春招笔试的号角一吹最先顶上去的就是算法和AI岗的候选人。作为一个去年在联想人工智能岗笔试里实打实走了一遭的人今天把整个考试流程、题型分布、考点细节和踩坑记录完整复盘一下。这篇内容不是面经的碎片拼凑而是围绕“2024年春招-联想-人工智能岗笔试”这个具体场景做的全流程拆解适合正在准备大厂AI岗位笔试的应届生、想转行做AI算法工程师的开发者参考也适合想了解头部企业AI岗位到底考什么的学习者。先说结论联想的AI岗笔试和互联网大厂的AI岗笔试风格有明显差异。它更注重工程落地能力、算法基本功和业务场景理解而不是纯粹刷题竞赛。这个差异值得每一个候选人花时间研究。1. 笔试整体定位与考核思路拆解1.1 联想AI岗笔试的岗位方向划分在拆解笔试之前先得弄清楚联想人工智能岗到底包含哪些方向。很多候选人一看到“人工智能岗”就开始刷深度学习八股文结果拿到卷子发现重点完全不对这就是信息差导致的准备偏差。综合往年的招聘信息和我在笔试群里的观察联想春招人工智能岗主要覆盖这几条线计算机视觉方向、自然语言处理方向、推荐与搜索方向、机器学习平台与工程方向以及少量AI产品经理岗部分需要笔试。不同方向共用一张基础卷的可能性不大更常见的是基础算法题加专业方向题的结构。我当时投递的是计算机视觉方向所以后面聊到的笔试题型会偏CV多一些。但笔试中的公共模块——数据结构与算法、机器学习基础、工程与系统设计——是所有人都要面对的硬骨头这部分我会重点展开。1.2 笔试考察的核心能力模型从笔试的题目设计反向推导可以看出联想AI团队对候选人能力的要求集中在四个维度算法与数据结构功底。这是技术面的敲门砖笔试中通常占30%到40%的分数。联想不会考偏题怪题但会在经典题型的边界上做变化考察候选人在压力下能否写对边界条件。机器学习与深度学习基础理论。包括经典机器学习算法推导、损失函数设计、优化器选择、过拟合与正则化、模型评估指标等。这部分考察的是你是否真的理解模型行为而不是只会调用接口。工程落地与场景建模能力。联想是典型的“AI硬件场景”公司笔试题目经常把技术放进具体业务场景里比如工业质检、智能设备交互、边缘端模型部署等。这要求候选人具备从业务问题到技术方案的映射能力。编程语言与代码规范。笔试平台一般是牛客网或赛码网支持C、Java、Python等主流语言。代码不仅要跑通还要考虑到可读性、时间复杂度和空间复杂度。这四个维度对应的其实是联想AI团队日常工作的真实写照既要研究新算法也要把算法部署到设备端还要配合业务团队解决实际问题。笔试就是一场微缩版的工作预演。1.3 与互联网大厂AI岗笔试的差异对比说实话我在准备阶段刷了很多互联网大厂的题库后来发现联想的笔试思路和它们有不少区别。这里直接做一张对比表方便大家理解对比维度联想AI岗笔试互联网大厂AI岗笔试算法题难度中等偏经典题型变体偏难常出现竞赛题风格机器学习理论占比高偏应用理解占比中等偏推导细节业务场景题常见结合硬件与工业场景偏用户增长与内容生态工程系统设计有涉及偏模型部署与优化较少出现在笔试阶段题量与时耗题量适中时间紧张但可控题量大部分时间内写不完这不是说哪个更好或更难而是提醒大家准备笔试不能一套方案打天下。如果你面的是联想就别只刷LeetCode hard题把经典机器学习和深度学习理论梳理清楚同样重要。2. 核心考点扫描笔试题目类型全拆解2.1 通用算法与数据结构经典即正义通用算法题是所有技术岗笔试绕不开的环节。联想AI岗的算法题不会像字节、阿里那样追求一题多解和极限优化但非常看重正确性和完整性。我遇到的题目涉及数组、字符串、链表、二叉树、动态规划、贪心、二分查找等常规类型。难度基本在LeetCode Medium上下浮动个别题目偏向Easy到Medium的过渡地带。但从群里其他人的反馈来看不同批次的题目差异不小有的批次出现了并查集和拓扑排序所以准备时广度还是要有。这类题目的备考重点有三块第一手速。笔试时间有限一道中等难度题从读题、建模到写代码、调试给自己的时间上限是20到25分钟。超出这个时间后面的题目就会很被动。第二边界条件。联想笔试的判题系统对边界条件很敏感。比如数组越界、空输入、溢出问题这些你自己测试时可能发现不了但判题系统一跑就挂。我的经验是写完核心逻辑后专门花30秒检查所有循环边界和递归出口。第三编码规范。虽然笔试判题主要看正确性但部分题目会有面试官人工复核。代码变量命名清晰、逻辑分块明确会给后续的面试环节留下好印象。这里分享一个我实操中的技巧答题前先在草稿纸上画出输入输出样例的执行过程特别是对于动态规划和递归类题目。画一遍样例执行流程基本能避免一半以上的逻辑失误。2.2 机器学习与深度学习基础不考推导考理解这一部分是联想AI岗笔试的“重头戏”也是和其他互联网大厂区分度最大的一块。题型以选择题、判断题和简答题为主偶尔会出现小型计算题。选择题考察的知识面相当广我从记忆中捞出一些典型的考点方向逻辑回归的损失函数为什么是交叉熵而不是均方误差SVM中核函数的作用以及RBF核的带宽参数对模型复杂度的影响决策树中信息增益和基尼系数的差异与适用场景随机森林与梯度提升树的区别特别是在处理非线性特征时的行为差异过拟合的常见解决方案以及正则化参数对偏差和方差的影响聚类算法中K-means的初始值敏感性以及DBSCAN处理噪声数据的优势各种激活函数的优缺点对比特别是ReLU在反向传播中的梯度特性这些知识点的共同特点是它们不是靠背就能答对的而是需要你真正理解模型的工作机制。比如问到“为什么分类问题常用交叉熵而不用均方误差”很多背过八股文的候选人会回答“因为交叉熵收敛更快”但题目如果继续追问“为什么会收敛更快”就涉及到softmax和均方误差组合时梯度饱和的问题了。深度学习部分的选择题则集中在卷积神经网络和循环神经网络的基础上。比如卷积层的参数量计算、感受野变化、BN层在训练和推理时的行为差异、LSTM如何解决梯度消失等。这些知识点在面试中也会被反复追问所以笔试阶段搞定它们相当于提前给面试做了一轮复习。简答题的典型问法是“简述BN层的作用以及在训练和测试阶段的不同处理方式”这种题考察的是对经典技术的综合理解。回答时需要先讲原理再讲具体实现差异最后可以补充实际使用中遇到的问题这样答案的颗粒度就比普通候选人高一个层次。2.3 编程题与模型实现题既要跑通也要高效除了通用算法题联想AI岗笔试还有一类特征明显的题目——小型模型实现题。这类题目不会让你从零实现一个完整的ResNet但会让你实现一些模型中的关键组件或者完成一个简化版的训练流程。我遇到的一道典型题目是手动实现softmax函数要求处理数值稳定性问题。这道题表面上看很简单但很多候选人写出的实现会直接算exp(x)当输入中存在较大数值时结果会溢出为nan导致整体损失函数无法计算。这类题目考察的其实是工程经验。一个在实际训练中跑过模型的候选人一定处理过数值不稳定的问题所以会在实现时主动减去最大值再计算。这种细节只在书上读过理论、没跑过真实训练的候选人很难意识到。另一种常见题型是给出一段训练代码要求找出其中的错误或提出改进方案。比如数据加载时没有做归一化、学习率设置不合理、损失函数与任务不匹配等。这类题目考察的是代码阅读能力与调试能力平时多读开源项目代码、自己动手复现经典模型的人会占很大优势。这里提醒一句如果笔试平台支持本地IDE调试一定要提前配置好环境。笔试前检查Python版本、numpy版本确保自己的代码在本地运行结果和线上评判系统一致。不要因为环境版本不一致导致本地跑通、线上报错的情况发生。3. 实战复盘从开考到交卷的完整过程3.1 考前准备与设备自检清单笔试前一周的准备工作直接影响考场上的发挥。我根据自己的经历和群友的反馈整理了一份“联想AI岗笔试考前自检清单”照着做基本不会出大问题硬件与网络方面提前一天测试摄像头和麦克风确保浏览器有权限调用。联想笔试通常要求开启摄像头监考用Chrome或Edge浏览器的兼容性最好。网络至少准备一条备用热点避免考试中途家庭宽带波动导致断线。机房环境方面清理桌面与屏幕周围无关物品。联想的在线笔试明确规定不可以查阅资料但实际监考中主要靠摄像头和屏幕监测。不管有没有人盯着保持诚实答题都是底线这既是对规则的尊重也是对自己能力的尊重。代码环境方面确认笔试平台支持的编程语言。牛客网和赛码网对Python、Java、C的支持都比较完善但如果Python版本是2.x就需要注意语法兼容性。在准备阶段我把常用算法模板排序、二分、DFS、BFS、DP都整理成自己的代码片段文档考前快速过一遍开考后直接调用思路节省了大量时间。心理状态方面笔试前夜不再做新题只复习自己的错题本和知识点清单。我的经验是考前深度睡眠比多刷一套题更有价值。因为笔试考察的是综合能力大脑清醒状态下的发挥比题海战术更关键。3.2 考试时间分配与答题顺序策略联想AI岗笔试总时长一般在120分钟到150分钟之间题目数量约在40到60道之间包含选择题、判断题、简答题、编程题和综合题。时间分配是整个考试成败的关键。我的策略是“先选择题后编程题最后死磕综合题”。选择题和判断题虽然分值不高但胜在性价比与容错率快速搞定基础分能有效建立信心为后面的硬仗储备好心态。具体来说选择题部分控制在30到40分钟内完成。遇到吃不准的题目先标记跳过不要浪费时间。单选题可以先用排除法之后结合时间再回看多选题则要更加谨慎不确定验证过的选项绝对不选因为少选通常还能拿到部分分多选会直接丢分。编程题部分建议留出60到70分钟。每道编程题先用3到5分钟读题和建模15到20分钟写代码和本地调试最后留2分钟检查边界条件。如果超过20分钟还没有清晰的思路果断换下一道最后有时间再来补。综合题和大题最后处理。这类题目通常是业务场景与算法结合的论述题或设计题没有标准答案考察的是思维框架和表达能力。即使时间不够也要尽量写出分析思路、方案框架和关键细节给阅卷人一个“会思考、能落地”的印象。这里分享一个时间管理细节进入考试页面后先把所有题目快速浏览一遍明确题量、题型分布和分值占比然后确定自己的时间预算。不要拿到卷子就直接开始做题先花3分钟制定策略整体收益反而更高。3.3 高频考点与典型例题详解下面展开几个我在考场上实际遇到的高频考点并附上详细的解题思路帮助大家理解联想的出题风格。典型例题一软max的数值稳定实现题目描述请用Python实现一个数值稳定的softmax函数输入为一个二维numpy数组batch_size, num_classes输出为每行的概率分布。这个题目考察的核心不是“会不会softmax”而是“知不知道直接实现会出什么问题”。当输入数值较大时np.exp(x)会产生极大的值导致溢出为inf进一步导致概率计算出现nan。正确的实现是import numpy as np def stable_softmax(x): # x shape: (batch_size, num_classes) x_max np.max(x, axis1, keepdimsTrue) x_exp np.exp(x - x_max) probs x_exp / np.sum(x_exp, axis1, keepdimsTrue) return probs在这里先对每个样本减去该样本的最大值再计算指数能够保证指数函数的输入不超过0从而避免数值溢出。同时即便减去最大值不改变原始的softmax结果因为分子分母同时除以了一个常数这一步在数学上是完全等价的。我在笔试中遇到这道题后特意留了一行注释解释“减去最大值是为了数值稳定性”后来复盘时认为这个细节给阅卷官留下了不错的印象。写代码时适当添加关键注释是展示工程素养的好方式。典型例题二感知机与逻辑回归的联系与区别题目描述请从数学形式和优化目标两个角度简述感知机与逻辑回归的联系与区别。这个问题在机器学习基础中极其经典但如果只是背结论很容易答得干瘪。我的回答思路分三层数学形式上两者都是线性分类模型都使用特征的加权和作为决策基础。感知机使用阶跃函数或符号函数将线性输出映射为类别逻辑回归则使用sigmoid函数将线性输出映射为概率。感知机输出的是一个硬分类结果逻辑回归输出的是一个软概率值。优化目标上感知机最小化误分类点到决策边界的距离总和损失函数为误分类点的符号错误驱动而逻辑回归在极大似然估计框架下最小化交叉熵损失使得预测概率分布与真实标签分布一致。逻辑回归的损失函数处处可导适合用梯度下降优化感知机的损失函数在误分类点处是线性的处理方式也不同。最后补充一个实际工程视角在数据线性可分时两者都能找到决策边界但逻辑回归给出的概率值使得它可以很方便地扩展为多分类或与其他模型集成感知机的优势在于计算简单适合超大规模数据的快速训练。典型例题三边缘设备上的模型压缩方案设计题目描述综合题联想智能设备需要对一个图像分类模型进行设备端部署设备内存为256MB算力有限模型压缩后精度损失不能超过2%请设计方案。这是一道典型的业务场景设计题没有标准答案重点在于展现完整的思考框架。我的回答思路是首先明确约束条件。设备内存256MB中包含操作系统运行时占用因此可用显存或内存可能只有100MB左右。图像分类模型如果以ResNet-50为例权重文件约25MB但运行时特征图占用会更大。必须在内存和计算量之间做综合权衡。然后是技术方案分层。第一层是模型轻量化设计优先选择MobileNet、EfficientNet-Lite等轻量网络结构而不是在ResNet-50上做剪枝量化因为结构选型直接决定性能上限。第二层是模型压缩技术包括权重量化FP32到INT8模型体积变为原来的1/4支持硬件加速、权重剪枝结构化剪枝后配合微调恢复精度、蒸馏用大模型蒸馏小模型。第三层是推理引擎优化比如使用TensorRT或MNN框架进行图优化和算子融合减少内存峰值。最后补充精度控制策略。由于设备端精度损失不能超过2%需要在校验集上做逐层评估确定哪一层对量化误差最敏感并对这些层保留FP16或使用混合精度量化同时可以使用量化感知训练在训练阶段模拟量化误差让模型主动适应低精度表示。这类综合题其实不要求你给出一个最终答案而是要求你展示分析思路、技术广度以及“工程折中”的意识。建议回答时采用“约束识别→方案分层→精度控制→验证方案”的结构让阅卷人感受到你的系统思考能力。4. 典型问题与避坑思路从考场上带回来的经验4.1 常见题型应对思路速查表笔试之后我在群里和许多同批次候选人聊过发现有些题目失分的原因不是不会做而是应对思路出了问题。下面整理了一份高频失分场景的应对对照表题型或场景常见失分原因正确应对思路选择题中多选题生怕漏选就全选只选有绝对把握的选项少选保底算法题数组越界只测正常样例手动输入空数组、单元素、全相同元素测试模型实现题数值溢出直接调用exp先减去最大值再计算指数运算简答题原理只背结论不会解释用“原理推导思路实际场景”三层回答综合设计题只列技术名词按“约束→方案→验证→迭代”线索展开时间不足在难题上死磕先用标记跳过最后集中攻克这份速查表不是标准答案而是在大量复盘后归纳的最佳实践。笔试不只是知识储备的较量更是策略与心态的较量。4.2 考场上拖延时间最多的地方在笔试过程中我在某些考点上花费了大量时间复盘后发现这些地方本可以用更快的方式突破。第一处是深度学习中BN层与Dropout在训练和推理阶段的差异。题目本身不难但我在回答时总想面面俱到结果啰嗦的描述占用了过多时间。实际这类简答题阅卷时看的是关键点是否答全。BN层在训练时使用当前batch的统计量推理时使用全局滑动平均统计量Dropout在训练时随机失活神经元推理时保留全部神经元并对权重乘以保留概率。两句话就能拿全分的题不需要展开成长篇论文。第二处是拔高的“分布式训练中的数据并行与模型并行”相关选择题。这里知识盲区较大光回忆就花了很久。遇到这种知识盲区我的建议是直接标记跳过不要在考试中途临时补课。考场上心态和精力是最宝贵的与其在一道题上纠结10分钟不如把它放一放把后面的编程题和综合题做好。第三处是编程题的边界条件处理。比如在没有告诉数组长度的情况下从标准输入读取数据很容易在输入解析环节出现失误。我的处理策略是提前封装一个快速读取多行整数列表的函数笔试时直接复用减少重复写解析逻辑带来的时间浪费。4.3 复盘时想明白的几个关键点站在现在这个时间节点回看这次笔试有几个认知层面的收获比考试分数更重要。第一个收获是知识体系必须“以点带面”地搭建。笔试题目通常不会直接问“什么是过拟合”而是会问“增加训练数据在什么情况下不会缓解过拟合”。这就需要你不仅理解过拟合的产生原因还要理解数据量、模型容量、正则化之间的关系。所以备考时要主动给自己出“变式题”多追问几个“为什么”和“如果不这样会怎样”。第二个收获是代码能力要靠在真实项目中锻炼。刷题和做项目是两种互补的体验。刷题能提升算法敏感度和基本功但工程项目能让你养成对数据预处理、异常处理、数值稳定性、代码健壮性的直觉。联想笔试中的模型实现题明显偏向工程能力好的人。建议在校生有条件的话至少完整复现一个开源项目跑通训练、评估、推理的全流程。第三个收获是时间管理和心态管理比想象中重要。笔试过程中遇到不会的题是常态卡住的时候最忌讳自我怀疑。我当时的做法是先把会做的全做完再回看不会的题反而能在思维转换后想出部分解法。笔试是一次多维度考核不追求满分追求在有限时间内拿到最高总分。再分享一个备忘录级别的小细节笔试交卷前如果系统允许把编程题代码复制一份保存到本地。这样做有两个好处一是后续面试复盘时可以直接展示思路和代码演进过程二是万一判题系统出现异常也有原始代码可以作为申诉依据。5. 笔试之后进度跟踪与后续面试衔接5.1 如何判断笔试是否通过笔试交卷后最折磨人的就是等待结果。从我的经验和群里的讨论来看联想笔试出结果的时间跨度比较大从一周到三四周都有。判断是否进入下一轮有几个参考信号邮箱或短信收到面试邀约自然是最直接的通知部分批次会有HR加微信联系后续流程如果你在联想的招聘官网或公众号看到自己的状态从“笔试中”变为“面试中”大概就是通过了。等待结果期间不建议频繁刷新页面这只会放大焦虑。更好的方式是做好两手准备一方面梳理笔试中的错题和盲区针对性地补齐知识短板另一方面开始准备面试高频问题比如项目经历深挖、经典模型结构推导、论文复现类问题等。把等待期转化成备考期是这段时间最好的安排。5.2 如何用提升笔试复盘效果来助攻面试笔试复盘不应该只停留在“知道自己哪里错了”而要把错题转化为面试的谈资。我在复盘时梳理了一张“笔试错题与面试话题映射表”把错误的知识点与可能的面试提问方式建立联系。举个例子如果笔试中SVM相关选择题做错了面试中就可能被追问“SVM为什么对高维稀疏数据表现好”“核函数如何选择”“SMO算法解决什么问题”。针对每一个失分点我都在面试前准备了至少15分钟的口头模拟回答确保不仅知道正确答案还能在面试节奏下清晰讲述。笔试错题是面试提问的风向标。企业面试官能看到你的笔试成绩和答卷大概率会根据你的薄弱环节进行追问。抓住笔试暴露出来的盲区提前补强就能把弱项变成下一次展示学习能力的亮点。5.3 对学习路线的反馈与调整联想的笔试经历让我重新审视了自己的学习重心。过去一段时间我把大量时间花在了啃深度学习理论书籍上对经典机器学习、数据结构和业务场景建模的重视频率反而偏低。这次考试让我意识到工业界的AI岗位需求是“全栈理解单点深入”既要有扎实的机器学习基础打底也要在某个方向上比如计算机视觉做纵深研究还要具备把算法部署到真实场景的工程能力。结合当前行业对“人工智能学习路径”的热议我想给大家一个相对均衡的建议框架第一层是数学基础包括线性代数、概率论与数理统计、最优化方法这是所有模型推导的地基第二层是经典机器学习算法包括回归、分类、聚类、降维、集成学习要能做到公式推导和手动实现第三层是深度学习核心网络结构包括CNN、RNN、Transformer要透彻理解设计动机、计算流程和适用场景第四层是工程能力包括Python编程、数据处理、模型训练脚本编写、检测调试和部署优化第五层是业务理解包括如何把模糊的业务需求转化为清晰的技术问题怎么设计评估指标怎么折中地平衡效果与成本这个学习框架不是标准答案但它是经过这场笔试验证的、能帮我覆盖大部分考点的体系。如果你也正在准备AI相关岗位的笔试可以参考这个框架去审视自己的知识结构找到薄弱项重点突击。6. 写在最后的个人体会准备一场笔试表面上是知识储备的较量本质上是复盘能力和自我管理能力的比拼。今年联想的AI岗笔试让我印象最深的不是某个刁钻的算法题而是它传递出的信号企业在找的不只是“会做模型的人”更是“理解业务、能落地、有工程素养”的候选人。这体现在出题风格的每一个细节里。综合题给你一个设备端的模型部署场景考察的是你在资源约束下做技术决策的能力编程题给你一道带数值稳定性陷阱的实现题考察的是你有没有真刀真枪跑过训练简答题不要求你复述公式而是要求你说清设计动机考察的是你能不能把知识讲明白。这些信号共同指向一个事实纸上谈兵的时代已经过去了。如果你还在校建议多走进实验室多接触真实的数据和真实的训练过程。如果你正在准备春招我建议把笔试当成一次免费的实战模拟而不是一锤子买卖的判决。每一次答题暴露出来的问题都是下一次面试前最值得补齐的短板。最后再分享一个实操建议笔试复盘时把不会的题目按照“知识盲区”“思维盲区”“表达盲区”三类整理。知识盲区靠看书补思维盲区靠刷题和讨论补表达盲区靠模拟面试和写博客补。三类问题对应三种完全不同的解决方案别混为一谈。这样一场笔试下来你带走的绝不仅仅是一个成绩通知而是一份清晰的成长地图。
联想AI岗笔试全流程复盘：考点拆解与避坑指南
春招笔试的号角一吹最先顶上去的就是算法和AI岗的候选人。作为一个去年在联想人工智能岗笔试里实打实走了一遭的人今天把整个考试流程、题型分布、考点细节和踩坑记录完整复盘一下。这篇内容不是面经的碎片拼凑而是围绕“2024年春招-联想-人工智能岗笔试”这个具体场景做的全流程拆解适合正在准备大厂AI岗位笔试的应届生、想转行做AI算法工程师的开发者参考也适合想了解头部企业AI岗位到底考什么的学习者。先说结论联想的AI岗笔试和互联网大厂的AI岗笔试风格有明显差异。它更注重工程落地能力、算法基本功和业务场景理解而不是纯粹刷题竞赛。这个差异值得每一个候选人花时间研究。1. 笔试整体定位与考核思路拆解1.1 联想AI岗笔试的岗位方向划分在拆解笔试之前先得弄清楚联想人工智能岗到底包含哪些方向。很多候选人一看到“人工智能岗”就开始刷深度学习八股文结果拿到卷子发现重点完全不对这就是信息差导致的准备偏差。综合往年的招聘信息和我在笔试群里的观察联想春招人工智能岗主要覆盖这几条线计算机视觉方向、自然语言处理方向、推荐与搜索方向、机器学习平台与工程方向以及少量AI产品经理岗部分需要笔试。不同方向共用一张基础卷的可能性不大更常见的是基础算法题加专业方向题的结构。我当时投递的是计算机视觉方向所以后面聊到的笔试题型会偏CV多一些。但笔试中的公共模块——数据结构与算法、机器学习基础、工程与系统设计——是所有人都要面对的硬骨头这部分我会重点展开。1.2 笔试考察的核心能力模型从笔试的题目设计反向推导可以看出联想AI团队对候选人能力的要求集中在四个维度算法与数据结构功底。这是技术面的敲门砖笔试中通常占30%到40%的分数。联想不会考偏题怪题但会在经典题型的边界上做变化考察候选人在压力下能否写对边界条件。机器学习与深度学习基础理论。包括经典机器学习算法推导、损失函数设计、优化器选择、过拟合与正则化、模型评估指标等。这部分考察的是你是否真的理解模型行为而不是只会调用接口。工程落地与场景建模能力。联想是典型的“AI硬件场景”公司笔试题目经常把技术放进具体业务场景里比如工业质检、智能设备交互、边缘端模型部署等。这要求候选人具备从业务问题到技术方案的映射能力。编程语言与代码规范。笔试平台一般是牛客网或赛码网支持C、Java、Python等主流语言。代码不仅要跑通还要考虑到可读性、时间复杂度和空间复杂度。这四个维度对应的其实是联想AI团队日常工作的真实写照既要研究新算法也要把算法部署到设备端还要配合业务团队解决实际问题。笔试就是一场微缩版的工作预演。1.3 与互联网大厂AI岗笔试的差异对比说实话我在准备阶段刷了很多互联网大厂的题库后来发现联想的笔试思路和它们有不少区别。这里直接做一张对比表方便大家理解对比维度联想AI岗笔试互联网大厂AI岗笔试算法题难度中等偏经典题型变体偏难常出现竞赛题风格机器学习理论占比高偏应用理解占比中等偏推导细节业务场景题常见结合硬件与工业场景偏用户增长与内容生态工程系统设计有涉及偏模型部署与优化较少出现在笔试阶段题量与时耗题量适中时间紧张但可控题量大部分时间内写不完这不是说哪个更好或更难而是提醒大家准备笔试不能一套方案打天下。如果你面的是联想就别只刷LeetCode hard题把经典机器学习和深度学习理论梳理清楚同样重要。2. 核心考点扫描笔试题目类型全拆解2.1 通用算法与数据结构经典即正义通用算法题是所有技术岗笔试绕不开的环节。联想AI岗的算法题不会像字节、阿里那样追求一题多解和极限优化但非常看重正确性和完整性。我遇到的题目涉及数组、字符串、链表、二叉树、动态规划、贪心、二分查找等常规类型。难度基本在LeetCode Medium上下浮动个别题目偏向Easy到Medium的过渡地带。但从群里其他人的反馈来看不同批次的题目差异不小有的批次出现了并查集和拓扑排序所以准备时广度还是要有。这类题目的备考重点有三块第一手速。笔试时间有限一道中等难度题从读题、建模到写代码、调试给自己的时间上限是20到25分钟。超出这个时间后面的题目就会很被动。第二边界条件。联想笔试的判题系统对边界条件很敏感。比如数组越界、空输入、溢出问题这些你自己测试时可能发现不了但判题系统一跑就挂。我的经验是写完核心逻辑后专门花30秒检查所有循环边界和递归出口。第三编码规范。虽然笔试判题主要看正确性但部分题目会有面试官人工复核。代码变量命名清晰、逻辑分块明确会给后续的面试环节留下好印象。这里分享一个我实操中的技巧答题前先在草稿纸上画出输入输出样例的执行过程特别是对于动态规划和递归类题目。画一遍样例执行流程基本能避免一半以上的逻辑失误。2.2 机器学习与深度学习基础不考推导考理解这一部分是联想AI岗笔试的“重头戏”也是和其他互联网大厂区分度最大的一块。题型以选择题、判断题和简答题为主偶尔会出现小型计算题。选择题考察的知识面相当广我从记忆中捞出一些典型的考点方向逻辑回归的损失函数为什么是交叉熵而不是均方误差SVM中核函数的作用以及RBF核的带宽参数对模型复杂度的影响决策树中信息增益和基尼系数的差异与适用场景随机森林与梯度提升树的区别特别是在处理非线性特征时的行为差异过拟合的常见解决方案以及正则化参数对偏差和方差的影响聚类算法中K-means的初始值敏感性以及DBSCAN处理噪声数据的优势各种激活函数的优缺点对比特别是ReLU在反向传播中的梯度特性这些知识点的共同特点是它们不是靠背就能答对的而是需要你真正理解模型的工作机制。比如问到“为什么分类问题常用交叉熵而不用均方误差”很多背过八股文的候选人会回答“因为交叉熵收敛更快”但题目如果继续追问“为什么会收敛更快”就涉及到softmax和均方误差组合时梯度饱和的问题了。深度学习部分的选择题则集中在卷积神经网络和循环神经网络的基础上。比如卷积层的参数量计算、感受野变化、BN层在训练和推理时的行为差异、LSTM如何解决梯度消失等。这些知识点在面试中也会被反复追问所以笔试阶段搞定它们相当于提前给面试做了一轮复习。简答题的典型问法是“简述BN层的作用以及在训练和测试阶段的不同处理方式”这种题考察的是对经典技术的综合理解。回答时需要先讲原理再讲具体实现差异最后可以补充实际使用中遇到的问题这样答案的颗粒度就比普通候选人高一个层次。2.3 编程题与模型实现题既要跑通也要高效除了通用算法题联想AI岗笔试还有一类特征明显的题目——小型模型实现题。这类题目不会让你从零实现一个完整的ResNet但会让你实现一些模型中的关键组件或者完成一个简化版的训练流程。我遇到的一道典型题目是手动实现softmax函数要求处理数值稳定性问题。这道题表面上看很简单但很多候选人写出的实现会直接算exp(x)当输入中存在较大数值时结果会溢出为nan导致整体损失函数无法计算。这类题目考察的其实是工程经验。一个在实际训练中跑过模型的候选人一定处理过数值不稳定的问题所以会在实现时主动减去最大值再计算。这种细节只在书上读过理论、没跑过真实训练的候选人很难意识到。另一种常见题型是给出一段训练代码要求找出其中的错误或提出改进方案。比如数据加载时没有做归一化、学习率设置不合理、损失函数与任务不匹配等。这类题目考察的是代码阅读能力与调试能力平时多读开源项目代码、自己动手复现经典模型的人会占很大优势。这里提醒一句如果笔试平台支持本地IDE调试一定要提前配置好环境。笔试前检查Python版本、numpy版本确保自己的代码在本地运行结果和线上评判系统一致。不要因为环境版本不一致导致本地跑通、线上报错的情况发生。3. 实战复盘从开考到交卷的完整过程3.1 考前准备与设备自检清单笔试前一周的准备工作直接影响考场上的发挥。我根据自己的经历和群友的反馈整理了一份“联想AI岗笔试考前自检清单”照着做基本不会出大问题硬件与网络方面提前一天测试摄像头和麦克风确保浏览器有权限调用。联想笔试通常要求开启摄像头监考用Chrome或Edge浏览器的兼容性最好。网络至少准备一条备用热点避免考试中途家庭宽带波动导致断线。机房环境方面清理桌面与屏幕周围无关物品。联想的在线笔试明确规定不可以查阅资料但实际监考中主要靠摄像头和屏幕监测。不管有没有人盯着保持诚实答题都是底线这既是对规则的尊重也是对自己能力的尊重。代码环境方面确认笔试平台支持的编程语言。牛客网和赛码网对Python、Java、C的支持都比较完善但如果Python版本是2.x就需要注意语法兼容性。在准备阶段我把常用算法模板排序、二分、DFS、BFS、DP都整理成自己的代码片段文档考前快速过一遍开考后直接调用思路节省了大量时间。心理状态方面笔试前夜不再做新题只复习自己的错题本和知识点清单。我的经验是考前深度睡眠比多刷一套题更有价值。因为笔试考察的是综合能力大脑清醒状态下的发挥比题海战术更关键。3.2 考试时间分配与答题顺序策略联想AI岗笔试总时长一般在120分钟到150分钟之间题目数量约在40到60道之间包含选择题、判断题、简答题、编程题和综合题。时间分配是整个考试成败的关键。我的策略是“先选择题后编程题最后死磕综合题”。选择题和判断题虽然分值不高但胜在性价比与容错率快速搞定基础分能有效建立信心为后面的硬仗储备好心态。具体来说选择题部分控制在30到40分钟内完成。遇到吃不准的题目先标记跳过不要浪费时间。单选题可以先用排除法之后结合时间再回看多选题则要更加谨慎不确定验证过的选项绝对不选因为少选通常还能拿到部分分多选会直接丢分。编程题部分建议留出60到70分钟。每道编程题先用3到5分钟读题和建模15到20分钟写代码和本地调试最后留2分钟检查边界条件。如果超过20分钟还没有清晰的思路果断换下一道最后有时间再来补。综合题和大题最后处理。这类题目通常是业务场景与算法结合的论述题或设计题没有标准答案考察的是思维框架和表达能力。即使时间不够也要尽量写出分析思路、方案框架和关键细节给阅卷人一个“会思考、能落地”的印象。这里分享一个时间管理细节进入考试页面后先把所有题目快速浏览一遍明确题量、题型分布和分值占比然后确定自己的时间预算。不要拿到卷子就直接开始做题先花3分钟制定策略整体收益反而更高。3.3 高频考点与典型例题详解下面展开几个我在考场上实际遇到的高频考点并附上详细的解题思路帮助大家理解联想的出题风格。典型例题一软max的数值稳定实现题目描述请用Python实现一个数值稳定的softmax函数输入为一个二维numpy数组batch_size, num_classes输出为每行的概率分布。这个题目考察的核心不是“会不会softmax”而是“知不知道直接实现会出什么问题”。当输入数值较大时np.exp(x)会产生极大的值导致溢出为inf进一步导致概率计算出现nan。正确的实现是import numpy as np def stable_softmax(x): # x shape: (batch_size, num_classes) x_max np.max(x, axis1, keepdimsTrue) x_exp np.exp(x - x_max) probs x_exp / np.sum(x_exp, axis1, keepdimsTrue) return probs在这里先对每个样本减去该样本的最大值再计算指数能够保证指数函数的输入不超过0从而避免数值溢出。同时即便减去最大值不改变原始的softmax结果因为分子分母同时除以了一个常数这一步在数学上是完全等价的。我在笔试中遇到这道题后特意留了一行注释解释“减去最大值是为了数值稳定性”后来复盘时认为这个细节给阅卷官留下了不错的印象。写代码时适当添加关键注释是展示工程素养的好方式。典型例题二感知机与逻辑回归的联系与区别题目描述请从数学形式和优化目标两个角度简述感知机与逻辑回归的联系与区别。这个问题在机器学习基础中极其经典但如果只是背结论很容易答得干瘪。我的回答思路分三层数学形式上两者都是线性分类模型都使用特征的加权和作为决策基础。感知机使用阶跃函数或符号函数将线性输出映射为类别逻辑回归则使用sigmoid函数将线性输出映射为概率。感知机输出的是一个硬分类结果逻辑回归输出的是一个软概率值。优化目标上感知机最小化误分类点到决策边界的距离总和损失函数为误分类点的符号错误驱动而逻辑回归在极大似然估计框架下最小化交叉熵损失使得预测概率分布与真实标签分布一致。逻辑回归的损失函数处处可导适合用梯度下降优化感知机的损失函数在误分类点处是线性的处理方式也不同。最后补充一个实际工程视角在数据线性可分时两者都能找到决策边界但逻辑回归给出的概率值使得它可以很方便地扩展为多分类或与其他模型集成感知机的优势在于计算简单适合超大规模数据的快速训练。典型例题三边缘设备上的模型压缩方案设计题目描述综合题联想智能设备需要对一个图像分类模型进行设备端部署设备内存为256MB算力有限模型压缩后精度损失不能超过2%请设计方案。这是一道典型的业务场景设计题没有标准答案重点在于展现完整的思考框架。我的回答思路是首先明确约束条件。设备内存256MB中包含操作系统运行时占用因此可用显存或内存可能只有100MB左右。图像分类模型如果以ResNet-50为例权重文件约25MB但运行时特征图占用会更大。必须在内存和计算量之间做综合权衡。然后是技术方案分层。第一层是模型轻量化设计优先选择MobileNet、EfficientNet-Lite等轻量网络结构而不是在ResNet-50上做剪枝量化因为结构选型直接决定性能上限。第二层是模型压缩技术包括权重量化FP32到INT8模型体积变为原来的1/4支持硬件加速、权重剪枝结构化剪枝后配合微调恢复精度、蒸馏用大模型蒸馏小模型。第三层是推理引擎优化比如使用TensorRT或MNN框架进行图优化和算子融合减少内存峰值。最后补充精度控制策略。由于设备端精度损失不能超过2%需要在校验集上做逐层评估确定哪一层对量化误差最敏感并对这些层保留FP16或使用混合精度量化同时可以使用量化感知训练在训练阶段模拟量化误差让模型主动适应低精度表示。这类综合题其实不要求你给出一个最终答案而是要求你展示分析思路、技术广度以及“工程折中”的意识。建议回答时采用“约束识别→方案分层→精度控制→验证方案”的结构让阅卷人感受到你的系统思考能力。4. 典型问题与避坑思路从考场上带回来的经验4.1 常见题型应对思路速查表笔试之后我在群里和许多同批次候选人聊过发现有些题目失分的原因不是不会做而是应对思路出了问题。下面整理了一份高频失分场景的应对对照表题型或场景常见失分原因正确应对思路选择题中多选题生怕漏选就全选只选有绝对把握的选项少选保底算法题数组越界只测正常样例手动输入空数组、单元素、全相同元素测试模型实现题数值溢出直接调用exp先减去最大值再计算指数运算简答题原理只背结论不会解释用“原理推导思路实际场景”三层回答综合设计题只列技术名词按“约束→方案→验证→迭代”线索展开时间不足在难题上死磕先用标记跳过最后集中攻克这份速查表不是标准答案而是在大量复盘后归纳的最佳实践。笔试不只是知识储备的较量更是策略与心态的较量。4.2 考场上拖延时间最多的地方在笔试过程中我在某些考点上花费了大量时间复盘后发现这些地方本可以用更快的方式突破。第一处是深度学习中BN层与Dropout在训练和推理阶段的差异。题目本身不难但我在回答时总想面面俱到结果啰嗦的描述占用了过多时间。实际这类简答题阅卷时看的是关键点是否答全。BN层在训练时使用当前batch的统计量推理时使用全局滑动平均统计量Dropout在训练时随机失活神经元推理时保留全部神经元并对权重乘以保留概率。两句话就能拿全分的题不需要展开成长篇论文。第二处是拔高的“分布式训练中的数据并行与模型并行”相关选择题。这里知识盲区较大光回忆就花了很久。遇到这种知识盲区我的建议是直接标记跳过不要在考试中途临时补课。考场上心态和精力是最宝贵的与其在一道题上纠结10分钟不如把它放一放把后面的编程题和综合题做好。第三处是编程题的边界条件处理。比如在没有告诉数组长度的情况下从标准输入读取数据很容易在输入解析环节出现失误。我的处理策略是提前封装一个快速读取多行整数列表的函数笔试时直接复用减少重复写解析逻辑带来的时间浪费。4.3 复盘时想明白的几个关键点站在现在这个时间节点回看这次笔试有几个认知层面的收获比考试分数更重要。第一个收获是知识体系必须“以点带面”地搭建。笔试题目通常不会直接问“什么是过拟合”而是会问“增加训练数据在什么情况下不会缓解过拟合”。这就需要你不仅理解过拟合的产生原因还要理解数据量、模型容量、正则化之间的关系。所以备考时要主动给自己出“变式题”多追问几个“为什么”和“如果不这样会怎样”。第二个收获是代码能力要靠在真实项目中锻炼。刷题和做项目是两种互补的体验。刷题能提升算法敏感度和基本功但工程项目能让你养成对数据预处理、异常处理、数值稳定性、代码健壮性的直觉。联想笔试中的模型实现题明显偏向工程能力好的人。建议在校生有条件的话至少完整复现一个开源项目跑通训练、评估、推理的全流程。第三个收获是时间管理和心态管理比想象中重要。笔试过程中遇到不会的题是常态卡住的时候最忌讳自我怀疑。我当时的做法是先把会做的全做完再回看不会的题反而能在思维转换后想出部分解法。笔试是一次多维度考核不追求满分追求在有限时间内拿到最高总分。再分享一个备忘录级别的小细节笔试交卷前如果系统允许把编程题代码复制一份保存到本地。这样做有两个好处一是后续面试复盘时可以直接展示思路和代码演进过程二是万一判题系统出现异常也有原始代码可以作为申诉依据。5. 笔试之后进度跟踪与后续面试衔接5.1 如何判断笔试是否通过笔试交卷后最折磨人的就是等待结果。从我的经验和群里的讨论来看联想笔试出结果的时间跨度比较大从一周到三四周都有。判断是否进入下一轮有几个参考信号邮箱或短信收到面试邀约自然是最直接的通知部分批次会有HR加微信联系后续流程如果你在联想的招聘官网或公众号看到自己的状态从“笔试中”变为“面试中”大概就是通过了。等待结果期间不建议频繁刷新页面这只会放大焦虑。更好的方式是做好两手准备一方面梳理笔试中的错题和盲区针对性地补齐知识短板另一方面开始准备面试高频问题比如项目经历深挖、经典模型结构推导、论文复现类问题等。把等待期转化成备考期是这段时间最好的安排。5.2 如何用提升笔试复盘效果来助攻面试笔试复盘不应该只停留在“知道自己哪里错了”而要把错题转化为面试的谈资。我在复盘时梳理了一张“笔试错题与面试话题映射表”把错误的知识点与可能的面试提问方式建立联系。举个例子如果笔试中SVM相关选择题做错了面试中就可能被追问“SVM为什么对高维稀疏数据表现好”“核函数如何选择”“SMO算法解决什么问题”。针对每一个失分点我都在面试前准备了至少15分钟的口头模拟回答确保不仅知道正确答案还能在面试节奏下清晰讲述。笔试错题是面试提问的风向标。企业面试官能看到你的笔试成绩和答卷大概率会根据你的薄弱环节进行追问。抓住笔试暴露出来的盲区提前补强就能把弱项变成下一次展示学习能力的亮点。5.3 对学习路线的反馈与调整联想的笔试经历让我重新审视了自己的学习重心。过去一段时间我把大量时间花在了啃深度学习理论书籍上对经典机器学习、数据结构和业务场景建模的重视频率反而偏低。这次考试让我意识到工业界的AI岗位需求是“全栈理解单点深入”既要有扎实的机器学习基础打底也要在某个方向上比如计算机视觉做纵深研究还要具备把算法部署到真实场景的工程能力。结合当前行业对“人工智能学习路径”的热议我想给大家一个相对均衡的建议框架第一层是数学基础包括线性代数、概率论与数理统计、最优化方法这是所有模型推导的地基第二层是经典机器学习算法包括回归、分类、聚类、降维、集成学习要能做到公式推导和手动实现第三层是深度学习核心网络结构包括CNN、RNN、Transformer要透彻理解设计动机、计算流程和适用场景第四层是工程能力包括Python编程、数据处理、模型训练脚本编写、检测调试和部署优化第五层是业务理解包括如何把模糊的业务需求转化为清晰的技术问题怎么设计评估指标怎么折中地平衡效果与成本这个学习框架不是标准答案但它是经过这场笔试验证的、能帮我覆盖大部分考点的体系。如果你也正在准备AI相关岗位的笔试可以参考这个框架去审视自己的知识结构找到薄弱项重点突击。6. 写在最后的个人体会准备一场笔试表面上是知识储备的较量本质上是复盘能力和自我管理能力的比拼。今年联想的AI岗笔试让我印象最深的不是某个刁钻的算法题而是它传递出的信号企业在找的不只是“会做模型的人”更是“理解业务、能落地、有工程素养”的候选人。这体现在出题风格的每一个细节里。综合题给你一个设备端的模型部署场景考察的是你在资源约束下做技术决策的能力编程题给你一道带数值稳定性陷阱的实现题考察的是你有没有真刀真枪跑过训练简答题不要求你复述公式而是要求你说清设计动机考察的是你能不能把知识讲明白。这些信号共同指向一个事实纸上谈兵的时代已经过去了。如果你还在校建议多走进实验室多接触真实的数据和真实的训练过程。如果你正在准备春招我建议把笔试当成一次免费的实战模拟而不是一锤子买卖的判决。每一次答题暴露出来的问题都是下一次面试前最值得补齐的短板。最后再分享一个实操建议笔试复盘时把不会的题目按照“知识盲区”“思维盲区”“表达盲区”三类整理。知识盲区靠看书补思维盲区靠刷题和讨论补表达盲区靠模拟面试和写博客补。三类问题对应三种完全不同的解决方案别混为一谈。这样一场笔试下来你带走的绝不仅仅是一个成绩通知而是一份清晰的成长地图。