2023年商汤科技秋招算法研究岗的笔试是我秋招季做过印象最深的一场。倒不是说题目难到让人崩溃而是它的考察范围确实比一般互联网大厂的算法岗要更“专”一些——既考代码能力也考数学功底还会冷不丁冒出一道AI基础理论题让人感觉不像在刷LeetCode而是更像在做一份综合学术能力测试。我当时做完之后记了不少复盘笔记这篇就把整个笔试的题型分布、每一类题目的考察重点、我踩过的坑以及备考思路完整梳理一遍。无论你是准备冲商汤的算法研究岗还是想了解这类AI独角兽笔试和互联网大厂的区别这篇都值得存下来慢慢看。1. 商汤笔试到底考什么——从题型分布看算法岗的考察逻辑先说说整体感受。商汤的算法研究岗笔试和我之前做的字节、腾讯、百度算法岗都不太一样它明显更偏向“研究”而非“工程”。互联网大厂的算法笔试通常以代码题为主偶尔夹几道机器学习基础选择题商汤这场则明显花了很多篇幅在数学推导和AI基础理论上代码题也有但占比没有想象中那么高。我当时拿到的卷子整体结构大致是四个板块板块题型大致题量难度感受选择题数据结构、算法复杂度、机器学习基础15道左右中等但坑很多简答题算法原理推导、模型结构理解3道左右较难需要手写推导编程题数据结构与算法为主2道中等偏上数学/智力题概率统计、最优化、智力题3道左右难时间杀手这个结构其实透露了一个很重要的信息商汤的算法研究岗需要的不只是“能写代码的人”而是“懂算法原理、有数学功底、能理解模型背后逻辑的人”。这也是它和纯业务算法岗最大的区别。时间方面我记得整场笔试的时间是两个小时看起来挺充裕但实际做起来非常紧张。尤其是数学/智力题那部分每道题都要花大量时间推演如果前面的选择题犹豫太久后面编程题基本就没时间写了。我复盘之后的一个核心结论是商汤笔试的考察逻辑不是“你刷了多少题”而是“你是否真正理解了算法的本质”。比如它不会直接问你“快速排序的时间复杂度是多少”而是会换一个角度考察你对递归深度、最坏情况、稳定性等底层机制的理解。这种考法光靠背答案是完全行不通的。2. 选择题里的高频考点——数据结构和算法的“变种”考察选择题是整张卷子的第一个板块也是很多人容易掉以轻心的部分。我一开始也觉得选择题应该是最简单的但真正做起来才发现它考察的方式和牛客网上那些常规刷题完全不一样。先说说数据结构这块。商汤的选择题很少直接问“B树和B树的区别”这种背诵型问题而是会给你一个具体的场景让你判断该用哪种数据结构。我记得有一道题大意为在实时语音识别系统中需要频繁地在流式数据中查找最近插入的元素且需要支持插入、删除、查找三种操作问哪种数据结构最合适。这种题没有绝对的“标准答案”而是在考察你对不同数据结构适用场景的理解。还有一道让我印象很深的题考的是KMP算法的next数组。题目给了一个模式串pabacaba要求计算next数组的某个值。这道题本身并不难但如果你只是背过KMP模板不理解next数组的物理含义很容易在边界条件上出错。我当时在草稿纸上把整个next数组推导了一遍才敢下笔。这里我把KMP next数组的计算过程简单说一下方便大家回顾对模式串abacaba前缀函数next[i]定义为以i结尾的子串中最长的相等前后缀长度i0, a无前后缀next[0]0i1, ab前缀a后缀b不匹配next[1]0i2, aba前缀a后缀a匹配next[2]1再看ab和ba不匹配i3, abac前缀a后缀c不匹配ab vs ac不匹配next[3]0i4, abaca前缀a后缀a匹配长度1ab vs ca不匹配next[4]1i5, abacab前缀ab后缀ab匹配长度2aba vs cab不匹配next[5]2i6, abacaba前缀a后缀a匹配继续看ab vs ba不匹配next[6]1这种考法其实就是在提醒你只靠记忆是走不远的理解算法的每一个细节才是关键。算法复杂度也是选择题的重点但商汤的考法同样很刁钻。它不会直接问你某个算法的复杂度而是会给出一个优化过的算法变种让你分析复杂度变化。比如用分治思想优化后的冒泡排序、加了剪枝条件的深度优先搜索这些都需要你从第一性原理去推演。我当时的策略是遇到拿不准的复杂度题直接假设最坏情况用递推公式去推而不是凭感觉选。这个习惯在选择题里帮我避免了好几次低级失误。3. 机器学习理论题——商汤的“正餐”考点如果说选择题是开胃菜那机器学习理论题就是商汤笔试的“正餐”了。这块也是我觉得它和互联网大厂算法岗笔试最大的分水岭。商汤对机器学习基础的考察非常系统从传统机器学习算法到深度学习模型结构都有涉及。我印象中选择题里至少有一半是机器学习相关的而且考察得很细。传统机器学习这块聚类算法、KNN、决策树、支持向量机是重点。有一道题考的是K-means聚类的优缺点但它不是让你列优缺点而是给出一个带有噪声点的数据集问K-means在这个场景下的表现以及改进方案。这种考法需要你真正理解K-means对初始中心点敏感、对噪声敏感的缺陷才能选出正确答案。还有一道KNN相关的题考的是KNN算法的三个核心应用能力分类、回归、异常检测。这里我得提醒大家KNN不只是分类算法它也可以做回归通过K近邻的平均值预测还可以做异常检测通过距离阈值判断。如果你只把KNN当成分类器来看这道题就很容易选错。决策树这块考了ID3、C4.5和CART的区别以及信息增益、信息增益比、基尼系数的计算。题目本身不算超纲但在有限时间内手算信息熵还是有点费劲的需要你对公式非常熟练。深度学习这块商汤的考察更偏基础理论。有一道题考的是CNN中感受野的计算这个如果你只是会用PyTorch搭模型没有手推过感受野很容易算错。感受野的计算公式是R_i R_{i-1} (k_i - 1) * stride_accumulated其中R_i是第i层的感受野k_i是该层卷积核大小stride_accumulated是之前所有层stride的乘积。我当时看到这道题还挺庆幸的因为秋招前刚好手推过VGG和ResNet的感受野变化。还有一个让我印象深刻的点是它考了损失函数的选择场景。比如对于人脸识别任务Softmax Loss和Triplet Loss各自的优缺点是什么什么场景下用哪个更合适。这种题没有绝对标准答案但需要你对不同损失函数的优化目标和收敛特性有清晰认识。商汤毕竟是人脸识别起家的公司考这类问题其实也在意料之中。深度学习优化算法也是一个重点考察了SGD、Momentum、RMSProp、Adam各自的原理和区别。特别是Adam它结合了Momentum和RMSProp的思想但在某些场景下会导致收敛问题比如初期偏差修正、学习率设置不当导致的不稳定等。这些细节如果只是停留在“用Adam就能收敛”的层面是很难答好这类题的。4. 简答题与数学推导——最能拉开差距的部分简答题是整场笔试里我做得最痛苦也是收获最大的一部分。它考察的不是“你知道什么”而是“你能不能把原理讲清楚”甚至有些题会要求你现场推导公式。我记得有一道简答题大意是给定一个场景需要你设计一个损失函数并解释为什么这样设计。这种题目没有标准答案但考察的是你对问题建模的能力、对损失函数性质的理解以及你能否用数学语言清晰地表达设计思路。我当时写的时候尽量把公式推导过程写完整把每一步的动机都交代清楚这种答题习惯我认为是能加分的。还有一道简答题涉及到了粒子群算法原理。题目不是直接问粒子群算法是什么而是让你对比粒子群算法和梯度下降法在优化问题上的异同以及各自适用的场景。这就涉及到对两类优化算法本质的理解梯度下降法利用目标函数的梯度信息沿着负梯度方向迭代收敛速度快但容易陷入局部最优。粒子群算法模拟鸟群觅食行为通过群体中个体的协作和信息共享来搜索全局最优解不依赖梯度信息更擅长处理非凸、不可导的优化问题但收敛速度相对较慢且参数惯性权重、学习因子对结果影响很大。我在答这道题时还延伸写了一下粒子群算法的位置和速度更新公式以及它在超参数优化、神经架构搜索中的应用场景。商汤的面试官喜欢看到你把理论联系到实际问题的能力这种“额外”的补充我认为是有价值的。数学推导题主要集中在概率统计和线性代数。我记得有一道概率题大意是给了一个贝叶斯推断的场景要求计算后验概率。这种题在大学概率论里很常见但在限时笔试中做起来还是会紧张。我的经验是遇到这种题先列出已知条件和要求解的量把贝叶斯公式写出来再代入整个过程要条理清晰避免在计算过程中出现低级失误。还有一道题考到了卡尔曼滤波算法的基本原理。这个说实话有点超我预期了因为卡尔曼滤波虽然应用很广但在算法岗笔试里并不算高频考点。这道题没有让推导完整公式而是考了卡尔曼滤波的核心思想在包含噪声的观测数据中通过预测和更新两个步骤估计系统的真实状态并以最小均方误差为准则进行状态融合。核心是那句**预测当前状态然后用观测值去修正预测修正的程度取决于预测的不确定性和观测的噪声大小。**如果你能把这个逻辑讲清楚基本就能拿到大部分分数。对于这类题目我建议大家复习时不要只盯着机器学习算法扎实的数学功底才是算法研究岗真正的分水岭而这也是商汤这类AI公司特别看重的能力。5. 编程题复盘——高频考点和完整的解题链路编程题部分商汤没有出特别偏难怪的题但很考察基础算法的灵活运用。第一道编程题我印象比较深是一道带有优化要求的遍历问题。它不是直接给你一个图让你求最短路而是在最短路基础上增加了额外约束比如限制经过的节点数量、增加路径权重等。这种题型的底层算法就是基础的Dijkstra算法但需要你对它做变形处理单纯背模板是不够的。我当时的解题思路是明确这是一道图论单源最短路径问题基础算法选Dijkstra。分析新增的约束条件确定是否需要用分层图、或者维护多个维度的distance数组来求解。因为数据规模可能较大用了优先队列最小堆优化确保时间复杂度在O((VE)logV)级别。写完后用题目给的示例数据验证再自己构造几个边界数据比如起点等于终点、大权重、负权边不存在等自测。这里也提醒一下大家笔试时自己构造测试用例的习惯非常重要。很多时候题目代码虽然过了示例但一交上去就是超时或者答案错误原因往往就是边界情况没有处理好。第二道编程题是典型的动态规划问题。它和常见的DP题不同之处在于状态转移时需要考虑多个约束条件并且要求输出具体的方案而不仅仅是最大值。这种输出方案的题目建议用一个额外的数组来记录每一步的决策最后通过回溯来还原具体方案。我在做这类题时的经验是先写出标准的DP递推式再根据递推式反向构造方案数组这样可以避免在递归回溯时出现逻辑混乱。关于编程题的语言选择我用的是C。商汤笔试支持的语言挺全的但如果你投的是算法研究岗我个人建议用C或者Python。C在写复杂数据结构和图论算法时更顺手Python则在处理数学计算和原型验证时更快。不过核心原则还是用你最熟练的语言临场换语言是大忌。我还想特别提一下快速幂算法因为它在笔试中的出现频率比大家想象的要高得多。它看起来是一个很小的技巧但无论是计算大数取模、矩阵快速幂还是在某些数论题里它都是基础工具。快速幂的核心思想其实很简单要计算a^b将b表示为二进制。例如b13二进制是1101即a^13 a^8 * a^4 * a^1。每次迭代将a不断平方同时检查b的当前位是否为1决定是否累乘到结果中。时间复杂度从O(b)降为O(log b)。如果笔试中遇到了需要快速计算幂的场景而你还在用循环累乘时间复杂度很可能直接超限。这类基础算法在商汤笔试选择题和编程题中都有可能以“隐藏技能”的形式出现提前储备好不会有坏处。6. 从笔试复盘总结出的备考建议和实用技巧做完商汤这场笔试结合我整个秋招的经验总结几条我认为最实用的备考思路尤其是针对AI算法研究岗这类偏基础研究能力的考察希望对正在准备的同学有参考价值。第一数据结构与算法的基础必须非常扎实而且不能只会背模板。商汤考察的重点不是“你用哪个模板解题”而是“你对这个算法理解有多深”。无论是排序算法、KMP还是Dijkstra、堆排序、快速幂都要能做到手推、手写、解释清楚每一步的复杂度来源。我在备考时会把每个算法用最朴素的语言给自己讲一遍能讲明白才是真的理解了。第二机器学习算法和深度学习基础理论是商汤笔试的重头戏复习要有系统性。从传统机器学习的KNN、K-means、决策树、支持向量机、贝叶斯到深度学习的CNN、RNN、Transformer每个模型的原理、推导、优缺点、适用场景都要能说不清楚。特别是损失函数的设计与选择、梯度下降的各类优化器、感受野的计算、BN的作用机制这些都是商汤笔试的高频考点。第三数学功底不能丢。概率论、线性代数、最优化方法这些看起来“偏基础”的数学内容恰恰是商汤算法研究岗笔试的防刷分利器。不要以为只用刷LeetCode就行概率题的现场计算能力、矩阵求导的基本功、优化理论的核心概念都需要系统复习。第四时间分配是策略问题要先做有把握的题。我的建议是先快速浏览整张试卷标注出各题的大致难度。优先做选择题和简单题保证基础分全部拿到。把完整的一块时间留给编程题因为编程题往往分值较高。数学推导题放在最后因为这类题容易深挖耗时性价比不一定高。第五考前刷题的重点要从“量”转向“质”。针对商汤这种风格的笔试光刷LeetCode是不够的。我当时每周会花半天时间专门去推导机器学习算法中的公式比如SVM的对偶问题推导、逻辑回归的梯度推导、K-means的收敛性证明事实证明这些复习确实在笔试中派上了用场。以上就是我对2023年商汤科技秋招算法研究岗笔试的完整复盘和个人经验。回头看这场笔试给我的最大感受是商汤想找的不是“刷题机器”而是真正吃透了算法原理、具备扎实数学功底、有一定研究潜力的候选人。如果你正在准备类似岗位的笔试建议把复习重心从“刷了多少题”转移到“理解有多深”上这个方向大概率不会错。最后再多说一句我的切身体会笔试只是第一道门槛但它的考察风格其实已经暗示了你和这个岗位的匹配度。如果你做这套题时觉得“这些原理我都讲过一遍”那面试环节你会从容很多如果做的时候觉得“这个公式我好像见过但推不出来”那说明基础还有漏洞需要补。真诚地建议大家把每一场笔试都当作一次查漏补缺的机会认真复盘后面会越战越顺的。