如何测试人工智能软件？

这两天围棋人机大战——阿法狗（阿尔法狗，AlphaGo）和李世石（暂时俗称：小李子）之战吸引了不少眼球，测试人员也不例外，之前就看到一篇文章，测试人员将李世石称为“谷歌（Google）高级软件测试工程师”。但也看到另外一篇文章，其观点是：李世石是一个好用户，但不是一个合格的测试工程师。然后列举了一个合格的测试工程师应该做哪些异常操作、异常输入等等，还给大家普及了测试知识。实际上，这篇文章差矣！作者可能不理解人工智能（Artificial Intelligent，AI）软件，或者说，不知道如何对AI软件、甚至像搜索引擎、图像识别软件、语音识别软件、游戏软件等有效的测试方法。如果到这时候，还要做这样的测试，如何和世界围棋冠军比赛？而且是向全世界直播的。

作为AI软件的一个实例——阿法狗，小李子是最合格的测试工程师。如果阿法狗赢了小李子（实际到目前是完胜3:0），说明这款软件是极其成功的，满足谷歌（Google）公司的期望，完成了其高质量的检验。如果阿法狗输了，说明还有改进的空间，质量有待提高，测试也发挥了作用，但也不能说明这款软件质量不合格，只是没有达到一流水平，因为之前得到过相对较低水平的检验：即和欧洲冠军的比赛，阿法狗5:0完胜人类专业棋手。

所以，对于AI软件的测试，实际有一个时间维度，AI软件随着时间（不断学习）前移，其能力必须（快速）增强，和人类一样，能够不断成长，这才是一款真正的AI软件。这里以阿法狗为例，如下图所示，阿法狗的确做到了。

AI软件最初的测试，就是看它有没有学习能力，本质上，就是算法的验证，即对启发式算法（heuristic algorithm）、启发式搜索算法（heuristic searchalgorithm）、元搜索算法（Meta-heuristicalgorithm）、强化学习和深度强化学习或具体的算法（如遗传算法、模拟退火算法、神经网络、深度神经网络、禁忌搜索、演化算法、蚁群算法）等中某些算法或算法的组合进行验证。算法的验证，主要是通过实验进行（虽然也可以通过数学、模型等演化进行证明），借助大量数据进行普适性验证。例如，比较有名的图像识别算法验证，就借助ImageNet提供的大量图片进行验证。

说起这个，还有一个故事：

       2015年5月份，百度宣称其在ImageNet测试中取得了全球最好结果，其图像识别错误率仅为4.58%，而微软是4.94%，谷歌为4.8%。在这种测试中，人类辨识ImageNet照片的错误率为5%左右。

　   可是，周二，ImageNet的计算机科学家发表声明指出，百度在测试中存在违规行为，百度采用了密集测试的方法以提高成绩。按照规定，ImageNet只允许参与者每周向测试服务器提交2次测试结果。可是在3月份的5天时间内，百度却提交了40次结果。ImageNet表示，百度还使用了30个不同的账号，在过去6个月中提交了约200次测试结果。

在ImageNet测试中，人工智能需要扫描拥有100多万张图片的数据库，然后将它们分为1000个不同类别。大多数研究人员通常使用数据库中的部分图片，对软件进行图像识别测试。而通过密集测试，百度工程师可以通过调整他们的软件熟悉这些图片的信息，从而获得优势。

……

百度拒绝回答相关问题，但在ImageNet网站发表声明称，百度科学家吴韧已经为他所谓的“失误”道歉。

（来源：http://tech.qq.com/a/20150604/006269.htm ）

AI软件的测试，更多的是靠“试验”进行验证，这和“Test”倒是更吻合，Test本质上就是“样本性的试验验证活动”。AI软件的测试还依赖大数据，基于大数据自动产生、分析、呈现等技术，更有效地验证AI软件的合理性。

比赛是对AI软件的测试的最有效手段之一，虽然代价比较大。除了时间维度（纵向）外，还可以从其它维度进行测试或验证，如横向——同时和不同能力的人类棋手进行比赛，人类棋手水平越低，阿法狗花时越少；或者做让子测试，人类棋手水平越低，阿法狗能够让子越多。

也可以对“算法深度”这个维度进行测试，算法深度越深，阿法狗的能力越强（虽然会更耗时），而且阿法狗能够根据剩余时间调整算法深度。昨天比赛，不少专家就期望：小李子能再坚持一下，让阿法狗耗时用完，进入读秒阶段，情形又会怎样？阿法狗会不会算不过来，走出各种败招？

这里只是讨论了AI软件不同于传统软件的某些测试特点。当然，某些传统的测试方法也会在AI软件测试中用到，如在代码级的单元测试就没什么区别，一些性能测试、可伸缩性测试、安全性测试也是要进行的。

当然，AI软件测试没那么容易，这里只是通俗易懂地解释如何对AI软件进行测试。实际工作中，AI软件的前期测试还是很困难的。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带领着一百人的团队来测试它的算法。如果我们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？它可是说是“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。

未来需要进一步了解AI软件，进一步提升数学能力，更好理解各种启发式搜索算法、并行算法、分布式架构等技术，才能有更好的对策和方法应对AI软件的测试挑战。

（如果其它公众号想转发本文，请邮件联系作者：Kerryzhu at vip.163.com 得到许可，否则谢绝转发 ）