·1·
测 控 技 术
2020 年第 39 卷第 1 期
大家论坛
软件测试面临的挑战与发展趋势
朱少民
（同济大学 软件学院，上海 201804）
摘要：结合当今软件研发模式的改变以及软件新技术的发展，特别是人工智能、大数据、云计算、区
块链、物联网等新技术的普遍应用，阐述了软件测试所受到的各种挑战，包括在系统功能测试、性能
测试、安全性测试、可靠性测试等各个方面所面临的挑战。最后，展望未来，描绘出软件测试发展的
五大趋势——敏捷化、高度自动化、云化、服务化和智能化。
关键词：软件测试；敏捷开发；人工智能；信息物理系统
中图分类号：TP606 文献标识码：A 文章编号：1000
－
8829（2020）01
－
0001
－
04
doi：10.19708/j.ckjs.2020.01.001
1 背景
当今，已进入一个快节奏、碎片化的移动互联时
代，面对新的软件应用环境，其中最为显著的变化体
现在人工智能、大数据、云计算、区块链、物联网等
新技术的兴起，这些新技术甚至改变了传统的软件形
态，以至于今天一切皆服务（Everything as a Service），
例如：
基础设施即服务（Infrastructure as a Service，
IaaS）；
平台即服务（Platform as a Service，PaaS）；
软件即服务（Software as a Service，SaaS）。
这些新技术、新环境自然给软件测试带来新的挑
战。
软件形态的变化自然催生了软件工程环境的变
化，也深深影响着软件研发模式、流程和实践，其中
最突出的是敏捷开发模式的兴起。软件开发的节奏越
来越快，力争做到持续交付，但只有做到持续构建、
持续集成、持续测试才能做到持续交付。其中最为困
难的就是如何做到持续测试——高效、及时地完成测
试工作，这也给软件测试带来新的挑战。
2 挑战
2.1 AI 系统的测试
对 AI 软件的测试，需要增加一个时间维度，因
为 AI 系统的能力是动态的，系统具有自身学习能
力，随着时间增长，其系统能力必须显著增强，例
如谷歌公司的 AlphaGo。针对这样的一个黑盒测试
过程，其测试代价不小，测试周期长，不容易实现
自动化测试。
像 AlphaGo 这样的系统还相对简单，而智能语
音应答系统的测试则更为复杂，需要模拟各种上下
文场景、用户的提问，如图 1 所示，很难判断其应
答能力是否有明显提升。虽然可以通过大量的应答
测试数据的统计结果确定语音识别、语义理解的正
确率，但其测试样本还是有较大的局限性。
深度神经网络学习算法，通常被认为是黑箱模型，
即其具有不可解释性，且鲁棒性差，结果不稳定。因
此，一般需要借助大量的数据或实验来进行普适性验
证，这与传统的测试相差甚远。测试（Test）从本质
上看就是“样本性的试验验证活动”，传统测试可以
借助“等价类划分”等类似方法来大幅降低样本量，
但对于 AI 软件，这类方法已经失效。AI 软件的测试
还依赖大数据，基于大数据的自动产生、分析、呈现
等技术，能有效地验证 AI 软件的合理性，但测试的
工作量较大。例如，为了测试 Numenta（工作模式更
接近人的大脑的 AI 软件），IBM 资深研究员 Winfried
Wilcke 带领 100 人的团队对其算法进行测试。面对
俄罗斯的控制机器人集群的智能软件包 Unicum，又
如何测试呢？它被称为“机器人之上的机器人”，
可以独立分配集群内部的机器人角色、确定集群中
的核心、替换脱离的单位，还会自动占据有利位置、
搜寻目标，并在自动模式下向操纵员申请作战与摧
毁目标的许可。
1
引用格式：朱少民. 软件测试面临的挑战与发展趋势[J]. 测控技术, 2020, 39 (1) : 1－4.
评论0