程题先跑通再优化编程题最怕的是“一上来就写最优解”。这个思路在笔试里特别危险因为你可能十分钟憋出一个看似高级但跑不过测试用例的方案反而浪费了宝贵的验证时间。我建议的策略是先确认函数的输入输出格式包括空输入和异常输入。先写一个暴力解法哪怕复杂度高至少保证正确。跑通简单样例后再考虑用哈希表、排序、双指针等方式优化。这样做的原因是笔试环境里你能得到的最直接反馈就是测试用例通没通过。一个通过全部样例的暴力解得分通常高于一个没过样例的“伪最优解”。等代码跑通了还有余力再回头优化也不迟。3.4 开放题用结构化的方式展示你的思维过程开放题是整套卷子里最容易拉开差距的部分也是很多人最不知道怎么写的地方。我的建议是不要写一段长篇大论而是分成几个明确的段落先明确问题这个场景里真实的业务目标是什么衡量成功的指标是什么。再说数据可以拿到哪些数据、数据可能会有哪些噪声、需要人工标多少标签。然后定方案用哪个模型做基线为什么选它有哪些备选方案。最后说评估用什么指标判断效果怎么做A/B测试失败了怎么迭代。这套结构化表达本身就是一种能力。很多人看到开放题脑子里跳出一个很酷的模型就开始写技术细节结果忽略了上面那一整条链路。DeeCamp的一线导师更想看到的是“你有没有产品直觉和落地方案意识”而不是“你知道几个新模型”。4. 分数之外的盲区笔试选人到底漏掉了什么4.1 会考试不等于会做AI项目这是一句老话但放在DeeCamp笔试里格外贴切。笔试能筛出“数学不错、代码能写、概念清楚”的人却不能筛出“面对脏数据能沉住气清洗三小时”的人也不能筛出“队友写出的模型效果很差时愿意接手重写”的人。后者只有在真实项目协作中才会暴露。我记得有人曾经在DeeCamp二期结束时说过一句话能走到最后的团队往往不是笔试分数最高的那些人而是能在八周里快速磨合、不断试错、愿意把demo做到“能给别人演示”的那种团队。笔试只是一张入场券入场之后一切归零。4.2 笔试无法测量的三个关键特质到今天我仍然认为像DeeCamp这种训练营的终极目标不是培养“答题机器”而是培养能独立做AI项目的人。笔试很难测量以下三个特质提问能力遇到问题时能不能把“这个模型效果差”转化成“到底是数据问题、特征问题还是模型结构问题”并且带着具体信息去问导师。迭代心态AI项目天然是反“一锤子买卖”的。一次训练失败、一次效果反弹都太正常了关键是能不能快速调整下一次实验。表达和协作做出来的模型再怎么好如果不能跟组员讲清楚、不能写进最终展示里价值都会大打折扣。这不是说笔试没用而是提醒我们如果你在笔试里拿了一个一般的分数不代表你不适合AI行业如果你笔试拿了高分也不代表你不需要练项目实战。两条线要并行。4.3 主办方后续的调整验证了笔试的边界后来DeeCamp在选拔方式上做了不少迭代比如增加简历项目经历权重、在面试环节加入现场编程和思路问答、把同批候选人安排到Mini Task里观察协作表现。这些调整本质上都是在补在线笔试的短板笔试适合做粗筛不适合做确认。对后来者来说这个变化很值得参考。你准备的不是某一年的题目而是“如何让一个AI团队相信你有潜力在八周里做出东西”。这就意味着简历里一道端到端的项目、面试里清晰的思路表达、笔试里不至于太拉胯的基础三者缺一不可。5. 从2018到2026AI选拔方式的演进与借鉴5.1 现在的AI训练营和岗位考核明显变得更“实”2026年再回看2018年的DeeCamp笔试你会觉得它有些“学院派”考数学、考逻辑、考基础。但现在很多AI训练营、企业岗位的考核已经变成了“给你一份真实脱敏数据、一台带GPU的机器、几天时间要求你交付一个可运行的模型和一份可复现的报告”。这种考核方式更贴近真实工作也更能反映一个人的AI实战水平。与此同时也出现了“人工智能训练师三级实操题”“人工智能大作业”这类更面向任务完成度的考核形式。它们不问你“SVM和逻辑回归的区别”而是问“给你一组用户行为数据预测下个季度的转化率并解释你的特征工程思路”。这其实就是当年DeeCamp开放题的高级版——把思考链条直接变成实操产出。5.2 考试工具和作弊与反作弊也在变化当年第一套B卷依赖的是在线答题系统靠的是多套试卷、限时作答和人工抽查。现在很多在线笔试系统已经能做到实时代码运行、自动判题、相似度比对、浏览器行为监控甚至能直接在编辑器里运行AI辅助插件。这些技术变化一方面让考核更公平另一方面也在暗示纯记忆型知识正在被工具替代而“定义问题、拆解问题、使用工具解决问题的能力”才是新的分水岭。5.3 对今天备考者的三点实用建议不管你是准备某个AI训练营的笔试还是准备一份AI方向的实习秋招我建议你把时间花在以下三件事上把基础通识磨扎实。数学三件套微积分、线代、概率和经典机器学习模型的那套推导永远值得花时间。哪怕现在有很多现成框架不懂原理的人遇到问题会不知道从哪里调参。亲手跑通至少两个端到端项目。可以是价格预测、文本分类、目标检测这样的小项目但必须从数据清洗一路做到结果评估。这个经历的价值笔试替代不了。训练自己“先说思路再动手”的表达习惯。平时练题、做项目的时候试着用口述把方案讲给朋友或录音笔听。面试和开放题里清晰的口头表达和清晰的思路一样重要。6. 备考DeeCamp时最该避开的心理陷阱6.1 不要迷信“刷完题库就能过”第一套B卷最大的陷阱恰恰在于它看起来是一份“可以刷的题”但其实是一面“能力镜子”。如果你只是把答案背下来下一套卷子照样不会做。我见过有同学把论坛上的题目解析背得滚瓜烂熟结果遇到B卷里换了个数字、换了个问法整个人就蒙了。真正有效的方式是做一遍题之后把每一道错题对应的知识点拿出来重新学一遍而不是收藏一堆“答案解析”。6.2 不要轻视基础题也不要被难题吓住一套卷子通常有基础题、中等题和难题。很多人容易犯两个极端要么在简单题上粗心导致丢分要么在难题上死磕导致没时间做后面的大题。我的经验是基础题和中等题的分值加起来往往占大头先把这些分稳稳拿住再去看难题。难题做出来是加分项做不出来也未必影响过线。6.3 学会在限时环境下做“策略性放弃”这可能是整套B卷考试里最重要的一项“元能力”。当你发现一道题已经卡了五分钟以上、完全没有思路时果断标记并跳到下一题。笔试本质上是“在有限时间内拿到最多分数”的博弈不是“证明自己什么都会”的舞台。把最后留出的十分钟用来检查前面容易粗心的小题回报往往远高于死磕最后一道大题。我在实际备考和带人的过程中发现真正能在DeeCamp笔试里拿高分的不是那些知识量最多的“行走的书架”而是那些“知道什么时候该写代码、什么时候该跳过、什么时候该写步骤分”的人。这种判断力其实和以后做AI项目时分配算力、时间和资源的能力是相通的。7. 这套卷子放到今天参考意义在哪里聊了这么多DeeCamp 2018第一套B卷的旧事总有人问我都2026年了AI都发展到这个程度了翻这些老黄历还有意义吗我的回答一直是“有但要用对方式”。这套卷子真正的参考价值不是让你去背里面的题目而是让你理解一个AI训练营在最早期选拔时会用什么标准来衡量一个人有没有潜力。那些标准——数学基础、编程能力、机器学习常识、开放问题的解决思维——放到今天依然是AI从业者的基本功。工具在变模型在变热点在变但“把现实问题转化成可计算的AI问题”的能力从来没变过。如果你现在正打算投简历给某个AI训练营或者相关岗位我倒建议你做一个很简单的训练自己给自己出几道开放题模拟2018年B卷里的那种风格先讲清楚问题、数据、方案和评估再动手实现。这个过程比单纯刷题更像一次小型的DeeCamp预演。我自己在这个行业里待得越久越觉得当年那句“我们想找的不是最会考试的人而是最会把想法变成demo的人”其实是一句非常朴素但准确的判断。如果你有机会穿越回2018年做这套第一套B卷记住一句话不需要完美只需要让阅卷人看到你有把AI做成东西的潜力。