iSQE圆桌论坛:专业视野与行业智慧的盛宴
访问次数: 144 次   
发布时间: 2025-01-23

近日,iSQE“新质生产力·培养未来人才·更高质更高效”研讨会圆满结束,本次研讨会吸引了众多行业内的专家与参与者。圆桌论坛环节期间,嘉宾们分享了在各自专业领域中丰富的经验和深刻的见解。嘉宾们围绕汇聚多元体系的前沿质量管理方法:如何整合需求、测试、TMMi和敏捷实践,赋能产业发展中的软件质量保障?畅想无代码测试新时代的智能未来:如何重塑软件质量保障的技术范式与实践路径?解码智能时代的软件人才进化之路:如何重塑软件人才的培养模式和培养路径?这三个热门议题展开讨论,为在场观众带来了诸多启发。

 

 

本次研讨会圆桌论坛嘉宾:

刘琴(左二):同济大学软件学院 教授、ISO 29119软件与系统测试国际标准、人工智能测试子标准负责人、ISTQB®大中华区首席代表

夏勇(左三):汇丰银行董事总经理、华南理工大学客座教授、原复旦大学客座教授和上海交通大学企业博士生导师

蔡立志(左四):研究员/博士、上海市计算机学会软工专委主任、上海计算机软件技术开发中心主任

张仁雷(右一):领悦数字信息技术有限公司测试负责人

陈学峰(右二):OpenText ADM资深技术顾问

许静(右三):上海市软件行业协会副秘书长、人才服务部主任、高级工程师

李颖丽(左一):新华三TMMi主任评估师 资深咨询顾问

圆桌论坛实录

主持人 李颖丽:

各位现场的嘉宾,领导,大家下午好,我是本次圆桌论坛的主持人李颖丽,那今天非常荣幸能够和各个行业领域的专家一起,就软件行业的发展,当前面临的挑战以及未来的趋势做深度讨论,今天特别感动的一点是我们很多的企业从不远千里来到我们现场,而且在茶歇时候看到大家的讨论和碰撞非常的激烈,我们今天来自各个领域的专家,有顶尖高校的,有企业的,有非常优秀实践专家,还有研究机构的,相信各位专家一定能给大家带来非常有广度和有深度的碰撞,今天这个圆桌讨论,会分为三个议题,1汇聚多元体系的前沿质量管理方法:如何整合需求、测试、TMMi和敏捷实践,赋能产业发展中的软件质量保障?2畅想无代码测试新时代的智能未来:如何重塑软件质量保障的技术范式与实践路径?3解码智能时代的软件人才进化之路:如何重塑软件人才的培养模式和培养路径?

 

 

议题1:汇聚多元体系的前沿质量管理方法:如何整合需求、测试、TMMi和敏捷实践,赋能产业发展中的软件质量保障?

 

主持人 李颖丽:

首先,先从第一个议题开始。茶歇时我和很多企业领导和这个实践专家做了交流,大家说目前质量管理在我们全行业得到了非常多的关注。从原来传统的这种测试模式,到后来的敏捷,到现在很多企业关注的研发效能都要实现落地,所以非常关注质量管理。在我们当前的整个大背景下,你看我们有需求工程,有我们TMMi®的测试实践,有整个敏捷的体系,这些体系怎么融合起来为整个软件质量的管理进行赋能?或者如何落地更好的质量管理的效果?那我想请我们来自各个领域的专家,结合自己的实践、结合行业趋势的发展,给大家做进一步的探讨,下面看哪位老师专家先抛砖引玉开个头。

 

圆桌嘉宾 蔡立志:

刚才主持人提到,如何融合质量管理的各种有效手段来赋能整个质量的提升,这两年讲到任何一个话题都离不开大模型,包括我们质量管理也是如此。那么,我们之所以把整个软件工程划分为不同的环节,我们之所以把学科划分为不同的学科,其实是基于人的认知和经验的有限性,所以我们把它做了细分的领域,因为人能力有限,所以我只懂语文,你只懂数学,而不是通吃。同样的,我们从需求开始,到设计、实现、业务到上线运营,不同阶段的划分,其实最核心的基本理念就是没有办法一下子全打通。在我们传统的各种模型中,无论是敏捷的也好,重载的也好,轻载的也好,无非是一个有效的机制,把从头到尾串起来,使得后期的成效能够反馈于前期的设计研发的过程,这是我们过程改进的一个基本核心原理:提高生产力,提高质量。但现在带来的一个重大的变革是,我们希望原来的这个循环是在企业里面,甚至是在一个项目里进行正向的反馈活动,把后期的结果和发现的缺陷,整理一个过程反馈到我们的过程管理里面,我们一直是在这么一个维度里面去打转。但现在有了AI以后,你就会发现这种思路受到了巨大的挑战。  

现在的大模型其实已经融合全球,我们说是最佳实践的知识,已经在大模型里面充分得到体现了。那么这时候,你的认知可能就不再局限于简单的一个项目里的一个循环。在软件测试中间有一个比较有意思的概念,叫做杀虫剂效应,就是你同样的一个缺陷,今天有了,可能明天开发人员就知道这个缺陷,今天、明天、后天就把这个问题做成一个组件,做进系统里,拿你的方法就再也无法解决了。现在其实这种情况有了大模型以后,加速了这种杀虫剂效应的快速发展。因为大家在调试代码辅助工具,原来是关键词,现在是语句,再接下来是代码段的AI提醒。这个AI提醒里面其实已经把大量的缺陷信息也在提醒过程中直接提供了,这加速了这种传统的缺陷模式。以前传统的所谓等价类测试几乎没有任何用武之地,所以这一块就引起我们一个新的思考。我们必须用新的、更大的维度来考虑软件工程的模式和它的发展问题,不再是我依靠自己项目的经验来反馈前期,而是借助于大模型把全人类的一些知识体系反馈到我们前期的过程。所以,这对我们的知识和结构的挑战,以及我们社会的理念,我认为是带来非常巨大的冲击。所以,必须要拥抱大模型,拥抱改变的这个世界。

 

主持人 李颖丽:

感谢蔡老师,一开场就抛出了一个观点,我们的质量管理和AI怎么样进行结合。那接下来,请夏勇老师分享下。

 

圆桌嘉宾 夏勇:

我从我自己所在的银行业说一下质量管理。我们之前就说软件定义一切,所以说IT的系统在大家日常被使用的越来越多,而且我们现在也感觉到,银行在几十年之前,大家觉得银行招的员工都应该是学经济的,其实不是这样的。从二三十年开始,IT人员的比例已经占到了10%-20%。现在这个比例越来越高,超过40%-50%,所以例如其他的我们的同行,例如高盛,不要说我们是一家银行,是个高科技公司。同时我们也看到监管对质量要求也是越来越高,如果以前你的APP出了问题没办法访问,那你还可以到网点去,银行的网点,无论在中国还是在国外上,都是一直在做,出了事情,老百姓关系到整个国民经济的命脉的这些东西都在这个系统里。所以说我举两个例子,在东南亚有一个国家,他们当地的一家银行出了问题,就被监管要求半年内这家银行不允许上线任何系统,并要求进行整改,这是一个很严格的监管要求,这对全世界所有的银行都敲响了警钟。大家今天可以看到,包括我自己所在的银行,如果说银行出了一点小事,例如Bloomberg等一些知名的媒体头版头条报都会报道某某银行出了问题。我自己也亲自经历了一桩事情,去年六月份的时候,由于英国当地的一家支付公司的系统出了一系列的问题,导致若干家银行的支付延时。一开始是一件小事儿,但由于新闻媒体第一时间把这则新闻报道出来以后,我们发现大量的客户在同一时间全部涌入我们的系统里面,系统几乎崩溃。这个本来不是人为的造成了这些问题,所以我们必须要把系统做得足够强,而且今天我们的系统越来越多,多到了几乎靠人工来说很难解决,我个人觉得到了一个边界点,刚才蔡老师说的很好,也就是因为AI出现了,我觉得这是对我们一个解药。有很多事情我们要做,然后我们现在基本上所有的工作,包括我们自动的故障监控,排查基本上全部都借助着AI系统来解决。如果没有AI,我们个人很难控制这些系统。另外讲到我们的招生,我刚才说了,我们会招越来越多计算机毕业的学生,在招计算机毕业的学生里,例如北大、同济大学等等,在越来越多中国最好的大学里去挖博士生,通过博士生来做,所以我们整个博士生的招生需求会越来越大,用博士生来做AI算法解决问题。

 

主持人 李颖丽:

特别感谢夏老师的分享。其实大家能够意识到,对于尤其是银行业来讲,质量管理要求特别高,而且银行的监管又特别严格。那刚刚夏老师也说了,我们可以借助于AI的手段实现我们故障的检测,故障的监控,还有包括对于我们人才的要求也更高了,这个刚好是我们第三个的议题,一会也会跟大家做进一步的讨论。那我们先请许老师给大家分享下不同的视角。

 

圆桌嘉宾 许静:

我来自行业协会,我和在座的其他专家有个不同的地方,我们平时是看软件质量,并不是说我们自己有开发的软件质量,包括今天在这里学习的时候,我也了解到了很多怎么样做好软件质量的管理。其实这个问题,我刚才在台下咨询了一位来宾,他告诉我第一个是我们的需求分析,其实的确是这样,因为所有的信息系统的开发,它最关键的其实是我们的需求,那么软件质量其实是保证满足我们的需求,在这一块儿我们在需求分析上面,其实也是非常重要的,包括在项目管理当中,因为刚才我们老师讲到了项目管理,项目管理当中的第一条其实就是需求分析,没有把需求分析清楚,后面软件质量再高,即便能满足,但能达到客户满意度吗?其实这也是一个问题,如何来借助AI把我们的需求分析做好,然后我其实也在思考一个问题,就是可能人工智能会代替很多接下去人工的东西。但是当初工业革命时代代替了好多工人,但是现在我们很多的手工制品变成了hand made,这个反而是更糟糕了,那么接下去我们的人才可能在应用人工智能以后,我们有些人才的需求,或者人才的要求又有不一样的地方。他们的质量,他们也是我们保证软件质量非常重要的一点,包括我们接下去的测试人才,因为测试是软件质量保证的一个重要手段。

 

主持人 李颖丽:

感谢许老师,其实也刚刚说到了需求管理,它才是我们质量管理的源头,这一点特别重要,也刚好借助于我们的需求工程去更好的落地实践,那我们接下来请陈老师。

 

圆桌嘉宾 陈学锋:

那我就从企业实操来谈谈,我个人经历偏向于技术或者工具。对于现在来说,AI其实更多的是谈深度AI(Deep AI)。深度AI如果能够进一步发展并应用于软件领域,企业使用得好,或者企业转型得比较成功,就会表现出主动性、探索性和动态性。在这个基础上,我们可以进行扩展。以前大家经常提到测试左移和右移,当时因为某些技术不够成熟,你说左移要移到哪里去?无法实现,而且耗时较长。就像刚才这位老师提到的需求,如果有AI介入,其实我们提出的需求可以更加清晰。AI可以帮助检查需求是否与其他需求章节冲突,而手工操作很难做到这一点。另外,设计的一些标准是否符合行业要求?如果将AI与行业知识结合,AI可以进行过滤和优化。因此,左移的测试可以更有效地实现。软件质量和设计阶段的框架也很重要,过去实现这些很困难,但现在是可以落地的,工具也在朝这个方向发展。右移同样如此,过去右移可能只是开发后期的查缺补漏,但在上线之后,如果有AI介入,智能体或机器人可以真正完成这些任务。在积累经验后,或在进行变更后,AI可以快速帮助完成许多测试工作,从而更好地实现后期的右移。对于我们做工具的公司来说,我们肯定要快速拥抱这些理论,并将其融入到工具中去。至于人才方面,复合型人才备受青睐。有了这些人才,我们可以提供更好的工具。我认为,结合人才和工具,才能更好地提升我们的质量。

 

主持人 李颖丽:

非常感谢陈老师,这里又引入了一个新的视角,提到了我们质量左移和质量右移,以及跟工具平台的一个结合,特别好的视角,那接下来请张老师。

 

圆桌嘉宾 张仁雷:

我站在工程交付角度,可以给大家分享一下我们用人一些想法和标准,大家也都知道从互联网进入智能时代,我们在面试的过程中,或用人的过程中,肯定是希望既有理论基础,又有实践能力,还得具备创新思维意识。这个其实听上去挺难的,但是这个从交付角度来说的话,其实我们都是有比较高的质量追求,所以说在日常的工作中,我们是希望在大学的一些课程改造里,除了能传授理论知识之外,多引入一些实践的环节,比如说校企的一些合作啊,而且我认为有一些比较好的竞赛,例如社会上的一些竞赛或者开源项目,我也建议我们的同学们踊跃参加一下,因为通过跟不同层面的人的交流协作,其实我认为对我们的同学将来步入社会,可能会有更好的支持,这是我站在这种实际交付角度的一些感受。

 

主持人 李颖丽:

特别感谢张仁雷老师啊,那下面我们请刘老师。

 

圆桌嘉宾 刘琴:

谈到高校里课程的设置,其实高校也一直在探索校企合作这方面。像我们同济大学在三年前开设了“人工智能基于AI系统的测试与评估”课程。这个课程中,AI是其中一个部分,因为它从系统的观念和角度重新审视AI,特别是在全生命周期中。在推理阶段,它会遇到许多现实问题,比如数据漂移、模型漂移和概念漂移。而这一块,在大学当时的知识体系中涉及得都比较浅显。然而在企业,我们通过与企业的调研和合作项目观察到,这部分是非常重要的。这才是AI能够自适应甚至持续发展的关键方法,同时需要有相应的工具来支撑它。所以我觉得我们的视角,一方面如蔡主任所说,要放远,把人类的知识体系用AI来做工具,另一方面,我们对AI本身的研究也需要更加深入。这样对数据和模型的评估测试,以及它与需求的匹配性,能够更精准地掌握。实验室里可能认为这个模型非常好,但在实际投产后,可能表现得不稳定,这也是鲁棒性的问题。但鲁棒性的问题在实验室里很多时候是难以测试的,因为许多问题只有在生产环境中才能预见。这样的合作对学生和老师的要求都非常高。我们这门课程探索开设了三年,最初只有计算机学院的学生来学习,现在机械、汽车、医学等学院的学生也加入了。他们有很强的学习意愿,但我们目前主要依靠开源数据让学生自建联系,模拟可能的情况。最理想的情况是与产业合作,这涉及两个部分:一是需求,因为AI的需求与传统系统的业务需求不同,特别是在验收标准和框架层面上。二是对AI全生命周期的把握,而不仅仅是构建达到一定精度后就交付。因此,真正理论与实践相结合的机会很少。产业一方面可以提供需求,另一方面可以在数据层面提供支持。如果能够有脱密数据支持,而不仅仅是公开数据集,我们就可以针对领域进行相应的研究。如果有企业愿意与高校合作,我们非常乐意将其写入案例课件,形成研究课题,共同研究机制并推广到更多产业中尝试。

 

议题2:畅想无代码测试新时代的智能未来:如何重塑软件质量保障的技术范式与实践路径?

 

主持人 李颖丽:

特别感谢刘老师来自高校的视角分享,那其实我会发现我们各大企业去实践落地的时候,也特别需要我们来自高校的这种完善的理论的一些支撑。那刚刚也提到了也需要做一些实践的落地,那接下来可能就会引出今天第二个议题,我们有这么多的实践,有这么样的一些需求,那比如说我们也经常在银行,保险和证券行业去落地实施,那其实会发现,在AI生成测试用例AI和精准测试的结合,以及借助于AI的一个手段去实现各个维度的一些自动化测试,那它其实都对我们的工具平台要求非常高。所以也想跟各位专业的领域的专家探讨一下,我们这种无代码的测试工具,未来可以如何探索,探索出来一条什么样的路径?AI是怎样借助于工具平台进行更好的落地呢?请蔡老师先跟我们分享一下。

 

圆桌嘉宾 蔡立志:

有关无代码的测试,其实从测试的生命周期上看,无非是测试用例的设计,测试用例的评审,测试用例的执行。在这个流程中间,所谓无代码,其实是一个相对的概念。从我们人的UI角度上看,代码其实是有的。那么,在生成的过程中,对于测试用例的生成,无代码生成有几种方式。一种是用自然语言来表示,比如我给了一段代码,我跟AI说请帮我针对这类代码生成测试用例,现在各个平台都有,比如豆包等,当然水平高低不一,这是另一码事。但它都会生成这样一个数位。这算是无代码生成还是算有代码生成?理论上讲,我的理解应该是无代码,但其实它是有代码的。这是从生产方式上讲,是不是要有人去敲代码?第二种方式是,我建个模型,用各种各样的模型,用流程图也好,图也好来表达我的形式,再通过这些图形来生成各种各样的用例。这算是代码,还是算无代码呢?你可以认为是无代码,也可以认为它是有代码,但这其实并不是太关键。难点在于生成的这一堆用例的完备性等,这是一个很大的挑战。对于正确性,验证起来相对容易,所以有人能验证,但完备性是测试领域一直追求的目标。如何保证测试的东西是充分的?其实这是无解的。目前基本的认识是,测试只能尽最大努力去发现问题,而不能证明它是正确的。所谓的完备,也是基于特定前置条件下的完备,这个完备是针对前置条件推出来的,而不是对软件完全正确的。所以这是一个基本概念。这里面的判断有两种:一是我能去判断,二是让AI去判断。其实也有很多AI支持这方面的工作,比如你告诉它某个用例缺少条件,它就会给你补充几个用例。本来是三个,它可能会补充成八个。这其实是无代码类似的生成,它替我生成了这些用例。这一点很关键,因为需要告诉AI去哪里,这不是一般人能轻易看出来的。如果你能看出来,说明你设计AI的水平已经很高了。第三个方面是关于测试用例的自动执行。现在相对来说比较容易了,无论是基于Web的,还是基于脚本的语言,你告诉它去执行,相对还比较容易。所以围绕这个话题,前几年一直在讲低代码,甚至零代码。在设计领域,这类平台被讲得比较多。AI出现之前,低代码平台确实很多。但有了AI后,这种平台的声音就少了,或者不再强调自己是低代码平台,因为它的竞争力被AI取代或降维了。因此,现在讨论的焦点还是AI如何帮助我们解决问题。从目前来看,对AI的认知,如果把它作为辅助工具,会很享受;如果作为终极工具,会很难受。所以定位很关键。我个人倾向于将AI作为基本的辅助工具,来解决一些日常问题,这样你会很开心。

 

主持人 李颖丽:

特别感谢蔡老师的分享,我觉得我也深受启发,就刚刚这个理念,我们到底把AI作为辅助工具还是终极工具,我们是享受它还是说被它的这个挑战所难倒,那这个其实是一个很好的视角,那接下来看看其他老师有没有其他的分享?请张仁雷老师。

 

圆桌嘉宾 张仁雷:

说到这个无代码,其实我更喜欢称之为低代码,因为这个其实给我们留下过阴影。举个简单例子吧,就是在我们过去几年交付过程中,大数据团队有一个报表的团队,可能负责给业务方做一些数据报表的任务,但那个年代可能就依赖于单一固定的传统需求设计、开发、测试一系列环节。业务方会吐槽我们的效率比较低,而且这些报表的拓展性和复用性也不高,导致业务部门质疑交付团队的价值。后来我们交付了无代码平台,或者叫低代码平台,这可以帮助业务团队通过代码生成工具和组件来自动生成报表。在这个过程中,我们发现,如果报表有偏差,业务团队可以自己调整,效率大幅提升,对他们业务的帮助反而更大。说到底,这些无代码平台的功能也是通过我们测试团队的质量保证流程来保障的,并不是从零到一自动生成的,这也不能否认我们团队的价值。过去几年,我们的测试工作主要聚焦在传统的测试数据建设上,包括常规的UI、API质量和过程度量。但从前两年开始,公司在基于AI的创新方面开始发力。随着思域大模型的建立,我们从去年开始尝试将传统测试工具与AI结合,建立所谓的系统知识库。多年积累的工具使用数据资产,通过数据清洗和错误修正,可以赋能模型,提升效率。所以我个人认为,从交付角度而言,这可能是一个趋势或者方向。我们需要从传统的测试工具逐步转型到智能测试工具上,这是我个人的一些看法。

 

主持人 李颖丽:

特别好的视角,感谢张老师。刚好刚才也提到了,我们如果要借助于AI的一些探索和实践,其实是离不开我们知识库的积累,那其实这个在目前在很多行业内AI去沿用知识库啊,或者是基于我们的案例库去做案例的复用啊和推荐呀,做的还是非常好的,那有一些普通的银行,它的这个AI生成测试用例的覆盖度能够达到40%和50%,而且是全系统的覆盖,那我觉得这一点是非常值得肯定的啊。那我们下一位老师好,陈老师。

 

圆桌嘉宾 陈学锋:

对于AI工具,现在说要使用的话,我也觉得在用的过程中,大家要注意它其实会有蛮多情况出现偏差。所以刚才说辅助这个观点,我很认可。其实,这就涉及到一个话题,叫AI幻象或者AI幻觉。经常在使用过程中,你需要让它摆正位置,有时候要告诉它角色——你现在的角色是什么,然后再让它去做一些事情,这样它可能会更正确地执行。这是一个小技巧。另外,谈到低代码的话,我觉得确实可以分为两类。一类是在传统工具上结合AI后,它能自动为我们生成一些代码。另一类低代码更偏向于现在的模式,应该称之为自然语言模式。就是说,能否脱离传统工具,写出来的代码可以让很多业务人员和领域专家参与进来。因为使用这些原来的编辑语言,大家都知道,需要写一些针对受众的对象。变成自然语言后,就真正做到“说到哪里,点击哪里,去做什么”。这种模式可能是未来的方向。但这方面确实存在一些困难。如果这方面能达成,未来低代码或无代码才算是真正开始落地。

 

主持人 李颖丽:

特别感谢陈老师,下面请许老师谈一下。

 

圆桌嘉宾 许静:

我从另一个角度来说,我这里打一个小广告,因为我们是软件行业协会,也是职业技能等级认定的一个评价机构。其中有一个项目就叫软件测试员。在考试中,我们发现了一件事情,这个考试对软件测试员的要求不是谁都可以参加,也不是复习或培训后就能考试。它对工作经验和专业有要求。当初我们的要求是相关工作四年或相关专业毕业才能参加。在考场里我发现,很多人并不是来自软件企业,而是来自其他行业,比如卖黄金的企业。当时我问他们为什么要学测试。他们说,因为在系统交付时,作为信息技术主管,他们需要了解测试过程,以便知道软件的质量如何。但在考试中,我发现这些非软件企业的信息技术主管在软件测试能力上相对较弱。他们更倾向于使用测试软件,但在编程方面较为薄弱。现在,低代码或无代码以及人工智能领域是他们更加关注的部分。他们虽然不是专业的测试人员,但需要管理信息系统,确保收到的系统质量有保证。在人工智能时代,这些工具可以成为他们的辅助工具。我们也在设想,将来考试中使用的测试工具是否需要更新,因为时代在进步,我们也在拥抱AI。接下来,我们需要调整,因为很多岗位要求从事四年相关工作,而这些人在信息系统交付中是验收的一方。我们是否需要考虑到像汽车行业的人才?这些领域的专业人员在软件验收过程中非常重要。软件开发人员是信息技术的专业人员,但领域专业人员需要确认软件是否适合他们的使用。所以我认为无代码其实可以帮助到他们。

 

主持人 李颖丽:

特别感谢许老师这个分享,我觉得这个故事特别的精彩,下面请夏老师。

 

圆桌嘉宾 夏勇:

我说一下我们在银行业的一些情况吧,刚才也谈到了,我们要用工具,包括AI的使用。我们本来也一直在跟学校合作,其中一个原因是在银行,我们需要有研究能力的软件人员来做相关的事情。我相信大学的教授,如果是博士生在做这个人工智能的研究,肯定不会仅基于transformer的生成式AI,因为对研究人员来说,这是过去的技术。我们要关注新的模型,特别是如何在模型中加入reasoning capability,把之前的经验融入到今天的AI中。将来的AI到底是什么样,我们今天还是要抱一颗敬畏之心,不敢断言,但很可能它会指数级地比今天更聪明。这也让我们对员工的要求变得更高。传统上,我们会说有测试,在整个体系中我们有论证。今天,现场有项目经理、需求分析师、测试人员和开发工程师,各有论证。我个人觉得,将来对我们的要求是,必须具备多方面的能力。如果一个测试人员不会做需求分析,或者不会做架构设计,那他就不会是一个好的测试人员。这是现在行业的趋势,我们已经看到。现在,我们在招人时写JD时都会要求Full Stack,从前端做到后端,从需求做到测试。当然,可能大家会问,这样是不是对员工要求太高了?在这里,AI可以作为一个辅助工具。之前我们认为不可能的,现在可能通过AI的帮助已经成为可能。

 

主持人 李颖丽:

特别好的视角,现在大学生找工作很难,这个全面要求太高了,不是每个人都能达到全面。好的,那刘老师可以结合您的视角给大家做个分享。

 

圆桌嘉宾 刘琴:

从我个人视角来讲,第一个是低代码的应用,现在还有两个比较大的障碍。首先,我们要明确一下低代码从自然语言面对的对象,因为它有可能从需求到测试,通过这种模型最容易产生的是验收级别的测试。然而,如果深入到它的性能、业务的深层次,以及一些软硬件的限制,这方面的覆盖可能还不够,仅仅是冰山一角,再往下深入的话,要求会更高。第二个障碍是,如果真的想覆盖全生命周期,做低代码的话,使用目前的大模型,也就是自然语言模型,专业的案例库就特别重要。现在很多生成的内容在科普领域可能还可以,但对专业人员的需求却无法完全满足。很多情况下,这些模型集结了人类知识体的各个领域,但在软件工程领域,我们的数据积累相比之下非常少,或者是非公开的。这就意味着,如果将来要开发这样的工具,不仅需要使用大模型,还可能需要将其放置在企业领域的专属语料库中,让模型具备倾向性、判断能力和业务认知,这样才有可能性。这是我的一点补充和观点。

 

议题3:解码智能时代的软件人才进化之路:如何重塑软件人才的培养模式和培养路径?

 

主持人 李颖丽:

我们马上就进入到最后一个议题,对于人才的培养啊,你看刚才我们几位嘉宾分享了。我们的这个软件从业人员,测试人员,质量人员又要懂AI的实践,还要具备布局平台的落地能力。我们银行业对人员要求还这么高,那接下来。我们这些从业者还有未来即将从事这个行业的从业者表示压力山大,那几位嘉宾对于我们未来的这种软件从业人员,如何让他们具备这样的能力?如何让他们适应整个AI时代的发展呢?就人才培养这一块,那几位专家有没有比较好的建议?尤其是对于我们招聘要求这么高的,夏老师这边来聊聊。

 

圆桌嘉宾 夏勇:

之前我去华南理工大学上一门课,我和我的学生们讨论,我认为有了新技术,肯定是要拥抱的,这种心态很重要。对我们来说,包括我自己,我也经常问自己,今天我做工作的方式是写邮件,我是直接上手写,还是让ChatGPT来帮我写?我现在强迫自己只写提纲,然后让AI帮我润色。我希望将自己融入到下一代技术中,包括对我的学生,或者你教自己的孩子时,也要以身作则,告诉他们,我是这样工作的,也可以建议他们这么做。我觉得这一点很重要,就是有技术支持的情况下,做全站开发的话,什么技术都得跟着学。

 

主持人 李颖丽:

我跟夏老师是感同身受,就是现在每一天这个工作和生活都离不开AI。就比如我做产品管理的创新,我要写一个解决方案,然后要给客户做一个答疑,甚至是我们家小朋友写一个作文,他都会问我说妈妈,我能不能用AI助手帮我写一个提纲,我想看看它的视角和我有什么不同,所以我们也要以身作则,先走一步,先去探索,我们自己把AI用起来。那我们听听其他老师的分享,请蔡老师。

 

圆桌嘉宾 蔡立志:

有关教育与AI之间的关系,有些人说我们有了AI,什么都不用学了,AI可以替我做所有事情。但从我个人的感受来看,我们目前的教育体系将面临非常巨大的挑战,也正在引发深刻的变革。从现在来看,AI能够帮我解决的,大多是替代一些重复的、并非特别高深的劳动。到目前为止,我将其定位于这个阶段,这也引发了我们对课程设置的基本挑战。我们所讲授的课程内容,是否是AI能够替代的,还是不能替代的?不清楚高校是否对课程进行了相关的评估。例如,举个简单的例子,大家都感兴趣的画图,不同的人画出的图是不一样的。你给他一个画面,结果是完全不同的。其实,这也只是免去了手动操作,但其背后的思维方式仍然要求你提出,这样才能反映出图像的基本特征。同时,有一个有趣的案例,与AI生成作品的版权归属有关,问题是版权到底是属于大模型,还是属于用户?我去问律师,如何判断这个问题,律师告诉我,全球有两种判定标准:一种是判定为AI的,因为它是AI生成的;另一种则判定为用户的,认为作品的创作主体应归用户。然后我和律师深入交流,他给出了一个基本准则:这幅图片的生成是否融入了你的个性化特征?是否包含了你的知识产权?如果是,这个作品的版权归你;如果不是,版权则应归AI平台。这就带来了一个基本挑战:当我们使用AI时,是否融入了我们独特的思想,而不仅仅是发出一条指令,要求生成一幅画?如果是后者,那版权归AI平台。如果我进行了精雕细琢,尽管最终的动作简单,但它表达的思想却是我的,那么版权归我。这种道理同样适用于其他类型的创作。所以在大学的课程体系中,我们提供的是否是参考?我们所教的是AI能够替代的部分,还是不能替代的部分?举个例子,如果是通过AI生成一幅画,你需要告诉它具体的要求,比如长宽比例、景深、镜头、光照类型、重心突出的位置等。你要将自己的思维方式表达出来,不是每个人都能准确地描述这些要求。能够清晰表达的人,意味着他们已经在脑海中构思了这幅画,而AI只是将这些想法具体化,最终的版权仍归创作者。所以,我们现在要教授的是更高层次、更具抽象意义的“灵魂”部分,这才是我们的核心所在。就像在软件测试中一样,如果你让AI帮忙生成几个测试用例,它给你生成了三个用例,这并不代表你的劳动成果。因为这只是你告诉AI了你需要什么样的组织结构和覆盖率、依据的判断标准等,并让它根据这些信息生成了用例。如果这些用例不符合你的要求,你就告诉AI使用不同的准则来生成更多的用例。通过这种交互过程,生成的用例版权归你。所以,在大学里,尤其是对于人才培养来说,我们需要教授的内容就更加困难了。它不仅仅是简单的白盒测试和黑盒测试,而是要对测试的充分性、测试准则的推导过程有深刻的理解。因此,大学里的挑战或者学习测试的人员,其要求是更高的,而非更低。泛泛而谈的人最终会被AI所替代,而真正的高手不会。例如,骑马原本是用来运输的,但现在骑马也可以成为一项竞技运动,这个道理与AI类似,汽车无法替代骑马。我们无需害怕AI,关键在于我们自身的定位和体制。如果我们的能力仅限于被替代,那确实会被取代,但如果我们的能力不止于此,像马术、赛马一样,那么我们依然是无法替代的。所以,在教育体制中,我们是否应该考虑并探讨这些问题呢?

 

主持人 李颖丽:

特别感谢蔡老师,蔡老师每次分享都是妙语连珠,还有很多形象的比喻。也让我们学习到我们在使用AI的时候一定要融入自己灵魂的思考。那接下来请许老师。

 

圆桌嘉宾 许静:

我想从我们行业的角度来谈一谈。在软件测试领域,我们行业的人才可以分为技能人才、高技能人才和高级管理人才。不同层次的人才在AI的学习和掌握上,应该根据他们的使用角度、使用内容和关注点有所不同。这也正是我们未来人才培养的一部分。目前,我们的学生来源包括高职、二本、一本以及一些国外回来的常青藤等学校的学生,我们可以根据这些学生的不同背景,将他们进行不同的定位,在各自的岗位上,虽然我们要求他们具备全能的能力,但他们对于全能的要求是不同的。此外,相关部门在技能人才和高技能人才的培养上已经投入了大量资源。根据人社规2024年20号文,对于软件测试人才的补贴已经有了较大的提高,特别是三级人才的补贴增长了50%。例如,达到这个级别并参加考试的个人,可以获得2600元的补贴。我们在培训过程中,先从考试内容入手进行补充,但后期会更多地加入我们需要教授的其他内容。我们将技能人才、高技能人才和专业管理人员所需掌握的内容逐一教授给他们。与此同时,许多企业在当前的市场环境下面临困难,因此我们也希望能够借助有关部门的支持,提升我们的核心能力。我至今还记得2008年刚入职场时,正好是金融风暴时期,很多软件企业的老板都认为这是“练内功”的好时机。现在,对于我们软件行业来说,也是时候加强人才培养,提升内功了。

 

主持人 李颖丽:

特别好,许老师提到了我们的人员培养要分层分级,其实这个也是企业特别需要的,好接下来请陈老师。

 

圆桌嘉宾 陈学锋:

之前我其实也有幸受邀去高校做分享,分享的时候其实站在我的角度,我也知道应该稍微取巧一下,理论可能都拼不过他们,但我一旦讲实操,或者说理论怎么转换成实际操作,或者说工具的使用,那么就变成实操平台了。那这样的话肯定是我为主导。这个其实肯定也是学生们毕业以后具有竞争力的一个优势。所以我这边就主要说实操方面。就是在大学培训或者高校培训这些机构的时候,这一方面可以多跟我们企业做合作交流,一方面我其实也非常乐意有时候到高校去跟他们一起交流取经。如果高校有渠道,比方说可以去一些合作的企业工作一段时间,这样他们也可以收获很多实践经验。那可能我就用这个角度来跟大家分享一下。

 

主持人 李颖丽:

特别好,提出来一个校企合作的观点,下面请张老师。

 

圆桌嘉宾 张仁雷:

首先,站在用人单位的角度,我特别支持夏老师提到的全栈要求,的确如此。除此之外,大家也提到了利用AI的输出做决策支持,这也是很常见的做法。不过,我想补充一点,可能大家会忽略的一方面——就是关于关系训练的部分。比如,我们如何利用大数据技术去收集、清洗数据,并使其结构化。在我之前的学术经历中,课程里对此的关注较少,现在已有了相关内容。所以我特别希望能够以头部企业工程师的身份回到校园,与同学们进行类似的实践分享。其实,我觉得这会有很大帮助。因为在这个人人皆AI的时代,鼓励大家使用AI并不难,但可能在一些前置环节,大家在大学阶段就需要建立相应的意识。同时,这也是一个独立的赛道,并且能为企业在实际操作中带来帮助。这是我个人对这一方面的理解。

 

主持人 李颖丽:

这是站在一个踏踏实实做企业的视角。那接下来请刘老师给我们压轴分享一下。

 

圆桌嘉宾 刘琴:

我分享一点实践的经验吧,就是我觉得现在的大学还是非常务实的,因为像计算机学科始终是知行合一。学生的实习实践时间是非常长,校企合作当然是越紧密越好,再者我们对于刚才讲的AI引入,甚至包括引入我们的软件工程或者软件测试的这个体系的过程,它也是有一个分层次的,像我们有本硕博不同的课程,那么本科生呢,我们更多的是使用它作为一个泛化的工具,可以从你的文档的评审,风险的分析,测试用例的生成,那么我们同济大学的软件测试课程,我们从来不管它叫做软件测试技术。我们从来都是把它叫做软件测试,我们更强调的是设计,所以这个设计思想呢,就是全站式的。就是从需求到策略到风险控制到整个的可追溯性,它的层级化的设计,体系化的设计。包括项目所有的覆盖度的深浅,我最后验收到这个程序的时效性,包括测试的效率。这些都是要考量的。但要告诉同学们,就像刚才所有的专家提到的,就是你用它辅助你做了什么?你设计的这个方案,它的核心和它的主体逻辑,底层的逻辑是不是按照你的工具组组成起来,是不是按照你设计的方案在完成,这样一方面它非常有助于结合现在的AI技术去面向测试,另一个方面,让同学们能够提升它的完成度,因为以前很大的一个问题就是我们设计的一个项目,从头到尾从需求、评审,一直到最后的测试自动化,生成报告,并且能够回归和确认,这个是很多人完成不了的,因为工作量太大了,所以,很多时候我们是要求他们用其他项目里的自己的一个项目对象,围绕着这个去测。但是如果有了AI的辅助,我相信在本科生这个层面对技能的提升会有质的变化,而且我觉得跟企业现今的企业再去深度的合作是非常有必要的,所以欢迎各位专家来我们同济大学来做客座教授来讲课,讲一些这个实践的课程甚至工具,这个对同学们是有非常大的感染力的。但是测试更侧重的是需求,可能未来会更多的面向AI的不仅仅是需求的工程,并且还有提示工程。怎么融入进来?因为提示工程,它的策略和它的范畴,现在对我们测试的设计其实有非常大的影响,而这个生成式模型从生命周期到到它的测试方法,现在研究的并不是很完善,大家都在做,但是没有太完整的有效的东西可以拿出来使用。在博士层面,我们更多的是在模型级的,但是也同时兼顾系统的层面。所以在高校里大家有非常多的想法,但不能单打独斗,所以我希望有更多的像我们的整个的教学和研研究团队,我们现在一直都在组建,在同济也是非常强的,后面也希望跟我们本地的甚至是异地的,大家有更多的实质性的合作,我们也能看到我们设计的这些东西,也来帮我们做一个评审,然后也来帮同学们做一个更多的这个实践的平台。如果将来有全站式的这种实践平台,我觉得可能是一个就是整个包括我们计算机学院很多的课程,它可以融合成一体,就是不需要再一点一点去教,可以就是像你就像雕刻一个作品一样,从一个原石开始,一层一层的去做,把它做的更完善更好。

 

主持人 李颖丽:

特别感谢刘老师,我刚刚对刘老师的分享知行合一,这个印象特别深刻,理论和实践要紧密结合。同时,刘老师也给我们现场的嘉宾,然后我们每一位参会企业负责人,抛出来一个合作的橄榄枝,那也欢迎大家来找咱们同济大学进行合作,那因为今天时间的关系呢,我们本次的这个圆桌会议到此结束。我们从整场大家的分享,激烈的碰撞,让我们有了一个深刻的感知,包括我自己也有了非常大的收获,然后不同的视角,不同的观点,灵魂的思考。最后也欢迎我们在座的各位嘉宾能够把今天的分享,一些新的视角和思考能够带回去,那最重要的是内化成我们企业自己的实践,自己的成果。那与我们整个软件质量的管理,研发项目的提升和工具平台的落地能够紧密结合,那也希望未来我们能够实现更多领域的跨界合作,让我们一起来拥抱AI,拥抱这个智能时代,那我们本次圆桌会议的讨论就到这里,谢谢各位嘉宾,也谢谢我们现场的每一位参与者。感谢圆桌论坛嘉宾们的精彩分享。

返回