從很(hen)多方面來看，2022 年都是(shi)軟(ruan)(ruan)件的(de)(de)(de)分水(shui)嶺(ling)；隨著疫情最嚴重(zhong)肆虐破(po)壞的(de)(de)(de)過(guo)去，我們可以看到暫時(shi)的(de)(de)(de)變化，以及哪(na)些(xie)(xie)變化已經(jing)成為結構性的(de)(de)(de)了。因此，那(nei)些(xie)(xie)利(li)用軟(ruan)(ruan)件建立可持(chi)續長期業務(wu)的(de)(de)(de)公司(si)得(de)以蓬勃發展，打(da)破(po)了疫情前的(de)(de)(de)現(xian)狀。然而(er)，與此同時(shi)，那(nei)些(xie)(xie)僅(jin)僅(jin)是(shi)技術潮流的(de)(de)(de)產品(pin)將(jiang)被扔進歷(li)史的(de)(de)(de)垃(la)圾(ji)桶(tong)。
隨著工作實踐以及軟件和 IT 對世界生存的重要程度的變化，軟件測試行業也發生了類似的轉變，轉向質量工程實踐和自動化程度的提高。與此同時，我們看到機器學習、人工智能以(yi)及使之成為可能(neng)的(de)大型神經網絡(luo)取(qu)得了重(zhong)大的(de)進展。這些新技(ji)術(shu)將(jiang)以(yi)前所未(wei)(wei)有(you)的(de)方式(shi)(shi)改變軟件的(de)開發和測試方式(shi)(shi)。在本文中，我將(jiang)討論(lun)未(wei)(wei)來幾年(nian)我們可能(neng)會看到的(de)趨(qu)勢(shi)。
軟件測試趨勢
即(ji)使是在(zai)疫情(qing)之前，軟件測試就已經(jing)通過提高測試過程中各個級別的(de)(de)自動(dong)化(hua)程度而(er)發生了(le)轉變(bian)。然而(er)，由于需要在(zai)疫情(qing)期期間快(kuai)速重塑商業(ye)(ye)模(mo)式或添加新的(de)(de)功能來處(chu)理遠程工作/生活(huo)，開發人員的(de)(de)需求旺盛，供不應求。這導(dao)致了(le)對更多編(bian)程專業(ye)(ye)知識進(jin)行測試的(de)(de)矛盾需求，以及(ji)對這些編(bian)程技能的(de)(de)更多競爭。
結(jie)果之一是轉向了(le)用(yong)(yong)(yong)“低代(dai)(dai)碼(ma)”或“無代(dai)(dai)碼(ma)”工具(ju)、平臺(tai)(tai)和框架來構建和測(ce)(ce)(ce)試應用(yong)(yong)(yong)程序(xu)。在測(ce)(ce)(ce)試方面(mian)，這(zhe)意味(wei)著(zhu) Selenium 或 Cypress 等(deng)代(dai)(dai)碼(ma)繁(fan)重(zhong)的測(ce)(ce)(ce)試框架面(mian)臨(lin)著(zhu)來自業務用(yong)(yong)(yong)戶可以(yi)使(shi)用(yong)(yong)(yong)的低代(dai)(dai)碼(ma)替代(dai)(dai)方案的競爭(zheng)。此外(wai)，對于某些(xie) ERP 和 CRM 平臺(tai)(tai)，例如 Salesforce、Dynamics、Oracle 和 SAP 等(deng)，這(zhe)意味(wei)著(zhu)測(ce)(ce)(ce)試工具(ju)本身(shen)需(xu)要(yao)對被測(ce)(ce)(ce)試的應用(yong)(yong)(yong)程序(xu)有更多的智能和理(li)解。
機器學習改變軟件測試
我們看到機器學習（ML）用于測試(shi)(shi)的第(di)一(yi)種方式是(shi)使(shi)當前的自(zi)動(dong)化測試(shi)(shi)更(geng)(geng)(geng)具彈性，更(geng)(geng)(geng)不(bu)那(nei)么脆弱。軟件測試(shi)(shi)的一(yi)個致命弱點是(shi)維護，主(zhu)要(yao)體現在測試(shi)(shi)整個應用程(cheng)序和(he)用戶(hu)界面而(er)不(bu)是(shi)獨立模塊（稱為(wei)單(dan)元測試(shi)(shi)）時。軟件應用程(cheng)序會不(bu)斷(duan)變化，因為(wei)用戶(hu)希望不(bu)斷(duan)更(geng)(geng)(geng)新其他功能或業(ye)務流(liu)程(cheng)；然(ran)而(er)，這(zhe)些(xie)更(geng)(geng)(geng)改將(jiang)會導致自(zi)動(dong)測試(shi)(shi)不(bu)再能正(zheng)常工(gong)作。
例如，如果登錄按鈕(niu)更(geng)改(gai)(gai)了它的(de)坐標、形(xing)狀或位(wei)置，則可(ke)(ke)能(neng)會中斷(duan)先前(qian)記錄的(de)測(ce)(ce)試(shi)。即使(shi)(shi)是(shi)(shi)像頁面加載速度這樣的(de)簡單更(geng)改(gai)(gai)也(ye)可(ke)(ke)能(neng)導致自動(dong)(dong)測(ce)(ce)試(shi)的(de)失(shi)敗。具有諷刺意味的(de)是(shi)(shi)，人(ren)類(lei)比計(ji)算機(ji)更(geng)直觀(guan)，也(ye)更(geng)擅長測(ce)(ce)試(shi)，因(yin)為我們可(ke)(ke)以查看應用程序，并立即看到哪個按鈕(niu)放(fang)在了錯誤的(de)位(wei)置、哪些(xie)內容沒有被(bei)正確顯示。當然，這是(shi)(shi)因(yin)為大(da)多數應用程序都是(shi)(shi)為人(ren)類(lei)使(shi)(shi)用而構建(jian)的(de)。那些(xie)為其(qi)他計(ji)算機(ji)使(shi)(shi)用而構建(jian)的(de)軟件系統（稱(cheng)為 API）使(shi)(shi)用自動(dong)(dong)化測(ce)(ce)試(shi)要容易得多！
為(wei)了克(ke)服這些(xie)限制，較新的(de)(de)(de)低代(dai)碼(ma)軟(ruan)件測(ce)試工(gong)具正(zheng)在使用(yong)(yong)機(ji)器(qi)學習讓這些(xie)工(gong)具以多(duo)種(zhong)方式并多(duo)次迭(die)代(dai)掃描正(zheng)在測(ce)試的(de)(de)(de)應(ying)用(yong)(yong)程(cheng)(cheng)序(xu)，以便它(ta)們(men)(men)能(neng)夠了解哪(na)(na)些(xie)結果是“正(zheng)確”的(de)(de)(de)，哪(na)(na)些(xie)結果是“不正(zheng)確”的(de)(de)(de)。這意味著當系統的(de)(de)(de)更改與(yu)最初記錄的(de)(de)(de)內容(rong)略有偏差(cha)時，它(ta)將(jiang)能(neng)夠自動確定該(gai)偏差(cha)是預期(qi)(qi)內的(de)(de)(de)（測(ce)試通過）還是預期(qi)(qi)外(wai)的(de)(de)(de)（測(ce)試失(shi)敗(bai)）。當然，我們(men)(men)仍然處于這些(xie)工(gong)具的(de)(de)(de)早期(qi)(qi)階(jie)段，而且它(ta)們(men)(men)的(de)(de)(de)炒作多(duo)于實質。盡(jin)管(guan)如此，隨著我們(men)(men)步入(ru) 2023 年，我們(men)(men)將(jiang)會看到機(ji)器(qi)學習在軟(ruan)件測(ce)試中(zhong)的(de)(de)(de)實際(ji)用(yong)(yong)例(li)，特別是針對復雜(za)的(de)(de)(de)業務應(ying)用(yong)(yong)程(cheng)(cheng)序(xu)和快(kuai)速變(bian)化的(de)(de)(de)云原生應(ying)用(yong)(yong)程(cheng)(cheng)序(xu)的(de)(de)(de)。
機器學習技術的(de)(de)另一個(ge)(ge)廣泛應用將(jiang)是(shi)(shi)在(zai)質量工(gong)程的(de)(de)分析和報告方(fang)(fang)面(mian)。例(li)如(ru)，軟(ruan)件(jian)測(ce)(ce)(ce)(ce)(ce)試(shi)(shi)中的(de)(de)一個(ge)(ge)長(chang)期存(cun)在(zai)的(de)(de)挑戰是(shi)(shi)要(yao)知(zhi)道將(jiang)測(ce)(ce)(ce)(ce)(ce)試(shi)(shi)資(zi)源和工(gong)作集(ji)中在(zai)哪里。“基于風險的(de)(de)測(ce)(ce)(ce)(ce)(ce)試(shi)(shi)”這一新興學科旨在(zai)將(jiang)軟(ruan)件(jian)測(ce)(ce)(ce)(ce)(ce)試(shi)(shi)活動集(ji)中在(zai)包含最大風險的(de)(de)系統區域(yu)上。如(ru)果(guo)你(ni)可以使用測(ce)(ce)(ce)(ce)(ce)試(shi)(shi)來減少總體風險敞口，那么你(ni)就(jiu)有(you)了(le)(le)一種分配資(zi)源的(de)(de)量化(hua)方(fang)(fang)式。衡量風險的(de)(de)方(fang)(fang)法之一是(shi)(shi)查看特定(ding)事件(jian)的(de)(de)概率和影(ying)響(xiang)，然后(hou)使用先前的(de)(de)數據來了(le)(le)解這些值對于系統每個(ge)(ge)部分的(de)(de)重要(yao)性。然后(hou)，你(ni)可以針對這些區域(yu)進行測(ce)(ce)(ce)(ce)(ce)試(shi)(shi)。對于機器學習來說(shuo)，這是(shi)(shi)一個(ge)(ge)近(jin)乎完美的(de)(de)用例(li)。這些模型(xing)可以分析之前的(de)(de)開發(fa)、測(ce)(ce)(ce)(ce)(ce)試(shi)(shi)和發(fa)布活動，以了(le)(le)解發(fa)現缺(que)陷(xian)、更改代碼的(de)(de)位(wei)置以及歷(li)史上發(fa)生過的(de)(de)問題。
人工智能如何改變安全測試
如果說機(ji)器學習正(zheng)在(zai)改變軟件測試行(xing)業，那么人(ren)(ren)工智(zhi)能(neng)（AI）將(jiang)以多(duo)種方式改變網絡安全(quan)行(xing)業。例如，已(yi)經有傳言稱，許多(duo)防病(bing)毒和(he)入侵的檢測系統(tong)(tong)正(zheng)在(zai)使用人(ren)(ren)工智(zhi)能(neng)來(lai)尋找可能(neng)表明網絡攻擊的異常模式和(he)行(xing)為(wei)。然而，我們現在(zai)才看到人(ren)(ren)工智(zhi)能(neng)首次被用于定位(wei)和(he)探測系統(tong)(tong)，以主(zhu)動發現薄弱點和(he)漏洞。
例如，流行的(de)(de) OpenAI ChatGPT 聊天機器人被要求創(chuang)建用(yong)于訪問系(xi)統的(de)(de)軟件代(dai)碼(ma)(ma)，并生成(cheng)假冒但真實(shi)的(de)(de)釣魚文本(ben)，以發(fa)送(song)給(gei)使(shi)用(yong)該系(xi)統的(de)(de)用(yong)戶。魚叉式網(wang)絡(luo)釣魚最常見的(de)(de)方法之一是使(shi)用(yong)某種社會工(gong)程和(he)模(mo)擬，這是網(wang)絡(luo)安全的(de)(de)新前(qian)沿。聊天機器人能夠根據從受(shou)害者那里實(shi)時收(shou)到的(de)(de)響應，同時創(chuang)建工(gong)作(zuo)代(dai)碼(ma)(ma)和(he)逼真的(de)(de)自然語言，以使(shi)人工(gong)智能能夠創(chuang)建動(dong)態的(de)(de)實(shi)時攻擊能力。
如果你不(bu)相信自己會(hui)上當受騙，這里有一個測試(shi)——本文(wen)(wen)中(zhong)有一個段落是由(you) ChatGPT 編寫的，并且我們將(jiang)它原封不(bu)動地粘貼到了(le)本文(wen)(wen)中(zhong)。你能猜(cai)出(chu)是哪(na)一段嗎？
我們如何測試或檢查人工智能或機器學習系統？
當(dang)我(wo)們(men)部(bu)署基于(yu)人工智(zhi)能(neng)（AI）和(he)機(ji)器學習（ML）的(de)系(xi)(xi)統(tong)(tong)和(he)應用程序時，面臨的(de)另一個挑(tiao)戰(zhan)是(shi)：我(wo)們(men)如(ru)何測試(shi)它(ta)們(men)？對于(yu)傳(chuan)統(tong)(tong)的(de)軟件系(xi)(xi)統(tong)(tong)，人類(lei)編寫需(xu)求，開(kai)(kai)發系(xi)(xi)統(tong)(tong)，然后讓其(qi)他人（在計算(suan)機(ji)的(de)輔助下）對其(qi)進行測試(shi)，以確保結果(guo)匹配。對于(yu) AI/ML 開(kai)(kai)發的(de)系(xi)(xi)統(tong)(tong)，通(tong)常沒(mei)有離(li)散的(de)需(xu)求，取而(er)代之的(de)是(shi)大數(shu)據集(ji)、模型和(he)反饋機(ji)制。
在許多情況下，我們不(bu)知(zhi)道系統(tong)是如(ru)何(he)得出(chu)具體答案的，只知(zhi)道答案是與所提供(gong)的數據集中的證據相符。這使得 AI/ML 系統(tong)能夠創建人類以(yi)前不(bu)知(zhi)道的新方法，并找(zhao)到獨特的關聯和突破。然(ran)而(er)，這些(xie)新的見(jian)解是未經(jing)證實的，可能只與它們所基于的有限(xian)數據集一樣好。風險在于，你開始將這些(xie)模型用(yong)于生(sheng)產(chan)系統(tong)時(shi)，它們會以(yi)意想不(bu)到且(qie)不(bu)可預測(ce)的方式運行(xing)。
因(yin)此，測(ce)試人員和(he)系(xi)統所有者(zhe)必須確保(bao)他們清楚地(di)掌(zhang)握(wo)了(le)業務需求、用(yong)(yong)例和(he)邊界條件(jian)（或(huo)約束）。例如(ru)，定義所用(yong)(yong)數(shu)據(ju)集的限制和(he)訓練模(mo)型(xing)(xing)的特定用(yong)(yong)例將能確保(bao)模(mo)型(xing)(xing)僅用(yong)(yong)于支持(chi)其原始數(shu)據(ju)集所代表的活動。此外，讓人類(lei)獨自檢查模(mo)型(xing)(xing)預測(ce)的結果也是(shi)至關重要的。
人工智能如何改變計算機硬件？
人工智能(neng)(neng)開發人員(yuan)面(mian)(mian)臨的(de)物理(li)挑戰之一(yi)是(shi)當代(dai)硬件的(de)局限性。一(yi)些正在(zai)使用的(de)數(shu)(shu)據(ju)集(ji)的(de)規模(mo)達到了 PB 級(ji)，這對(dui)于根本沒有足(zu)夠 RAM 容量(liang)(liang)(liang)(liang)來運行這些模(mo)型(xing)的(de)數(shu)(shu)據(ju)中心來說是(shi)一(yi)個挑戰。取(qu)而代(dai)之的(de)是(shi)，它們(men)必須使用 500 多個通用處理(li)單(dan)元(yuan)（GPU）來處理(li)整個數(shu)(shu)據(ju)集(ji)，每個 GPU 都有數(shu)(shu)百(bai) GB 的(de) RAM。在(zai)處理(li)方(fang)面(mian)(mian)，問題也類(lei)似，當前(qian)的(de)電(dian)(dian)子(zi) CPU 和(he) GPU 會產(chan)生大量(liang)(liang)(liang)(liang)的(de)熱(re)量(liang)(liang)(liang)(liang)，消耗大量(liang)(liang)(liang)(liang)的(de)電(dian)(dian)力，并行處理(li)的(de)速度會受到電(dian)(dian)阻(zu)的(de)限制。解決(jue)這些限制的(de)一(yi)個可能(neng)(neng)方(fang)案(an)是(shi)使用光計算（Optical Computing）。
光(guang)計(ji)(ji)算(suan)(suan)是(shi)一種利用(yong)激光(guang)和光(guang)電(dian)探測器(qi)等(deng)基于(yu)光(guang)的(de)(de)(de)技(ji)術(shu)來執行(xing)計(ji)(ji)算(suan)(suan)并(bing)處理信息(xi)的(de)(de)(de)計(ji)(ji)算(suan)(suan)類型。雖然已經有了(le)將光(guang)計(ji)(ji)算(suan)(suan)用(yong)于(yu)人工智能(neng)（AI）應用(yong)的(de)(de)(de)研(yan)究(jiu)，但(dan)它尚未被廣泛用(yong)于(yu)這一目的(de)(de)(de)。將光(guang)計(ji)(ji)算(suan)(suan)用(yong)于(yu)人工智能(neng)存在一些挑戰，其中包括許多人工智能(neng)算(suan)(suan)法需要高精度的(de)(de)(de)數值計(ji)(ji)算(suan)(suan)，而使用(yong)光(guang)技(ji)術(shu)很(hen)難(nan)執行(xing)這些計(ji)(ji)算(suan)(suan)。
話(hua)雖如此，但將光(guang)(guang)計算(suan)用(yong)(yong)于(yu)人(ren)工(gong)智(zhi)能仍有(you)(you)一些(xie)潛在的優(you)勢。例如，光(guang)(guang)計算(suan)系統可(ke)能會以非(fei)常高(gao)的速(su)度運行(xing)，這對于(yu)某些(xie)需要實時處理大量數據(ju)的人(ren)工(gong)智(zhi)能應用(yong)(yong)來說非(fei)常有(you)(you)用(yong)(yong)。一些(xie)研究人(ren)員也在探索(suo)使用(yong)(yong)光(guang)(guang)子學（光(guang)(guang)學的一個(ge)子領域）來實現人(ren)工(gong)神(shen)經網(wang)絡，這是許多人(ren)工(gong)智(zhi)能系統的關鍵組(zu)成部分。
我們將會有哪些新的角色和職業？
隨(sui)著人工智能(neng)(neng)變得(de)越(yue)來(lai)越(yue)主(zhu)流，可能(neng)(neng)會(hui)(hui)出現(xian)一些還沒有(you)被我們發(fa)明出來(lai)的(de)全(quan)新職業領域(yu)。例如(ru)，如(ru)果你曾(ceng)經(jing)嘗試過(guo)使(shi)用 ChatGBT 這(zhe)樣的(de)聊天機(ji)器人，你會(hui)(hui)發(fa)現(xian)它可以寫出大(da)量看似(si)合理但(dan)卻完全(quan)不準確的(de)信息。除了簡單地雇傭人類事實(shi)核查(cha)人員和人工軟(ruan)件測(ce)試人員團隊之外，道德規(gui)范在軟(ruan)件測(ce)試中(zhong)可能(neng)(neng)會(hui)(hui)扮演一個新的(de)角色。
一些(xie)(xie)眾所周(zhou)知的(de)(de)技(ji)術已經從輸入(ru)的(de)(de)數(shu)據中學習(xi)到了(le)偏(pian)見(jian)或(huo)開發了(le)歧視算法。例(li)如(ru)，Compass 法庭判決系統將對有色人種或(huo)面部(bu)識別技(ji)術在(zai)某些(xie)(xie)種族上比(bi)其他種族更(geng)有效的(de)(de)人判處(chu)更(geng)長的(de)(de)刑期。軟件(jian)測試人員(yuan)的(de)(de)角色包(bao)括(kuo)理解這(zhe)些(xie)(xie)模型中的(de)(de)偏(pian)差，并(bing)能夠(gou)在(zai)系統投入(ru)生(sheng)產(chan)之前對其進行(xing)評估。
另一(yi)(yi)個(ge)吸(xi)引人(ren)的(de)(de)(de)職業領(ling)域(yu)(yu)(yu)與此相反，即試圖影響人(ren)工智能的(de)(de)(de)學(xue)習(xi)。例如，在數字營銷領(ling)域(yu)(yu)(yu)，聊(liao)天(tian)機器(qi)人(ren)可(ke)能會部分取(qu)代搜(sou)索引擎(qing)的(de)(de)(de)使用。當聊(liao)天(tian)機器(qi)人(ren)可(ke)以在一(yi)(yi)段話中為你提供（潛在的(de)(de)(de)）正(zheng)確答案(an)或將答案(an)讀給你聽(ting)時，你為什么還要點擊(ji)鏈接頁面來(lai)查找答案(an)呢？在這種情(qing)況下，搜(sou)索引擎(qing)優(you)化(hua)（SEO）領(ling)域(yu)(yu)(yu)可(ke)能會被(bei)新(xin)的(de)(de)(de)聊(liao)天(tian)機器(qi)人(ren)優(you)化(hua)（CBO）領(ling)域(yu)(yu)(yu)所取(qu)代。網(wang)站(zhan)和其(qi)他(ta)信(xin)息資源的(de)(de)(de)所有者會希望讓他(ta)們(men)的(de)(de)(de)內容(rong)(rong)更容(rong)(rong)易被(bei)聊(liao)天(tian)機器(qi)人(ren)消化(hua)，就像今(jin)天(tian)網(wang)站(zhan)開發人(ren)員試圖讓網(wang)站(zhan)更容(rong)(rong)易被(bei)搜(sou)索引擎(qing)索引一(yi)(yi)樣。
ChatGBT 寫的是哪一段？
你猜到(dao)了(le)嗎(ma)？那就是(shi)“人工智能(neng)如何改(gai)變計算(suan)機硬件？”這一(yi)節的最后一(yi)段。
總結
總之，2023 年(nian)和(he)(he)未(wei)來(lai)幾年(nian)將會發生重大(da)的(de)變化，這些(xie)變化將在大(da)大(da)小(xiao)小(xiao)的(de)方面影(ying)響(xiang)軟件測(ce)試行業。因此，你(ni)(ni)應該開始研究(jiu)如何(he)使用人(ren)工智能(neng)(neng)（AI）和(he)(he)機器學習（ML）來(lai)改進你(ni)(ni)的(de)測(ce)試流程，利用基(ji)于(yu)人(ren)工智能(neng)(neng)的(de)安全(quan)工具，并實施基(ji)于(yu)風(feng)險(xian)的(de)測(ce)試，例(li)如可以利用大(da)數據洞(dong)察力的(de)基(ji)于(yu)風(feng)險(xian)的(de)測(ce)試。
