從(cong)很多方(fang)面(mian)來看(kan)，2022 年(nian)都是軟(ruan)件(jian)的(de)分水嶺；隨著疫情最嚴重肆(si)虐破(po)(po)壞的(de)過去，我(wo)們(men)可(ke)(ke)以看(kan)到暫(zan)時(shi)的(de)變化，以及哪(na)些變化已經成為結構(gou)性的(de)了(le)。因(yin)此，那(nei)些利用(yong)軟(ruan)件(jian)建立可(ke)(ke)持續長期業務(wu)的(de)公(gong)司(si)得以蓬勃發(fa)展，打(da)破(po)(po)了(le)疫情前的(de)現狀。然而，與(yu)此同(tong)時(shi)，那(nei)些僅(jin)僅(jin)是技術潮流的(de)產品將被扔(reng)進歷史的(de)垃圾桶。
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(shi)之成為(wei)可能(neng)的(de)大(da)型神經網絡(luo)取得(de)了重大(da)的(de)進展。這些新(xin)技術將(jiang)以(yi)前所未有的(de)方式改變軟件的(de)開發和測(ce)試方式。在本文中，我將(jiang)討論未來幾年我們可能(neng)會(hui)看到(dao)的(de)趨勢。
軟件測試趨勢
即使是在(zai)疫情之前，軟件測(ce)(ce)試就已經通過提高測(ce)(ce)試過程(cheng)(cheng)中(zhong)各個級別(bie)的(de)(de)(de)自動化程(cheng)(cheng)度而發(fa)生了轉變(bian)。然而，由于(yu)需要(yao)在(zai)疫情期期間快速重塑商業模(mo)式或(huo)添加(jia)新的(de)(de)(de)功(gong)能來處理遠程(cheng)(cheng)工作/生活，開發(fa)人員的(de)(de)(de)需求(qiu)旺盛，供不應求(qiu)。這導致了對更(geng)多編程(cheng)(cheng)專業知識進行測(ce)(ce)試的(de)(de)(de)矛盾(dun)需求(qiu)，以(yi)及對這些編程(cheng)(cheng)技能的(de)(de)(de)更(geng)多競(jing)爭。
結(jie)果(guo)之一是轉向了用(yong)“低代碼”或“無代碼”工具(ju)、平(ping)臺和框架來構建和測試應用(yong)程(cheng)序。在測試方面(mian)，這意味著(zhu) Selenium 或 Cypress 等(deng)代碼繁重的(de)(de)(de)測試框架面(mian)臨著(zhu)來自業務用(yong)戶(hu)可(ke)以使用(yong)的(de)(de)(de)低代碼替代方案的(de)(de)(de)競爭。此外(wai)，對于某(mou)些 ERP 和 CRM 平(ping)臺，例如(ru) Salesforce、Dynamics、Oracle 和 SAP 等(deng)，這意味著(zhu)測試工具(ju)本身需要(yao)對被測試的(de)(de)(de)應用(yong)程(cheng)序有更多的(de)(de)(de)智能和理解。
機器學習改變軟件測試
我(wo)們看到機(ji)器學習(xi)（ML）用于測試(shi)的(de)第(di)一種方式是使當(dang)前的(de)自(zi)動化(hua)測試(shi)更(geng)具(ju)彈性，更(geng)不(bu)那么(me)脆弱。軟件(jian)測試(shi)的(de)一個(ge)致(zhi)命弱點是維護，主要體現在測試(shi)整個(ge)應(ying)用程(cheng)序(xu)(xu)和用戶(hu)界(jie)面而不(bu)是獨立模塊（稱為(wei)單元測試(shi)）時。軟件(jian)應(ying)用程(cheng)序(xu)(xu)會(hui)不(bu)斷變化(hua)，因(yin)為(wei)用戶(hu)希(xi)望不(bu)斷更(geng)新其他功能(neng)或業(ye)務(wu)流程(cheng)；然而，這些更(geng)改將會(hui)導致(zhi)自(zi)動測試(shi)不(bu)再能(neng)正常工作(zuo)。
例如，如果(guo)登(deng)錄(lu)按鈕更改(gai)了(le)(le)它的(de)(de)坐標、形狀或位置，則可能(neng)會中斷先前記錄(lu)的(de)(de)測(ce)(ce)試(shi)(shi)。即(ji)使(shi)(shi)是(shi)(shi)(shi)(shi)像頁面加載速度這(zhe)樣(yang)的(de)(de)簡單(dan)更改(gai)也可能(neng)導致自(zi)動(dong)測(ce)(ce)試(shi)(shi)的(de)(de)失敗。具有諷刺(ci)意(yi)味的(de)(de)是(shi)(shi)(shi)(shi)，人(ren)類(lei)比計(ji)算(suan)機更直觀，也更擅長測(ce)(ce)試(shi)(shi)，因(yin)為我們可以查看(kan)應(ying)用程(cheng)(cheng)序，并立即(ji)看(kan)到哪(na)個按鈕放在了(le)(le)錯誤(wu)的(de)(de)位置、哪(na)些內容(rong)沒有被正(zheng)確(que)顯示。當然，這(zhe)是(shi)(shi)(shi)(shi)因(yin)為大(da)多數應(ying)用程(cheng)(cheng)序都是(shi)(shi)(shi)(shi)為人(ren)類(lei)使(shi)(shi)用而構建(jian)(jian)的(de)(de)。那(nei)些為其他(ta)計(ji)算(suan)機使(shi)(shi)用而構建(jian)(jian)的(de)(de)軟(ruan)件系統（稱為 API）使(shi)(shi)用自(zi)動(dong)化測(ce)(ce)試(shi)(shi)要容(rong)易得多！
為(wei)了克服這(zhe)(zhe)些(xie)(xie)限(xian)制(zhi)，較(jiao)新的(de)(de)(de)低代碼軟件(jian)測試工(gong)具正在(zai)使用機(ji)器(qi)學習(xi)讓(rang)這(zhe)(zhe)些(xie)(xie)工(gong)具以多種方式(shi)并多次迭代掃描正在(zai)測試的(de)(de)(de)應(ying)用程序(xu)，以便它(ta)們(men)能夠了解(jie)哪些(xie)(xie)結果是(shi)“正確”的(de)(de)(de)，哪些(xie)(xie)結果是(shi)“不(bu)正確”的(de)(de)(de)。這(zhe)(zhe)意味著(zhu)當(dang)系統的(de)(de)(de)更改與最初(chu)記錄的(de)(de)(de)內(nei)容略有偏(pian)差時，它(ta)將能夠自動(dong)確定該偏(pian)差是(shi)預期內(nei)的(de)(de)(de)（測試通過）還是(shi)預期外的(de)(de)(de)（測試失敗(bai)）。當(dang)然，我們(men)仍然處于這(zhe)(zhe)些(xie)(xie)工(gong)具的(de)(de)(de)早期階段，而且它(ta)們(men)的(de)(de)(de)炒(chao)作(zuo)多于實(shi)質。盡管如此，隨著(zhu)我們(men)步入 2023 年，我們(men)將會看到機(ji)器(qi)學習(xi)在(zai)軟件(jian)測試中的(de)(de)(de)實(shi)際用例，特(te)別(bie)是(shi)針(zhen)對(dui)復雜的(de)(de)(de)業務(wu)應(ying)用程序(xu)和快速變化的(de)(de)(de)云原生應(ying)用程序(xu)的(de)(de)(de)。
機器(qi)學習技(ji)術的(de)(de)(de)(de)另一(yi)個廣泛應用(yong)將(jiang)是(shi)在質量(liang)工程的(de)(de)(de)(de)分(fen)析(xi)和報告方(fang)面。例如，軟(ruan)件測(ce)(ce)試(shi)(shi)(shi)中的(de)(de)(de)(de)一(yi)個長期存在的(de)(de)(de)(de)挑(tiao)戰(zhan)是(shi)要知道將(jiang)測(ce)(ce)試(shi)(shi)(shi)資源和工作集中在哪里。“基于風險(xian)(xian)的(de)(de)(de)(de)測(ce)(ce)試(shi)(shi)(shi)”這(zhe)一(yi)新興學科旨在將(jiang)軟(ruan)件測(ce)(ce)試(shi)(shi)(shi)活(huo)(huo)動(dong)集中在包含最大(da)風險(xian)(xian)的(de)(de)(de)(de)系(xi)統區域(yu)(yu)上。如果你(ni)可以(yi)(yi)使用(yong)測(ce)(ce)試(shi)(shi)(shi)來減少總體風險(xian)(xian)敞(chang)口，那么你(ni)就有了(le)一(yi)種(zhong)分(fen)配資源的(de)(de)(de)(de)量(liang)化方(fang)式。衡量(liang)風險(xian)(xian)的(de)(de)(de)(de)方(fang)法之一(yi)是(shi)查(cha)看特定事件的(de)(de)(de)(de)概率(lv)和影響(xiang)，然后使用(yong)先前的(de)(de)(de)(de)數據來了(le)解這(zhe)些(xie)值對(dui)于系(xi)統每個部分(fen)的(de)(de)(de)(de)重要性。然后，你(ni)可以(yi)(yi)針對(dui)這(zhe)些(xie)區域(yu)(yu)進行測(ce)(ce)試(shi)(shi)(shi)。對(dui)于機器(qi)學習來說，這(zhe)是(shi)一(yi)個近(jin)乎完美的(de)(de)(de)(de)用(yong)例。這(zhe)些(xie)模型可以(yi)(yi)分(fen)析(xi)之前的(de)(de)(de)(de)開發(fa)(fa)、測(ce)(ce)試(shi)(shi)(shi)和發(fa)(fa)布活(huo)(huo)動(dong)，以(yi)(yi)了(le)解發(fa)(fa)現缺陷、更改(gai)代碼的(de)(de)(de)(de)位置以(yi)(yi)及歷史上發(fa)(fa)生過的(de)(de)(de)(de)問題(ti)。
人工智能如何改變安全測試
如果說機器學(xue)習正(zheng)在改變軟(ruan)件測試行業，那么(me)人(ren)工(gong)(gong)智能(neng)（AI）將以多(duo)種方式改變網絡安全行業。例如，已經有傳言稱，許多(duo)防病毒和(he)入侵的(de)檢測系(xi)統正(zheng)在使用人(ren)工(gong)(gong)智能(neng)來尋找可能(neng)表明網絡攻擊的(de)異常模式和(he)行為。然(ran)而，我們現(xian)在才看(kan)到人(ren)工(gong)(gong)智能(neng)首次(ci)被用于定位(wei)和(he)探測系(xi)統，以主動發現(xian)薄弱點(dian)和(he)漏洞。
例如，流行的(de)(de) OpenAI ChatGPT 聊天(tian)機(ji)器人(ren)被要求創(chuang)(chuang)建用于(yu)訪問系統(tong)的(de)(de)軟件代碼(ma)，并生成假冒但真(zhen)(zhen)實(shi)(shi)的(de)(de)釣魚文本，以發送(song)給使用該系統(tong)的(de)(de)用戶。魚叉式網絡(luo)釣魚最常(chang)見的(de)(de)方法之一是使用某(mou)種社(she)會工程和(he)模(mo)擬，這是網絡(luo)安全的(de)(de)新前沿。聊天(tian)機(ji)器人(ren)能夠根(gen)據從受害者那里實(shi)(shi)時收到的(de)(de)響應，同時創(chuang)(chuang)建工作代碼(ma)和(he)逼真(zhen)(zhen)的(de)(de)自然(ran)語言，以使人(ren)工智能能夠創(chuang)(chuang)建動態的(de)(de)實(shi)(shi)時攻(gong)擊能力。
如果(guo)你不相信自己會上(shang)當受騙，這(zhe)里有一(yi)(yi)個(ge)測試(shi)——本文中有一(yi)(yi)個(ge)段落是(shi)由 ChatGPT 編寫(xie)的，并(bing)且(qie)我們(men)將它原封不動地(di)粘貼到了本文中。你能猜出是(shi)哪(na)一(yi)(yi)段嗎？
我們如何測試或檢查人工智能或機器學習系統？
當我們部(bu)署基于人(ren)工智能（AI）和機器學習（ML）的(de)系(xi)(xi)統和應用(yong)程序時，面臨的(de)另一個(ge)挑戰是(shi)：我們如何測試它們？對(dui)于傳統的(de)軟件系(xi)(xi)統，人(ren)類編(bian)寫需求，開發(fa)系(xi)(xi)統，然后讓其他人(ren)（在(zai)計算機的(de)輔(fu)助下）對(dui)其進行測試，以確保結果匹配(pei)。對(dui)于 AI/ML 開發(fa)的(de)系(xi)(xi)統，通常沒(mei)有離散的(de)需求，取而代之的(de)是(shi)大數據集、模型和反(fan)饋(kui)機制。
在許多情(qing)況下，我們(men)(men)不(bu)知道(dao)系(xi)統是(shi)如(ru)何得(de)出(chu)具體答(da)案(an)的(de)，只知道(dao)答(da)案(an)是(shi)與所(suo)提供的(de)數據(ju)集中的(de)證(zheng)據(ju)相符。這(zhe)(zhe)使得(de) AI/ML 系(xi)統能夠創建人類以前不(bu)知道(dao)的(de)新方法(fa)，并找到獨特的(de)關聯和突(tu)破。然而(er)，這(zhe)(zhe)些(xie)(xie)新的(de)見解是(shi)未經證(zheng)實(shi)的(de)，可能只與它(ta)們(men)(men)所(suo)基于的(de)有限數據(ju)集一樣(yang)好。風險在于，你開始(shi)將這(zhe)(zhe)些(xie)(xie)模型用于生(sheng)產系(xi)統時，它(ta)們(men)(men)會以意想不(bu)到且(qie)不(bu)可預測的(de)方式(shi)運(yun)行。
因此，測試(shi)人員和(he)系統(tong)所有者必須確(que)保他們清楚(chu)地(di)掌握了業(ye)務需求(qiu)、用例(li)和(he)邊界條件（或約束）。例(li)如(ru)，定義(yi)所用數據集的限(xian)制和(he)訓練模(mo)型(xing)的特定用例(li)將能確(que)保模(mo)型(xing)僅用于支持(chi)其原(yuan)始(shi)數據集所代表的活(huo)動。此外，讓(rang)人類獨自檢(jian)查模(mo)型(xing)預測的結(jie)果也是(shi)至關重要的。
人工智能如何改變計算機硬件？
人工智能開發人員面(mian)臨的(de)(de)(de)物(wu)理挑(tiao)戰(zhan)之一(yi)(yi)是當(dang)代硬件(jian)的(de)(de)(de)局限性。一(yi)(yi)些(xie)正在使(shi)用(yong)(yong)的(de)(de)(de)數(shu)據(ju)(ju)集(ji)的(de)(de)(de)規模達(da)到了 PB 級，這對(dui)于根本沒(mei)有足夠 RAM 容量來(lai)運行(xing)這些(xie)模型的(de)(de)(de)數(shu)據(ju)(ju)中(zhong)心來(lai)說是一(yi)(yi)個挑(tiao)戰(zhan)。取(qu)而代之的(de)(de)(de)是，它(ta)們(men)必(bi)須使(shi)用(yong)(yong) 500 多個通(tong)用(yong)(yong)處(chu)理單元(yuan)（GPU）來(lai)處(chu)理整(zheng)個數(shu)據(ju)(ju)集(ji)，每個 GPU 都有數(shu)百 GB 的(de)(de)(de) RAM。在處(chu)理方(fang)(fang)面(mian)，問(wen)題也類似，當(dang)前的(de)(de)(de)電(dian)子 CPU 和(he) GPU 會(hui)產生(sheng)大(da)量的(de)(de)(de)熱量，消耗大(da)量的(de)(de)(de)電(dian)力(li)，并行(xing)處(chu)理的(de)(de)(de)速度會(hui)受到電(dian)阻的(de)(de)(de)限制(zhi)。解決(jue)這些(xie)限制(zhi)的(de)(de)(de)一(yi)(yi)個可能方(fang)(fang)案是使(shi)用(yong)(yong)光(guang)計算(suan)（Optical Computing）。
光(guang)計算(suan)(suan)(suan)是一種利(li)用(yong)(yong)激光(guang)和(he)光(guang)電(dian)探測器(qi)等基于(yu)光(guang)的技(ji)術來執行計算(suan)(suan)(suan)并處理信(xin)息的計算(suan)(suan)(suan)類(lei)型(xing)。雖然已經有了將(jiang)(jiang)光(guang)計算(suan)(suan)(suan)用(yong)(yong)于(yu)人工(gong)智(zhi)能（AI）應用(yong)(yong)的研(yan)究(jiu)，但(dan)它尚未被(bei)廣泛(fan)用(yong)(yong)于(yu)這一目的。將(jiang)(jiang)光(guang)計算(suan)(suan)(suan)用(yong)(yong)于(yu)人工(gong)智(zhi)能存在一些(xie)挑(tiao)戰，其中包(bao)括許多人工(gong)智(zhi)能算(suan)(suan)(suan)法需要高(gao)精度的數值計算(suan)(suan)(suan)，而使用(yong)(yong)光(guang)技(ji)術很(hen)難執行這些(xie)計算(suan)(suan)(suan)。
話雖如(ru)此(ci)，但將光計(ji)(ji)算(suan)用于人工(gong)智(zhi)能仍有(you)一(yi)些潛在的(de)(de)優勢。例如(ru)，光計(ji)(ji)算(suan)系統(tong)可能會以非常(chang)高的(de)(de)速度運(yun)行(xing)，這對于某些需(xu)要(yao)實時處理(li)大量數據的(de)(de)人工(gong)智(zhi)能應用來說非常(chang)有(you)用。一(yi)些研究人員也(ye)在探(tan)索使用光子(zi)學（光學的(de)(de)一(yi)個子(zi)領域）來實現人工(gong)神經網絡，這是許多人工(gong)智(zhi)能系統(tong)的(de)(de)關鍵組(zu)成部(bu)分。
我們將會有哪些新的角色和職業？
隨著人工智能(neng)變得越來越主(zhu)流，可(ke)能(neng)會(hui)出現一些還沒有被我們(men)發明出來的(de)(de)全(quan)新(xin)職業領域(yu)。例如，如果你(ni)曾經嘗試(shi)過使用 ChatGBT 這樣的(de)(de)聊(liao)天機器(qi)人，你(ni)會(hui)發現它(ta)可(ke)以寫出大量看似合理(li)但卻完全(quan)不準確的(de)(de)信息。除(chu)了(le)簡單地(di)雇(gu)傭人類事實核查人員和(he)人工軟(ruan)件測試(shi)人員團隊之外，道德規范在軟(ruan)件測試(shi)中可(ke)能(neng)會(hui)扮演(yan)一個新(xin)的(de)(de)角色。
一些眾所周知的技(ji)術(shu)(shu)已(yi)經從輸入的數據中學習到(dao)了(le)偏見或開發(fa)了(le)歧視算法。例如，Compass 法庭判決系統將(jiang)對有(you)(you)色(se)人種(zhong)或面部識別(bie)技(ji)術(shu)(shu)在(zai)某些種(zhong)族上比其他種(zhong)族更有(you)(you)效的人判處(chu)更長的刑(xing)期(qi)。軟件測(ce)試人員的角色(se)包(bao)括理解這些模型中的偏差(cha)，并能夠在(zai)系統投入生產之(zhi)前(qian)對其進行(xing)評估。
另一(yi)個吸(xi)引(yin)人(ren)的職業(ye)領域(yu)(yu)與(yu)此相反，即試圖(tu)影響人(ren)工智能(neng)的學習。例如，在(zai)(zai)數(shu)字(zi)營銷領域(yu)(yu)，聊天機(ji)器人(ren)可能(neng)會(hui)(hui)部分(fen)取(qu)代搜(sou)(sou)索(suo)引(yin)擎的使用。當(dang)聊天機(ji)器人(ren)可以在(zai)(zai)一(yi)段(duan)話中為(wei)你(ni)(ni)提供（潛在(zai)(zai)的）正(zheng)確答案(an)或將答案(an)讀給你(ni)(ni)聽時，你(ni)(ni)為(wei)什(shen)么還要點(dian)擊鏈接頁面來查(cha)找答案(an)呢？在(zai)(zai)這(zhe)種情(qing)況下，搜(sou)(sou)索(suo)引(yin)擎優化(hua)（SEO）領域(yu)(yu)可能(neng)會(hui)(hui)被(bei)新的聊天機(ji)器人(ren)優化(hua)（CBO）領域(yu)(yu)所(suo)(suo)取(qu)代。網(wang)站(zhan)(zhan)和其他(ta)信息資源的所(suo)(suo)有者會(hui)(hui)希望讓他(ta)們的內容(rong)(rong)更(geng)容(rong)(rong)易(yi)被(bei)聊天機(ji)器人(ren)消化(hua)，就像今天網(wang)站(zhan)(zhan)開發人(ren)員試圖(tu)讓網(wang)站(zhan)(zhan)更(geng)容(rong)(rong)易(yi)被(bei)搜(sou)(sou)索(suo)引(yin)擎索(suo)引(yin)一(yi)樣。
ChatGBT 寫的是哪一段(duan)？
你(ni)猜到(dao)了嗎？那就是(shi)“人(ren)工智能如何改變計算機硬(ying)件？”這一節的最后一段。
總結
總之，2023 年(nian)和未來幾年(nian)將會(hui)發生重大的變(bian)化，這(zhe)些變(bian)化將在大大小小的方面影響軟(ruan)件(jian)測試行業。因(yin)此，你(ni)(ni)應該開始研究如(ru)(ru)何使用人(ren)工(gong)(gong)智能(neng)（AI）和機器學(xue)習（ML）來改進你(ni)(ni)的測試流程，利(li)用基于人(ren)工(gong)(gong)智能(neng)的安全工(gong)(gong)具，并實施(shi)基于風險的測試，例(li)如(ru)(ru)可(ke)以利(li)用大數據洞察力的基于風險的測試。
