无AI不测试：人工智能时代背景下，如何发展与应用自动化测试？

背景

　　从计算机科学诞生开始，其主要目标一是计算（用计算机对大量数据进行处理），二是自动化（用计算机代替机械重复的人工劳动）。在半个多世纪后的今天，咱们惊讶地发现，引导计算机科学发展的仍然是这两个范畴：大数据和人工智能（AI）。

　　而自动化测试，是人工智能领域下的一个应用方向，和无人驾驶、机器人等同样，都是AI技术的应用场景。从技术的发展角度看，自动化测试一共经历了四代发展变化。从最先提出自动化测试思想，到现在将AI引入自动化测试，贯穿其发展的核心诉求就是但愿能有效的解决自动化测试中的时间与人力成本问题。

　　在过去很长一段时间内，自动化测试都局限于传统的测试脚本驱动。不管是游戏开发人员使用的Lua接口，仍是相似Xcode的UI Test，抑或是经过ADB/minicap对Android设备进行简单操控的Python Script，其本质都是人为定义规则的自动化操做模拟。传统方式尽管工做量大，但实现门槛较低，容易上手，容易调试，也容易修改，在很长一段时间里都是自动化测试的主流方案。相关主流方案的差别一般也只限于自动化脚本接口或规则定义形式的不一样。

　　然而，这种人工定义规则的方案都存在一些很明显的问题：版本迭代频繁。每次版本变化每每须要从新修改、调整脚本。对于较为复杂或具备必定随机性（例如游戏对局）的场景，难以经过简单的脚本调整对其提供支持。实际上，对于随机性极强的游戏产品，一般不会对游戏对局过程进行太多测试。

　　部分测试脚本须要产品自己提供对应的操做接口，用于获取游戏内部数据。而这种专用测试接口一般不会在正式发布版本中提供，所以对于真正上线的产品，难以用自动化脚本进行测试，只能靠人工测试。这一点能够说是致使自动化测试工具至今没法大规模商业化、产品化的核心缘由。

AI与自动化测试

　　从20世纪50年代到20世纪70年代初，人工智能的研究处于“推理期”。1981年，Werbos提出了多层感知器，引入了反向传播（BP）算法，此后，神经网络获得了快速发展；1986年，决策树的机器学习算法被J.R.Quinlan提出，也就是ID3算法；1995年，Vapnik和Cortes提出了支持向量机（SVM），其被做为一种能使机器学习取得重大进展的方法而获得推广；2005年，三层的NN模型强势崛起，诸多专家在理论和实践上完全激活了深度学习。2012年，Hinton课题组首次参加ImageNet图像识别比赛，经过CNN网络——AlexNet夺得冠军，CNN网络吸引了众多研究者关注；2015年，深度残差网络（ResNet）被提出，在众多比赛中表现突出；2016年，由谷歌旗下的DeepMind公司研发的阿尔法围棋（AIphaGo）打败了当时的围棋世界冠军李世石，成为第一个击败人类职业围棋选手、第一个打败围棋世界冠军的人工智能机器人，引发世界舆论的哗然。愈来愈多的技术领域开始尝试结合AI技术进行开发。至今，AI技术已经在图像处理、语音识别、艺术创做、自动驾驶等许多方面有了成熟的技术与稳定的应用。

　　在2015年和2016年Google DeepMind发表多篇游戏自动控制的论文，以及AlphaGo在棋类游戏上有了打败人类的先例以后，腾讯互动娱乐事业群的TuringLab团队开始思考如何利用最新的AI技术解决上述问题，并将其融入自动化测试工具中。从2017年到今天，经过多个产品的实验和腾讯内部多个部门的协做，TuringLab团队成功地开发出一套基于深度学习的自动化AI测试框架，并应用在多款世界知名游戏产品的平常测试上。

　　AI技术的核心思想是利用已有的历史数据，训练出一个较好的AI网络，经过已经训练好的AI网络来处理当下的输入数据。与传统的编程方法不用，经过AI算法训练出来的网络模型一般会有更好的泛化性。而在传统的自动化测试中，项目测试的维护成本很高，只要版本更新或功能发生变更，就有可能产生大量的维护工做。引入AI技术后，其带来的泛化性能够有效地减小自动化测试的维护成本，在AI模型中编程能够不作改动，或者直接增长训练数据就能够很好的完成测试需求。

　　2020年，TuringLab团队基于深度学习的自动化AI测试框架基础，将其开发与应用经验详细整理成了《AI自动化测试：技术原理、平台搭建与工程实践》一书，与读者分享腾讯游戏是如何将AI技术与自动化测试相结合完成测试需求的。

主创团队

腾讯互动娱乐事业群TuringLab团队

由美国归国技术专家领头组建，成员包括多位图像识别处理和机器学习领域的博士，以及多位专一于工程技术的专家。目前，实验室开发的AI SDK自动化测试平台已经成功接入腾讯公司的几十款在正式运营的商业游戏，并同时服务于WEST产品、即通手Q产品，以及各游戏工做室的多个产品。

[主编]

张力柯

腾讯TuringLab实验室负责人，资深AI系统设计专家；美国德克萨斯大学圣安东尼奥分校计算机科学博士，曾前后在美国微软、BCG、Uber及硅谷其余创业公司担任研发工程师及项目负责人等；

[联合做者]

周大军：腾讯TuringLab实验室AI工程组负责人，有10年以上工程技术开发经验，负责开发的GAPS（压测大师）获腾讯公司首届最佳工具奖，申请及参与提交工程、无人机、AI相关专利70余项；

黄超：资深AI算法研究员，前后在国内外重要的期刊和会议上发表20余篇论文，并提交AI相关专利25项；

李旭冬：资深AI算法研究员，在国内外重要会议和期刊上发表学术论文15篇，申请AI相关专利10项；

申俊峰：资深软件工程师，有10年以上工程技术开发经验，前后提交相关技术专利10项；

王洁梅：腾讯高级工程师，前后提交发明专利23项，其中国际检索2篇；

杨夏编：腾讯高级工程师，前后提交发明专利26项

书籍简介

　　《AI自动化测试：技术原理、平台搭建与工程实践》一书共分了三个部分。

　　第一部分是原理篇，重点介绍图像识别算法、基于值函数和策略梯度的强化学习、模仿学习的研究现状与在自动化测试中的运用等相关的AI算法原理，还详细讲解了Android设备调试相关问题，为后续学习具体工具的落地应用打下基础。

　　第二部分是平台篇，将用长达117页的详细介绍为工程师们讲解腾讯游戏AI自动化开发工具的设计与实现，包括和Android设备的对接、数据标注流程、AI算法在游戏自动化中的具体实现、AI SDK平台二次开发等。

　　第三部分是最佳实践篇，将经过不一样需求场景下的实践案例，为工程师们展现在实际游戏产品的测试如何使用本书介绍的测试平台完成各种不一样的需求，并可尝试在此基础上实现定制化功能。

结语

　　AI做为近些年的技术热门话题词，有很多企业行业打出“人工智能”的标签制造噱头，吸引大众的眼球。在自动化测试技术多种多样的背景下，与AI技术结合的自动化测试方法却已经在诸多适当的场景达到了提升生产效率，节省企业的人力成本的效果。

从目前腾讯公司的AI自动化测试实践来看，多分辨率手机的相关测试如兼容性、性能、回归等节省的成本是最明显且有效的。如今，TuringLab团队将AI测试平台免费开源开放，若是用户以为已有的算法或者功能不能知足测试需求，能够本身开发一些更适合本身业务的功能与算法。《AI自动化测试：技术原理、平台搭建与工程实践》一书也将更好的为你指引AI+自动化测试的开发方向。如今点击购买，还可享受限时8折特惠！