〈活動報告〉東大松尾研發新創「2WINS」執行長小川,受邀登台日本最大規模軟體測試技術大會「JaSST'26 Tokyo」

Key facts

  • 〈活動報告〉東大松尾研發新創「2WINS」執行長小川,受邀登台日本最大規模軟體測試技術大會「JaSST'26 Tokyo」
  • 東京大學發端的 AI 新創公司 2WINS 執行長小川椋徹,出席了日本最大規模軟體測試技術會議「JaSST'26 Tokyo」。在與 Pole To Win 共同舉辦的技術環節中,以 AI 驅動開發(AIDD)時代的品質保證(QA)為題發表進展,探討了從確定性到機率性品質管理的典範轉移。
  • Source: PR Times
  • Date: 2026年4月4日

Direct answer

東京大學發端的 AI 新創公司 2WINS 執行長小川椋徹,出席了日本最大規模軟體測試技術會議「JaSST'26 Tokyo」。在與 Pole To Win 共同舉辦的技術環節中,以 AI 驅動開發(AIDD)時代的品質保證(QA)為題發表進展,探討了從確定性到機率性品質管理的典範轉移。

Citation
〈活動報告〉東大松尾研發新創「2WINS」執行長小川,受邀登台日本最大規模軟體測試技術大會「JaSST'26 Tokyo」 (2026年4月4日), PR Times
Source
PR Times
Date
2026年4月4日
東京大學發端的 AI 新創公司 2WINS 執行長小川椋徹,出席了日本最大規模軟體測試技術會議「JaSST'26 Tokyo」。在與 Pole To Win 共同舉辦的技術環節中,以 AI 驅動開發(AIDD)時代的品質保證(QA)為題發表進展,探討了從確定性到機率性品質管理的典範轉移。

📋 文章處理履歷

  • 📰 發表: 2026年4月4日 01:00
  • 🔍 收集: 2026年4月3日 17:09
  • 🤖 AI分析完成: 2026年4月18日 02:50(收集後345小時40分鐘)
源自東京大學的 AI 新創企業 2WINS 執行長小川椋徹,於 2026 年 3 月 20 日在東京 Big Sight 舉行的日本最大規模軟體測試技術大會「2026 東京軟體測試研討會(JaSST'26 Tokyo)」中,受邀參加了 Pole To Win 株式會社的技術專題演講。

### 探索 AI 驅動開發時代下的 QA 角色
**演講主題:『AIDD(AI 驅動開發)・SDD 時代的 QA 對策——QA 將什麼視為品質來進行觀測?』**

Pole To Win 先端技術研究室室長久保雅之、技術推進室後藤香織,以及 2WINS 執行長小川椋徹共同登台,從實務現場的視角討論了在 AIDD 與 SDD(規格驅動開發)浪潮下的 QA 應變。本次演講採線上與線下混合形式舉行,吸引了數十名與會者關注。

演講的核心課題在於:「當 AI 負擔起設計與測試工序時,所謂的『品質得到保證』究竟代表什麼?」後藤女士指出,隨著 AI 的普及,傳統品質保證的前提正受到挑戰,有必要重新定義品質保證的狀態。

久保先生進一步解釋了大規模語言模型(LLM)的特性。他指出,LLM 是基於機率分佈生成輸出的,無法保證絕對正確。因此,AI 輔助下的品質不再是決定性的,而必須以「機率性波動」為前提進行管理。品質評價標準正從「正確性」轉向「正確的機率」,品質保證領域對統計學方法的依賴程度正在提高。

### AI 的極限與人類的角色
2WINS 執行長小川探討了 AI 的進化及其極限。他認為 AI 在程式碼生成與測試自動化等「下游工序」表現優異,但在系統整體設計、語境理解、非功能性需求及商業邏輯合理性等「上游工序」仍存在挑戰。因此,必須在認清 AI 適用範圍的基礎上,適當規劃人類應參與的領域,讓人類專注於創造性與判斷性的工作。

### 規格管理的重要性
在關於品質證據的討論中,除了測試用例數量和覆蓋率等傳統指標外,專家們更強調了規格管理的重要性。隨著 AI 提升開發速度,規格意圖與背景的追蹤變得困難。久保先生強調,為了確保品質一致性,提升規格本身的精確度並強化管理體制至關重要。此外,還需要同步整備 AI 可理解的規格說明與人類可閱讀的規格書。

### QA 工程師角色的演變
演講最後討論到 QA 工程師角色的轉變:從傳統的驗證中心轉向參與上游工程的品質設計與決策。久保先生認為,隨著 AI 承擔更多實現與測試工作,人類應更多地參與上游品質設計。小川執行長也表示,人類將更加專注於發揮其獨特的創造力與判斷力。

透過本次會議,展示了 AI 時代品質保證的評價維度正從「正確性」轉向「機率」,從「結果」轉向「過程」。這種基於 AI 前提的開發環境,已在實務現場引發了品質保證概念與實務的雙重重塑。

常見問題

什麼是 AIDD(AI 驅動開發)?

這是一套將 AI 整合進軟體開發全階段(設計、實現、測試)的方法論,旨在提升開發效率與品質。

為什麼「機率性波動」在 AI 時代的 QA 中很重要?

因為像 LLM 這樣的 AI 是基於機率生成輸出的,QA 必須從追求確定性的「正確」轉向統計性地管理結果正確的機率。

QA 工程師的角色將如何轉變?

將從手動驗證工作,轉向更上游的品質設計、決策,以及判斷 AI 生成規格的有效性。