毫無疑問，人工智能(AI)是數(shù)字經(jīng)濟(jì)的下一個前沿領(lǐng)域。雖然它可能還沒有完全滲透到公眾意識中，但人工智能已經(jīng)在幕后工作，以增強各種各樣的系統(tǒng)和服務(wù)，推動從聊天機器人到全棧IT自動化的一切。

然而，這種進(jìn)步的大部分是由計算能力的快速擴張推動的，而不是人工智能所固有的技術(shù)。在功能上，人工智能包括使用1990年代和2000年代初期開發(fā)的相同基本數(shù)學(xué)模型的統(tǒng)計數(shù)據(jù)分析。即使是像人工神經(jīng)網(wǎng)絡(luò)這樣聽起來很未來的發(fā)展，它暗示了一個模仿大腦中神經(jīng)元的過程，也只不過是順序矩陣乘法——換句話說，是相當(dāng)基本的數(shù)學(xué)，但可以高度縮放。

這也是最近人工智能的潛力被夸大的部分原因。在經(jīng)濟(jì)崩潰之前，計算能力只能讓人工智能走這么遠(yuǎn)，而這個水平將遠(yuǎn)遠(yuǎn)低于許多承諾，比如完全自主的軟件測試和直觀學(xué)習(xí)。只有在人工智能模型和算法本身取得一些突破，這些事情才有可能實現(xiàn)。而且因為這需要更長的時間才能完成，所以可以公平地說，人工智能在短期內(nèi)沒有達(dá)到他們的期望，不會給世界留下深刻的印象，但隨著技術(shù)的進(jìn)步，他們會徹底驚訝。

目前，人工智能的關(guān)鍵限制因素是人類和人工智能難以溝通。理想情況下，我們應(yīng)該能夠告訴AI模型我們希望它做什么，而無需深入研究技術(shù)細(xì)節(jié)。我們應(yīng)該能夠定義一個問題，讓AI不僅能提出正確的解決方案，而且還能收集必要的資源并編寫適當(dāng)?shù)拇a來自行實現(xiàn)目標(biāo)。

聲明式與命令式

軟件開發(fā)領(lǐng)域，尤其是質(zhì)量保證(QA)領(lǐng)域，提供了一個清晰的例子，說明這在企業(yè)中是如何發(fā)揮作用的。盡管自動化在開發(fā)過程的大部分時間里都變得普遍存在，但測試在手動時代仍然根深蒂固。

最近GitLab對4,000多名開發(fā)人員的調(diào)查證實了這一點，其中大多數(shù)被質(zhì)疑的人認(rèn)為測試是發(fā)布計劃中最重要的延遲因素。一位受訪者甚至說：“測試會延遲一切。”盡管已經(jīng)對使用AI自動化整個QA流程進(jìn)行了充分的討論——理論上這應(yīng)該可以讓測試團(tuán)隊從許多死記硬背的重復(fù)性任務(wù)中解脫出來，以使代碼準(zhǔn)備好運行——但沒有理由期望這會在不久的將來發(fā)生。

在絕大多數(shù)情況下，測試人員無法有效地將其需求傳達(dá)給AI模型，而無需在代碼中指定精確的元素或描述高技術(shù)配置。只有在低代碼環(huán)境中，才能使用可視化流程圖方法遠(yuǎn)程設(shè)計測試。在幾乎所有其他情況下，在不打破人類和算法之間存在的語言障礙的情況下，理解給定軟件產(chǎn)品的需求完全超出了當(dāng)前AI模型的手段。

這一障礙的核心在于雙方對各自所處世界形成理解的方式不同。AI以嚴(yán)格的命令方式運行，例如，“我希望你執(zhí)行這個非常具體的操作”，然后它就會這樣做。人類思維使用更具陳述性的方法，將“如何”和“為什么”需要執(zhí)行某個動作結(jié)合起來，這需要技術(shù)專業(yè)知識和對指導(dǎo)該動作執(zhí)行的更廣泛背景的深刻理解。因此，人類必須首先確定該行動的最終目標(biāo)及其與其他行動的關(guān)系，而不是僅僅按照指示做一件事，找到合適的工具并以精確的方式應(yīng)用它們以達(dá)到預(yù)期的結(jié)果。

在現(xiàn)實世界的應(yīng)用程序中，例如自動駕駛汽車，我們可以看到命令式風(fēng)格與聲明式風(fēng)格的對比。為了到達(dá)目的地，人類駕駛員必須啟動汽車、啟動汽車、轉(zhuǎn)動車輪、踩剎車并執(zhí)行一系列精確動作以實現(xiàn)目標(biāo)。我們可以稱之為“勢在必行”的駕駛。使用聲明式方法的自動駕駛汽車只需要被告知要去哪里，算法會填寫到達(dá)那里所需步驟的所有細(xì)節(jié)。

為什么不應(yīng)該期望測試人員編寫代碼

我對這個特殊問題的興趣可以追溯到我在一家投資銀行的時候，在那里我專門研究公司社交交易平臺的系統(tǒng)架構(gòu)、持續(xù)交付、實時故障排除和性能優(yōu)化。正如可以預(yù)料的那樣，測試是這種環(huán)境中的一個重要組成部分，它是圍繞高速、高質(zhì)量的交易工具構(gòu)建的，如果軟件包含缺陷，可能會導(dǎo)致嚴(yán)重的財務(wù)中斷，甚至破產(chǎn)。

我最初的想法是創(chuàng)建一種簡單的編程語言，可以用來創(chuàng)建測試，而不必將過程循環(huán)回程序員。但是，盡管我們的測試人員是訓(xùn)練有素的專家，他們對我們軟件的復(fù)雜性有深刻的理解，但他們并不是編碼員，因此要求他們進(jìn)行即使是基本的編程也不是正確的答案。

顯然，需要一種更直觀的構(gòu)建測試的方法。一天，在白板演示流程圖時，燈泡熄滅了。它立即讓我們所有人震驚，因為它是一種清晰、簡潔的方式來傳達(dá)具有多個復(fù)雜依賴項的流程。

盡管如此，與普通計算平臺相比，用人工智能彌合這一差距要困難得多。盡管如此，通過利用基于模型的測試和其他新興技術(shù)，我相信這將成為可能。通過將給定系統(tǒng)的需求呈現(xiàn)為被測軟件的數(shù)字孿生體，基于模型的測試顯示出極大的希望，可以實現(xiàn)人工智能的命令式理解。在這一點上，關(guān)鍵的絆腳石是所有模型都必須建立在一組明確定義的要求上，這些要求很難用AI平臺描述，尤其是當(dāng)工作涉及抽象概念時。

當(dāng)然，這將涉及大量研究和創(chuàng)新的人工智能建模新方法，但這顯然是軟件測試的發(fā)展方向。最后，它將使人工智能能夠兌現(xiàn)推動其迅速采用的承諾。