从“判结果”到“懂原因”:ETest 自推理测试分析与可信 AI 治理
一、痛点:判读结果与定位原因,是两件不同的事
在安全关键领域,测试结束后工程师要面对两类工作:
- 结果判读——面对海量测试数据与波形,判断是否符合预期,形成测试结论;
- 根因分析——一旦失败,定位到底是设计问题、模型问题、配置问题还是被测件问题。
前者靠人盯,效率低且容易疲劳误判;后者更依赖专家经验,且往往没有系统化沉淀——同一个问题换了个人排查,路径可能完全不同。
二、自推理测试分析智能体:判读 + 推理两步走
ETest 在这一环提供了两项 AI 能力:
1)测试结果智能判读
依据测试预期结果,通过多模态识别与专家知识库,结合测试过程与结果,完成测试结果的智能判读,形成测试结论。这里的“多模态”很关键——半实物测试的判读对象不只是数字表格,还有波形曲线、状态灯、仪表读数等,单看文本日志不够。
2)测试智能分析(根因推理)
依托行业及项目知识库(基于 FTA/FEMA),针对测试结果做智能化根因分析及推理。FTA(故障树分析)与 FEMA(失效模式与影响分析)本身就是安全工程里成熟的分析方法,把它们做成知识库,等于让 AI 沿着工程师已经验证过的推理路径去定位问题。
把这两步放在一起看,逻辑就清晰了:判读回答“是不是”,推理回答“为什么”。前者用多模态对齐预期,后者用工程知识库约束推理方向。
三、数据驱动:让测试结果反哺设计与适航
测试分析的价值不止于“判这一次”。凯云强调全链路、全时序的仿真测试数据,可以为两条路径提供支撑:
- 适航认证——在航空、卫星领域,为 DO-178C/DO-254、GJB 相关标准提供完整数据证据;
- 设计优化——在汽车领域,为设计优化提供数据支撑。
这意味着测试分析智能体的产出,不只是“一份测试报告”,而是可追溯、可复用的工程数据资产。结合文章一提到的结构化需求与双向追溯,整条链路从需求到结论形成了闭环。
四、更关键的问题:AI 的结论凭什么可信?
这是三篇文章里最值得展开的一点。技术社区里对“AI 做测试”最大的质疑从来不是“能不能生成”,而是“生成的能不能信”。
凯云在公开文章中提出了一条 AI 原生转型五步走的路线,很值得作为“可信 AI 测试”的参考框架:
|
阶段 |
定位 |
核心机制 |
|
A 地基 |
结构先行 |
多目标 AST 让编辑器、编译器、校验器与 AI 共享同一套结构;AST Patch 是 AI 向内核提交变更的唯一受控通道 |
|
B 全流程 AI 顾问 |
只读不改 |
覆盖测试开发、仿真、编排三类知识;每条结论有证据引用;用评测集与反馈闭环抑制幻觉 |
|
C 受控生成 |
从解释者到生成者 |
生成 ICD、测试程序、监控界面等资产,必须以 AST Patch 提交,经 Schema 校验、沙箱预验证、Diff 预览、人工签核 |
|
D 受控智能体编排 |
跨工具链编排 |
以任务图为约束、白名单为边界、人工硬中断为高风险闸门、审计回滚为兜底 |
|
E 物理 AI 融合与生态化 |
走向智能平台 |
纳入数字孪生、物理仿真、故障诊断、测试策略推荐 |
实施策略被概括为四句话:地基先行、只读先于写入、单任务先于编排、校验先于生成。
这套路线的价值在于,它把“信任”从一句口号变成了可检查的工程约束:
- AST Patch 把“自由文本生成”变成“可校验、可定位、可审计的结构化变更”;
- 证据引用让每条 AI 结论都能溯源;
- 人工硬中断确保部署实时机、触发高危硬件操作这类动作必须有人点头;
- 审计回滚提供兜底。
笔者的判断:这套“受控”思路,比单纯比拼生成能力更接近工业软件的真实落地逻辑。在安全关键领域,“AI 说了什么”远不如“AI 为什么这么说、谁来兜底”重要。
五、落地场景
测试分析与治理能力,在三个典型行业都有对应需求:
- 航空:DO-178C/DO-254 合规与适航数据支撑;
- 卫星:多场景、多载荷数传下的故障定位与全功能验证;
- 汽车:ISO 26262 功能安全要求下的根因分析与设计优化。
六、边界与工程建议(笔者观点)
- “智能判读”应保留人工复核通道。尤其是触发安全结论的判读,建议 AI 给出结论 + 证据 + 置信度,由工程师做最终签署。
- FTA/FEMA 知识库需要持续维护。知识库是根因推理的“地图”,地图过期,推理就会把人带偏。
- 分步落地,别一步到位。按“只读顾问 → 受控生成 → 受控编排”的顺序推进,每一步用准确率、幻觉率、工程师接受率等指标验收,达标后再开放下一阶段权限。
七、总结
测试链路的最右端,正在从“判结果”走向“懂原因”,再走向“可信任”。ETest 的自推理测试分析智能体用多模态识别 + 专家知识库完成判读,用 FTA/FEMA 知识库完成根因推理,把测试结论升级为可追溯的工程数据资产;而 AI 原生五步走路线,则用 AST Patch、证据引用、人工硬中断与审计回滚,把“可信”落实为工程机制。对工程师来说,AI 不是替代判断,而是把判断需要的证据准备得更充分——最终的技术判断,仍然归人。
更多推荐


所有评论(0)