作者 | Mush Honda
策划 | 云昭
去年年底，仿佛一夜之间，人工智能又嗨起来了，先是 DALL-E 2 的生成图像惟妙惟肖，那副“骑马的宇航员”让人过目难忘，紧接着是 Stable Diffusion 这个文本生成图像的公开版权的作图 AI，最后的“王炸”：出道即巅峰的 ChatGPT，给 OpenAI 赚足了面子。甚至春节期间，很多互联网人都在感叹“岌岌可危”，生怕这波人工智能的高潮，真要抢走饭碗了。然而，现实真的会这样吗？AI 会让计算机应用软件迎来复兴时刻吗？本文以一个具体的领域应用为例，阐述 AI 被工具化的三个阶段，并说明 AI 不应该，也不可能发展成完全自主的几点理由。此外，笔者还分享了真正的 AI 角色应该是怎样的。我们需要警惕，但无须惊慌。
“有了人工智能，交付时间将从几分钟减少到几秒钟！”“供应商和客户将重回到廉价和用户友好的体验的时代，计算机应用软件将迎来复兴时刻！”
可打脸的是，廉价的存储空间、高速的处理速度、随时可用的 AI 训练设备以及互联网已经将这一承诺变成了夸大其词的炒作。
以软件测试为例，搜索“人工智能在软件测试中的应用”，系统会返回一系列向潜在买家承诺的“神奇”的解决方案。许多解决方案提供了减少手工劳动、提高质量和降低成本的方法。有些奇葩的是，有些厂商承诺他们的 AI 方案能完美解决软件测试问题，用词更是惊掉下巴——软件测试的“圣杯”ーー想法是这样说的ーー就是把人们从伴有困难和烦恼的软件开发循环中解脱出来，使测试周期更短、更有效、更简单。
AI 真可以化身成万能的“圣杯”吗？而且，我们也该让 AI 全替代人类吗？这些近乎荒诞的炒作，实在是该歇歇了。
在现实世界中，将人类排除在软件开发过程之外要复杂得多，也令人望而生畏。不管使用瀑布、快速应用开发、DevOps、敏捷和其他方法，人们仍然是软件开发的中心，因为他们定义了他们创建的软件的边界和潜力。在软件测试中，由于业务需求通常不明确且不断变化，所以“目标”总是在变化。用户要求改变可用性，甚至开发人员对软件可能性的期望也会发生变化。
软件测试的最初标准和方法(包括术语质量保证)来自制造产品测试领域。在这种情况下，产品是定义良好的，二者相比，测试更加机械化，但软件的特性是可塑的，并且经常变化。软件测试不适用于这种保证质量的统一的机器方法。
在现代软件开发中，许多事情是开发人员无法预料和知悉的。例如，用户体验(UX)期望可能在软件的第一次迭代之后就已经改变了。具体的比如：人们对更快的屏幕加载时间或者更快的滚动需求有更高的期望、用户不再想要冗长的向下滚动屏幕，因为它不再流行。
种种原因表明，人工智能永远无法独自预测或测试，连它的创造者都无法预测的东西。所以在软件测试领域，不可能有真正自主的人工智能。创建软件测试“终结者”可能会激起吃瓜者和潜在买家的兴趣，但这种部署注定是海市蜃楼。相反，在人工智能与人类协同工作的背景下，软件测试自主性更有意义。
软件测试 AI 开发，基本上分为三个成熟的阶段:
目前绝大多数基于人工智能的软件测试都处于操作性阶段。最基本的操作测试包括创建模仿测试人员执行数百次的例程的脚本。这个例子中的“AI”远远不够智能，它可以帮助缩短脚本创建、重复执行和存储结果。
过程性 AI 是操作性 AI 的一个更成熟的版本，测试人员使用过程 AI 进行测试生成。其他用途可能包括测试覆盖范围分析和建议、缺陷根本原因分析和工作量估计，以及测试环境优化。过程 AI 还可以促进基于模式和用法的合成数据创建。
过程性 AI 的好处显然易见，它提供了一双额外的“眼睛”，以抵消和对冲掉测试人员在设置测试执行策略时所承担的一些风险。在实际应用中，过程性 AI 可以让修改代码后的测试变得更容易。
在这个级别的人工智能，我们发现在开发时间和成本方面有明显的优势。
然而，目光切换到第三阶段——系统性 AI 时，画风就会朦胧起来，因为，未来可能会成为一个滑坡的、无回报的承诺而已。
系统性(或者说完全自主的) AI 测试，之所以不可能(至少目前不可能) ，原因之一是 AI 将需要大量的培训。测试人员可以确信过程 AI 将建议一个单元测试来充分保证软件质量。然而，对于系统 AI，测试人员无法高度自信地知道该软件将满足所有需求。
如果这个级别的人工智能真的是自主的，它将不得不测试所有可以想象到的要求——甚至是那些人类没有想象到的要求。然后，他们需要审查自主 AI 的假设和结论。要证实这些假设是正确的，需要花费大量的时间和精力，才能提供高度可信的证据。
自主软件测试永远不可能完全实现。因为人们不会信任它，而这就相当于失去了实现完全自主的目标与前提。
尽管完全自主的人工智能是一个神话，但支持和扩展人类在软件质量方面的努力的人工智能是一个值得追求的目标。在这种情况下，人类可以支持人工智能: 测试人员依旧需要保持耐心地监督、纠正和教导人工智能以及其依赖的不断进化的训练集。挑战在于如何训练人工智能，同时为测试软件中的各种 bug 分配风险。这种训练必须是持续的，不仅限于测试领域。自动驾驶汽车制造商训练人工智能，以区分一个人究竟是在过马路还是在骑自行车。
测试人员必须用过去的数据训练和测试人工智能的软件，以建立他们对人工智能能力的信心。同时，真正自主的人工智能在测试中需要预测未来的条件ーー开发人员引导和用户引导ーー这是它无法根据历史数据做到的。相反，训练者往往会根据自身的偏见，基于数据集训练人工智能。这些偏见限制了人工智能探索的可能性，就好比盲人为了确定性，会阻止马匹偏离既定路径一般。人工智能表现的越有偏见，可信度就会越糟糕。人工智能所能接受的最好训练，就是处理风险概率，并得出最终由人类评估的风险缓解策略。
说到底，软件测试关乎测试人员的成就感和自信心。它们衡量和评估，初始实现的可能结果以及可能给开发人员和用户带来问题的代码更改。但不可否认的是，即便软件测试已经充分探索了应用程序崩溃的每一种可能性，可信度都不可能是 100% 的。无论是人工执行还是自动执行，在所有软件测试中都存在风险因素。
测试人员必须根据代码引起问题的可能性来决定测试覆盖率。他们还必须使用风险分析来决定哪些领域应该集中在覆盖范围之外。即使人工智能确定并显示了软件在用户活动链中任何一点发生故障的相对概率，但测试人员仍然需要手动确认计算结果。
人工智能为受历史偏差影响的软件连续性提供了可能性。然而，人们对人工智能的风险评估和降低风险的秘方，仍然没有很高的信心。
支持 AI 的软件测试工具应该是实用和有效的，以便帮助测试人员产生真实的结果，同时减轻测试人员的手工劳动。
人工智能在软件测试中最令人兴奋(也可能具有破坏性)的部署，是处于人工智能开发成熟度的第二级: 过程性 AI。正如 Katalon 的一位研究人员指出的那样，“应用于软件测试的 AI 最大的实际用途是在过程级别，即自主测试创建的第一阶段。这将是我能够创建自动化测试的时候，这些测试可以由我创建，也可以服务于我。”
自主和自我导向的人工智能，取代所有人类参与软件测试过程等云云的话，皆是炒作。期望人工智能能够扩大和补充人类的努力并缩短测试时间，这是更为现实和可取的。
参考链接：https://dzone.com/articles/ai-in-software-testing-the-hype-the-facts-the-pote
文章目录前言1.AI的发展历程2.我是如何接触到人工智能的概念和产品的3.对于ChatGPT的一点看法4.AI对大学毕业生的职业发展的利与弊5.对于AI的思考和问题前言随着ChatGPT的爆火，生成式AI，大模型的人工智能被越来越多的人注意到，同时他也带来了许多问题。本文将对几方面进行探讨。1.AI的发展历程远古时期在公元前第一个千禧年，中国，印度和希腊哲学家都提出了一些推理的研究理论，比如亚里士多德（Aristotle）进行了演绎推理三段论的完整分析，欧几里得（Euclid）所著Elements是一种形式推理的模型，MuḥammadibnMūsāal-Khwārizmī,发明了代数学，即我们
目录1古彝文与古典保护2古文识别的挑战2.1西文与汉文OCR2.2古彝文识别难点3合合信息：古彝文保护新思路3.1图像矫正3.2图像增强3.3语义理解3.4工程技巧4总结1古彝文与古典保护彝文指的是云南、贵州、四川等地的彝族人使用的文字，区别于现代意义上的彝文，古彝文指的是在民间流通使用的原生态彝文，多达87046字。古彝文的起源距今至少数千年，是世界上最古老的文字之一。对古彝文字集研究有助于理解尚未被翻译成汉文、用字尚未规范化的古籍，更深层、透彻地作用于传统文化保护。古彝文字义对照图（网络资料+邵文苑供图）古籍是不可再生的宝贵资源，应当得到妥善保护。中国的古籍在历史上迭经水火兵燹等自然灾害、
作者|Harper审核 |gongyouliu编辑|auroral-L机器学习的商业应用上期给大家介绍了机器学习的概念，但是理解机器学习最好方法之一，就是了解其在具体商业世界中的各种应用。在道格’罗斯的这本《认识AI，人工智能赋能商业》中，介绍了几类机器学习的商业应用，在这里我给大家归纳一下。第一，数据安全，为了避免被发现，制造恶意软件的人会不断更改代码，通常为2%~10%的修改，但是通过机器学习，安全软件可以适应这一小部分变化，并准确识别新创建的恶意软件。它还可以寻找访问方式的模式，以识别可能的安全威胁。第二，投资。机器学习使得计算机能够处理大量的财务数据，并利用其发现的规律预测市场及每只股
ChatGPT![在这里插入图片描述](https://img-blog.csdnimg.cn/186d9ecc453b48be9f19c467da7c3f07.jpegChatGPT是openai公司的一个人工智能机器人产品，目前已经升级到4.0版本。其因便捷高效，已经在大学生、IT届、科研界等领域广为流传。但是直接进入其官网使用有时候并不是那么方便，毕竟他不开放给中国用户使用，我们需要一些魔法才能用上。如果做成一个微信小程序随时随地打开就能用的话，会方便很多。正好openai官方也开放了api供开发者使用。我们可以进入openai官网https://platform.openai.com/
随着人工智能领域不断取得突破性进展。作为实现人工智能技术的重要基石，AI芯片拥有巨大的产业价值和战略地位。作为人工智能产业链的关键环节和硬件基础，AI芯片有着极高的技术研发和创新的壁垒。从芯片发展的趋势来看，现在仍处于AI芯片发展的初级阶段。未来将是AI芯片发展的重要阶段，无论是架构还是设计理念都存在着巨大的创新空间。一、芯片的发展历史1956年达特茅斯会议上，科学家约翰·麦卡锡，克劳德·香农和马文·明斯基提出了"人工智能"一词。50年代末，阿瑟·萨缪尔（ArthurSamuel）提出了"机器学习"这个术语，他开发了一个西洋跳棋程序，可以从错误中吸取教训，经过学习后，甚至比编写程序的人棋力更强
很难说出这里要问什么。这个问题模棱两可、含糊不清、不完整、过于宽泛或夸夸其谈，无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开，visitthehelpcenter.关闭11年前。在电视上我看到了一些有趣的机器人。这些有一些二极管、太阳能收集器和一些马达。二极管决定光的位置，因此它们将机器人转向为它提供光的方向。它有点跟随光。现在，基于此，我想知道一些简单的AI。有没有办法编写一个可以从用户交互中学习的引擎？作为初学者，只学习和记住用户在页面上的session就足够了。感谢任何帮助。
插件网址指路：A*PathfindingProjecthttps://arongranberg.com/astar/download3D如何简单的使用参见：A*Pathfinding插件(3D)_作孽就得先起床的博客-CSDN博客将下载好的插件导入后如何进行操作？新建一个空的CreatEmpty给它另取个名字接着添加组件接着输"path"选择第一个“Pathfinder” 选择后点击“Graphs”（图）选择第一个在打开时可能会发生折叠，点开“GridGraph”就好下面开始操作：1、勾选‘2D’2、到场景中调整覆盖区域大小，限制Ai追踪的范围 也可用边框的这里进行调整3、勾选“Use2DPh
关注公众号，发现CV技术之美本文分享论文『VideoMAE:MaskedAutoencodersareData-EfficientLearnersforSelf-SupervisedVideoPre-Training』，由南大王利民团队提出第一个VideoMAE框架，使用超高maskingratio（90%-95%），性能SOTA，代码已开源！详细信息如下：论文链接：https://arxiv.org/abs/2203.12602项目链接：https://github.com/MCG-NJU/VideoMAE 01 摘要为了在相对较小的数据集上实现卓越的性能，通常需要在超大规模数据
这几年AI绘画非常的流行，相信大家平时在浏览社交平台时，也经常看见别人发布出来的绘图作品。AI绘画不仅可以帮助许多没有绘画基础的朋友可以画出自己的作品，而且可玩性也非常的高。那大家想体验一下AI绘画的乐趣吗？如果想的话就接着看下去吧，我来告诉你智能AI绘画免费软件有哪些。推荐软件一：Styler手机端推荐理由：Styler是我个人比较喜欢使用的软件，它拥有漫画脸、卡通艺术滤镜、视频变漫画等多种特效可以使用，而且软件的AI绘图功能使用了前沿的技术，绘画出来的内容符合逻辑，不会产生太大的违和感。使用体验感：①它支持上传参考图给AI学习模仿，可以帮助大家绘画出自己想要的图案。②这个软件使用了前沿的技
stable-diffusion用途：输入文字描述，输出对应图片Thechickenwiththehairpartedinthemiddleandthesuspendersisplayingbasketball（梳着中分头，穿着吊带裤的鸡，打篮球.。）1.环境与感受介绍这几天跑省外出差被隔离，不过随身带了个主机和显示器（笔记本太差跑不了项目程序，只能随身带主机，一言难尽…）,正巧又刷到stable-diffusion开源的消息，现在就来试试搭建这个试试水硬件环境：显卡306012G显存，内存32G主要就这两，cpu没太大要求，除非你想用cpu跑深度学习…软件环境：基于Anaconda的pyth
