生成式 AI（GAI） 带来的热度已经持续了有一段时间，从 ChatGPT、Midjourney，到最近爆火的 Sora，它似乎总能给我们带来新的惊喜，所以我觉得也是时候可以浅浅地（理解实在有限）讨论一下这个新的事物。
AI 给测试造成了什么影响，反正也是众说纷纭。支持者的观点是 AI 肯定会在未来颠覆测试的岗位性质，毕竟现在不管是大小厂都在布局 AI，并且这么长时间的热度也说明它并非空穴来风；而反对者则认为前者是在故意制造焦虑，AI 并没有想得那么强大，等这波热度过去也就销声匿迹了。
去年有位同事做了一个概括我认为挺到位的，AI 对我们的影响就是两个方面：智能化测试和测试智能化。智能化测试的意思是智能产品的能力测试，测试智能化的意思是借助 AI 的能力来帮助我们做测试。
智能化测试其实到现在还没有比较系统化的理论出来，各个团队都在按照自己的方式摸索。AI 产品有一个很大的特征就是预期输出不像之前那样是个精确值，比如让 AI 帮我们总结一份长文档的摘要，预期值是什么？无法被准确描述。
所以我们只能使用打分的机制，在主观上评价它的结果表现，而且一个人的评价也是有偏差的，还得引入群体评价机制。因此即便是有一套方法论出来，我们也很难去做效果上的验证，或者说我们只能提出过程实践建议，而不是完整的 PDCA 质量管理流程，这就给智能化测试的价值造成了一定的模糊空间。
智能化测试还有一个重要问题是，对模型的效果评价受测试集的影响很大。比如有一个物理模型，我们的训练样本都是基于标准大气压，得出“水在 100 度的时候沸腾”的结论，如果我们没有识别出气压这个特征，测试集同样是基于标准大气压来进行，就会错误地评价该模型。
传统的测试用例设计主要依赖于等价划分和边界测试，模型的特征可以近似地理解为“等价类中的类”，但是相对于传统测试场景，模型的有效特征更加不明确、不可知、不可穷举，这就让传统的用例设计理论失去用武之地，给智能化测试带来了极大的挑战。
还有，不同行业之间的模型，特征基本都是不重叠的。A 行业的测试集与 B 行业的测试集，几乎没有复用的可能性，这使得可以大范围应用的通用智能化测试体系的前景变得十分渺茫。由此来看，智能化测试的道路，恐怕还有很长。
测试智能化也有类似的问题，尽管目前的确是有测试代码自动生成这样的成品，但是精确度却不如早前基于规则的生成方式。毕竟后者只要符合规则，能够保证 100% 的可靠性，而前者能有 80% 的准确性就不错了。
测试的 AI 产品化毕竟和其他 AI 内容生成产品不同，ChatGPT 有时候回答跑偏也没有什么，测试可是需要有较高的准确率。基于此，为了最终的结果，测试智能化后期仍然需要大量的人工干预，因此测试智能化主要用于辅助内容生成，能够带来一定的效能提升，但还远远没有达到“完全取代”的地步。
回到开头的部分，不管是文生文、文生图、文生视频，主要突破的还是在内容生成领域。所以目前测试智能化的新应用场景也与内容相关，比如通过需求生成用例，通过业务代码生成测试代码等等。这里不要与常规理解上的“通用智能”混淆，不用过份夸大它的能力，但是它在将来很可能会成为 AGI 的基础。
虽然当前智能化测试和测试智能化还处于探索的阶段，但是现在入局我认为是非常必要的。一个是随着 AIGC 产品化越来越快，智能化测试在未来大概率会成为一个非常重要的方向；另一个是从 GAI 的演进速度来看，AGI 有可能在未来的 3~10 年内取得突破，我们早点接触总归不是什么坏事。
