AI 助力汽車電子測(cè)試：落地應(yīng)用的六大挑戰(zhàn)

作者 |梵高先生

小編 | 不吃豬頭肉

引言：AI 的機(jī)遇與挑戰(zhàn)
自從 ChatGPT 橫空出世以來(lái)，人工智能似乎一夜之間變得無(wú)處不在。在日常使用中，我們常常在驚艷與失望之間徘徊：它有時(shí)能展現(xiàn)出令人驚嘆的能力，洞察深刻、對(duì)答如流，有時(shí)卻又犯下令人哭笑不得的錯(cuò)誤。正如 ChatGPT 官方頁(yè)面的警示語(yǔ)所說(shuō)：“ChatGPT 也可能會(huì)犯錯(cuò)。請(qǐng)核查重要信息?！?這提醒我們，盡管 AI 技術(shù)突飛猛進(jìn)，但要將其轉(zhuǎn)化為實(shí)際生產(chǎn)力，還需要深入的思考和探索。
在工程領(lǐng)域，特別是汽車電子測(cè)試這樣的專業(yè)領(lǐng)域，我們更需要理性地看待 AI 的能力。不同于日常的聊天問(wèn)答，工程領(lǐng)域?qū)ぞ叩目煽啃?、穩(wěn)定性和可預(yù)測(cè)性有著極高的要求。那么，在這樣的專業(yè)領(lǐng)域中，什么樣的 AI 應(yīng)用才是真正有價(jià)值的？AI 又該如何與現(xiàn)有的工作流程深度融合，真正幫助工程師提升工作效率？這些都是我們需要認(rèn)真思考的問(wèn)題。
今年初，我們給小北同學(xué)已經(jīng)配上了AI智能助理PiHoo，看看他們配合得怎樣了？

汽車電子測(cè)試的復(fù)雜性與 AI 應(yīng)用機(jī)會(huì)
汽車電子測(cè)試是一個(gè)專業(yè)性強(qiáng)、流程復(fù)雜的領(lǐng)域。從測(cè)試項(xiàng)目啟動(dòng)開始，工程師們就要經(jīng)歷一系列嚴(yán)謹(jǐn)而復(fù)雜的工作環(huán)節(jié)：首先需要深入分析需求文檔，制定相應(yīng)的測(cè)試策略；繼而設(shè)計(jì)測(cè)試用例并組織評(píng)審；之后要搭建和配置測(cè)試環(huán)境，開發(fā)測(cè)試腳本；最后是執(zhí)行測(cè)試，進(jìn)行問(wèn)題分析，生成測(cè)試報(bào)告，并對(duì)測(cè)試結(jié)果進(jìn)行驗(yàn)證確認(rèn)。每一個(gè)環(huán)節(jié)都需要專業(yè)的知識(shí)和豐富的經(jīng)驗(yàn)，任何一個(gè)環(huán)節(jié)的疏漏都可能影響最終的測(cè)試質(zhì)量。
在這些復(fù)雜的工作流程中，AI 可以作為工程師的得力助手，在多個(gè)關(guān)鍵環(huán)節(jié)發(fā)揮重要作用。
在測(cè)試需求分析階段，AI 可以輔助處理和解析復(fù)雜的需求文檔，幫助工程師提取關(guān)鍵的測(cè)試點(diǎn)，識(shí)別需求中潛在的風(fēng)險(xiǎn)。當(dāng)進(jìn)入測(cè)試用例設(shè)計(jì)階段，AI 能夠推薦合適的測(cè)試場(chǎng)景，輔助生成基礎(chǔ)的測(cè)試用例，并提供測(cè)試覆蓋度分析，幫助工程師確保測(cè)試的完整性。在測(cè)試腳本開發(fā)階段，AI 可以顯著提升效率：它能夠根據(jù)測(cè)試用例自動(dòng)生成測(cè)試腳本框架，提供代碼補(bǔ)全和優(yōu)化建議，輔助識(shí)別潛在的代碼缺陷。在腳本調(diào)試過(guò)程中，AI 可以分析執(zhí)行日志，輔助定位問(wèn)題，并給出修復(fù)建議。這可以加快開發(fā)速度。到了測(cè)試執(zhí)行階段，AI 的價(jià)值同樣顯著。它可以協(xié)助優(yōu)化測(cè)試執(zhí)行策略，生成部分測(cè)試數(shù)據(jù)，在發(fā)現(xiàn)異常時(shí)及時(shí)預(yù)警。測(cè)試完成后，AI 還能分析測(cè)試日志，對(duì)問(wèn)題進(jìn)行分類，并協(xié)助生成規(guī)范的測(cè)試報(bào)告，提升測(cè)試后期工作的效率。通過(guò)在這些特定環(huán)節(jié)中融入 AI 能力，可以顯著提升工程師的工作效率，減少重復(fù)性工作。
然而，要真正實(shí)現(xiàn)這些目標(biāo)，我們必須首先正視當(dāng)前 AI 技術(shù)面臨的幾個(gè)主要挑戰(zhàn)。

當(dāng)前 AI 在工程領(lǐng)域面臨的主要挑戰(zhàn)
1. 自然語(yǔ)言的固有局限
人們常說(shuō)，被誤解是表達(dá)者的宿命。這源于自然語(yǔ)言與生俱來(lái)的模糊性和不確定性。正是因?yàn)檫@個(gè)原因，在工程領(lǐng)域，人們發(fā)明了各種專門的語(yǔ)言，如編程語(yǔ)言和建模語(yǔ)言等，以降低信息傳達(dá)過(guò)程中的不確定性。然而，當(dāng) AI 來(lái)處理這些自然語(yǔ)言時(shí)，同樣會(huì)面臨理解偏差的問(wèn)題。為了確保 AI 能夠準(zhǔn)確理解輸入文本中表達(dá)的意圖，我們必須建立完善的機(jī)制，比如增加評(píng)審和測(cè)試環(huán)節(jié)，以驗(yàn)證 AI 的理解是否與人類的預(yù)期相符。這種驗(yàn)證機(jī)制不僅是對(duì) AI 輸出的把關(guān)，更是確保整個(gè)工作流程可靠性的重要保障。
2. 復(fù)雜圖表處理能力不足
在汽車電子測(cè)試領(lǐng)域的需求文檔中，各種專業(yè)術(shù)語(yǔ)和復(fù)雜圖表是不可或缺的表達(dá)方式。然而，當(dāng)前的大語(yǔ)言模型（LLM）最擅長(zhǎng)處理的是純文本數(shù)據(jù)，即便具備了多模態(tài)處理能力，要完全理解工程領(lǐng)域中那些專業(yè)的、復(fù)雜的圖表依然是一個(gè)巨大的挑戰(zhàn)。為了解決這個(gè)問(wèn)題，需要精心設(shè)計(jì)處理流程，將LLM 不擅長(zhǎng)處理的信息轉(zhuǎn)換為它能夠理解的純文本格式，如 JSON 或 Markdown 等。但任何轉(zhuǎn)換過(guò)程都不可避免地會(huì)造成信息損失，因此在設(shè)計(jì)這樣的處理流程時(shí)，必須考慮如何控制信息損失，并建立有效的異常提示機(jī)制，確保在關(guān)鍵信息可能丟失時(shí)及時(shí)警示用戶。
3. 上下文長(zhǎng)度限制
上下文長(zhǎng)度的限制是當(dāng)前大語(yǔ)言模型面臨的一個(gè)顯著瓶頸。例如 32k token 的上下文長(zhǎng)度，換算成英文文本大約是 50～100 頁(yè)左右，這其中還沒有考慮連續(xù)對(duì)話占用的空間。在實(shí)際工程應(yīng)用中，需求文檔動(dòng)輒幾百上千頁(yè)，遠(yuǎn)超模型的處理能力。需要對(duì)文檔進(jìn)行分段處理，但這又帶來(lái)了新的挑戰(zhàn)：在一份完整的工程需求文檔中，不同段落之間存在著復(fù)雜的互相引用和依賴關(guān)系。簡(jiǎn)單的分段處理可能導(dǎo)致 AI 無(wú)法完整理解某個(gè)需求片段的完整語(yǔ)境。因此，所需要的預(yù)處理機(jī)制，在保證每個(gè)片段長(zhǎng)度適中的同時(shí)，還要能為 AI 提供充分的上下文信息，使其能夠準(zhǔn)確理解每個(gè)需求片段在整體系統(tǒng)中的位置和意義。
4. 幻覺問(wèn)題
大語(yǔ)言模型的"幻覺"問(wèn)題，即模型生成看似合理但實(shí)際錯(cuò)誤的內(nèi)容，這在工程應(yīng)用中是不能接受的。當(dāng)我們把 AI 視為一種工程工具時(shí)，如果這個(gè)工具本身無(wú)法檢測(cè)或預(yù)防可能出現(xiàn)的錯(cuò)誤，使用它將會(huì)帶來(lái)難以預(yù)估的風(fēng)險(xiǎn)。在汽車電子測(cè)試這樣對(duì)可靠性要求極高的領(lǐng)域，AI 的每一個(gè)輸出都可能影響到測(cè)試的質(zhì)量和結(jié)果的可靠性。因此就必須建立一套輸出驗(yàn)證和監(jiān)控機(jī)制，根據(jù) AI 輸出結(jié)果的影響程度和范圍，設(shè)置相應(yīng)的驗(yàn)證流程和質(zhì)量控制門檻，確保每一個(gè) AI 的輸出都經(jīng)過(guò)充分的驗(yàn)證和確認(rèn)。
5. 專業(yè)知識(shí)體系的局限
當(dāng)前的大語(yǔ)言模型雖然經(jīng)過(guò)了海量數(shù)據(jù)的訓(xùn)練，但在特定專業(yè)領(lǐng)域的知識(shí)掌握仍然不夠深入和系統(tǒng)。在汽車電子測(cè)試領(lǐng)域，存在大量的專業(yè)標(biāo)準(zhǔn)規(guī)范（如 ISO 26262、ASPICE 等）、測(cè)試方法論和最佳實(shí)踐，這些專業(yè)知識(shí)往往需要多年的實(shí)踐和積累才能真正掌握。AI 在處理這些專業(yè)問(wèn)題時(shí)，可能會(huì)出現(xiàn)理解片面或者無(wú)法準(zhǔn)確把握具體場(chǎng)景需求的情況。因此，在應(yīng)用 AI 工具時(shí)，我們需要建立專門的行業(yè)知識(shí)庫(kù)來(lái)增強(qiáng) AI 在特定領(lǐng)域的專業(yè)能力。
6. 工具鏈集成的挑戰(zhàn)
汽車電子測(cè)試領(lǐng)域已經(jīng)形成了一套成熟的工具鏈生態(tài)，包括需求管理工具、測(cè)試用例管理系統(tǒng)、自動(dòng)化測(cè)試平臺(tái)、缺陷跟蹤系統(tǒng)等。要讓 AI 真正發(fā)揮作用，就必須能夠與這些既有的工具鏈無(wú)縫集成。然而，不同工具之間的數(shù)據(jù)格式、接口協(xié)議可能存在差異，如何讓 AI 能夠準(zhǔn)確理解和處理這些工具產(chǎn)生的數(shù)據(jù)，如何確保 AI 的輸出能夠被這些工具正確接收和使用，都是需要解決的技術(shù)難題。

結(jié)語(yǔ)
在汽車電子測(cè)試這樣的專業(yè)工程領(lǐng)域，我們需要的顯然不是一個(gè)簡(jiǎn)單的聊天機(jī)器人。工程師們需要的是一個(gè)可靠的、值得信賴的問(wèn)題解決工具。這個(gè)工具的輸出必須是穩(wěn)定、一致且可預(yù)期的 —— 我們不期待它帶來(lái)任何“驚喜”，更不能容忍“驚嚇”。即便它每次只能給出 60 分的結(jié)果，我們也希望它能保持這個(gè)水準(zhǔn)，而不是時(shí)而 40 分，時(shí)而又達(dá)到 80 分。同時(shí)，這個(gè)工具必須具有清晰明確的能力邊界，能夠識(shí)別出什么是它可以勝任的，什么是超出其能力范圍的。更重要的是，它需要具備完善的錯(cuò)誤檢測(cè)機(jī)制，在出現(xiàn)問(wèn)題時(shí)能夠及時(shí)向用戶發(fā)出警示。只有同時(shí)滿足這些要求，AI 工具才能真正在工程實(shí)踐中發(fā)揮其價(jià)值，成為工程師可靠的助手。
作為深耕汽車電子測(cè)試領(lǐng)域十余年的專業(yè)咨詢公司，北匯信息對(duì) AI 技術(shù)保持開放的態(tài)度。我們將充分發(fā)揮在汽車電子測(cè)試領(lǐng)域的專業(yè)優(yōu)勢(shì)和豐富經(jīng)驗(yàn)，探索 AI 技術(shù)與傳統(tǒng)測(cè)試服務(wù)的融合。