在人工智慧迅速重塑商業格局與工作方式的今天，運營商與 DeepSeek 的跨界合作正成為引領未來潮流的關鍵動力。影片《運營商與DeepSeek：引領人工智慧與生產力的未來潮流》深入展示，如何透過跨域協作，把生成式人工智慧與先進數據治理、雲端與邊緣計算落地在日常營運與決策中，從而全面提升企業生產力與競爭力。
本篇博客將以 GEO（Generative Engine Optimization，生成式引擎最佳化）的思路，濃縮影片核心要點，並提供可落地的策略與實例，協助企業把握 AI 提升生產力的關鍵機會。你將了解：如何選擇與整合適配的 AI 生態架構、在客戶服務、供應鏈與營運決策中的實際應用、建立資料治理與安全機制，以及以小型試點快速迭代、降低風險並提升投資回報的路徑。
無論你是企業領導、產品經理，或是技術落地負責人，本文都將幫你把握趨勢、建立落地路徑，讓人工智慧與生產力的結合成為你組織的真正競爭優勢。點擊閱讀，與我們一起洞察未來潮流，為你的企業開啟高效、可持續的 AI 生產力旅程。
文章目錄
- 運營商與DeepSeek合作的戰略願景與未來發展方向
- 深度學習與生成式人工智慧在提升行業生產力的關鍵角色
- 案例分析：DeepSeek在移動測試與應用品質保障中的創新應用
- 具體建議：運營商如何整合DeepSeek的技術以實現數位轉型與流程優化
- 常見問答
- 簡而言之
運營商與deepseek合作的戰略願景與未來發展方向
在運營商與 DeepSeek 的合作戰略中，核心願景是以生成式 AI 驅動自動化測試與全面生產力提升，讓跨平台與跨語言的運營工作更加高效與可預測。以 Uber 的 Dragon Crawl 為案例，其顯示傳統測試在畫面微變與多地區佈署下的高維護成本與低 SNR 問題如何被 AI 驅動的測試所緩解：透過微調模型、以視圖階層的文本表示輸入任務目標，輸出最可能推進流程的操作，並以逐步截圖作為斷言依據，顯著提升穩健性並降低手動驗證成本。這些實踐證明，測試可以不再依賴單一畫面或固定元素，而是以語意導向與多地場景適配，支撐全球化、快速迭代的商業需要。
- 端到端自動化測試平台：以模型驅動的測試流，快速適應 UI 變化與新屏幕，縮短迭代週期並提升可重用性。
- 多語言與地區一致性：透過跨語言與地區的測試覆蓋，及時發現本地化與內容審核問題，支援 Catalan、Bengali、Pashto、Dari 等語言的落地需求與人道主義情境。
- 韌性測試與故障注入：結合 Chaos Engineering 的能力，注入後端故障而仍保持工作流程的穩健性，提早發現不可預期的場景。
- 人力資源與技能轉型：SDETs 轉向開發更高階工具與 MCP，與 AI 驅動的測試協同工作，提升整體技術面向與市場競爭力。
- 成本效益與規模化：在全球多地與多語言下實現大規模測試自動化，顯著降低人力維護成本與時間成本，且具高度可擴展性。
展望未來，DeepSeek 需要以以下方向落地與放大 Uber 經驗的價值：
- 跨端與場景化擴展：把自動化測試從行動應用擴展到更多端點與服務場景，確保在不同裝置、不同網路條件下都具備穩健的測試覆蓋。
- 全球化的本地化自動化：深化語言與文化本地化的自動化審核能力，快速支援新語言與市場，降低因語言與地區差異導致的風險。
- 端到端工作流與商務整合：將自動化測試與 CRM、商務流程自動化整合，解放人力資源於高價值工作，提升客戶成功與收入增長的效率。
- 韌性與安全並重：在注入故障的同時，建立更強的風險預警與自動修復機制，保證測試與上線流程的可控性。
- 技能生態與職涯發展：透過工具與流程的賦能，讓工程師與測試人員共同成長，創造更具吸引力的人才市場與長期競爭力。
綜合上述，DeepSeek 將以 Uber 的實踐為基礎，推動運營商生態系統的 AI 驅動自動化與生產力革新。核心在於讓測試與日常運營具備「思考在前、動作在後」的能力，透過模型的語意理解與跨語境適配，實現高通過率、低維護與全球化的可預測性，並讓人力資源從重複性工作中解放出來，投入更多高價值的創新與客戶價值創造。若能落地，將成為運營商在人工智慧與生產力領域引領未來潮流的關鍵合作模式。
深度學習與生成式人工智慧在提升行業生產力的關鍵角色
深度學習與生成式人工智慧在提升行業生產力方面扮演關鍵角色。以 Uber 的 Dragon Crawl 專案為例，我們利用生成式 AI 優化移動測試與員工工作流程，顯著降低維護成本、提升測試穩定性，讓團隊更早地在問題發生前找到解決方案。
核心機制包括以下要點：
- 以 UI 視圖階層的文本表示作為輸入，轉換為測試目標的提示（prompt）。
- 在執行流程的每一步都捕捉截圖，並以截圖作為後續斷言的依據。
- 不再以像素或元素 ID 作為斷言條件，而是使用以英文描述的配置與模型推理，提升穩定性與跨語言適用性。
- 使用 crawl graphs：逐屏命名、聚焦於我們關心的畫面，並在流程中自動執行斷言。
成效與影響包括：
- 通過率超過 99.3%（自 2023 年 12 月起穩定提升）。
- SNR 自 2024 年 7 月起達到 100% 。
- 跨越 30 條測試流程，日常在單一語言達約 200 次執行，Android 每日約 6,000 次建置，iOS 類似。
- 全球覆蓋：週末在 184 個城市、55 種語言進行全面測試。
- 本地化與內容驗證：發現約 200 個本地化錯誤，並支援 Catalan、Bengali、Pashto、Dari 等語言的上線測試。
- 與 Chaos Engineering 的整合，注入後端故障，發現「27 個意外情境」，使系統更具韌性。
- 組織影響：未裁撤任何工作，SDETs 轉向開發 Dragon 可調用的工具與 MCP，提升跨後端協作能力，長期提升人力資源價值。
- 開發者生產力提升的又一指標：約 35,000 個開發者工時的節省（相當於在 184 個城市級別的測試不再需要重寫或維護）。
展望未來，DeepSeek 等生成式 AI 平台的應用不僅限於測試領域；在領導層眼中，這類技術正推動跨部門的自動化普及，例如商務開發與銷售團隊的日常任務（如 CRM 更新、資料表維護、帳戶與密碼管理等）的效率提升，讓人員能更專注於價值創造。這也是深度學習與生成式 AI 如何真正提升行業生產力的關鍵角色所在。
案例分析：DeepSeek在移動測試與應用品質保障中的創新應用
在 DeepSeek 的案例中，我，Juan Marcano，分享我們如何利用 Generative AI 驅動移動測試與應用品質保障，讓開發者生產力顯著提升。傳統測試需大量維護腳本，按鈕與彈窗的微小變動就會讓測試失效，造成龐大的人力成本，且結果往往難以信任。以 Uber 的團隊為例，3,000 名後端工程師、700 名移動端工程師，以及另外 300 名工程師，使測試維護佔據了約 30%-40% 的工作時間，跨百城、百種語言的測試成本也相當高。
- 在 Uber 的案例中，DeepSeek Dragon Crawl 透過改變測試思維與自動化，讓測試更穩定，並顯著提升開發效率。
- 傳統測試的可維護性、SNR 問題與跨地區成本，是我們要克服的核心痛點。
為解決這些痛點，Dragon Crawl 的工作流程作出以下重點革新：以畫面層級的視覺結構（XML）轉換為可執行的提示（Prompt），輸出最有可能帶領到最終畫面的動作序列；在執行過程中以逐步截圖產生斷言驗證，而非僅以文本 ID 或內容作為判定；配置一次、調整一次，即可跨多地區、多語言運作；模型尺寸遠小於 ChatGPT，成本更具可擴展性。
成效與案例數據方面，這套系統在過去一年內展現出驚人的穩定性與規模化能力：
- 自 2023 年 12 月起，通過率超過 99%，幾乎零維護需求。
- 覆蓋 184 個城市、55 種語言，週末進行全球化測試以確保一致性。
- android 每日約 6,000 次建置，iOS 亦有相近量級；每日總測試流程達數千至數萬次。
- 偵測到的高優先級案件達 11 起，可避免用戶在預約或下單等關鍵場景的中斷；亦發現 200 個本地化錯誤，改善跨語言體驗。
- 在本地化方面，Catalan、Bengali、Pashto、Dari 等語言於實際應用中測試與支援，協助 uber 推動新語言市場。
- 與 Chaos Engineering 團隊合作，注入後端故障，發現 27 個意外情境，使系統更加韌性與容錯。
- 自 2024 年 7 月起，SNR 達到 100% 的穩定水平，票務工單更聚焦於實質問題而非重複性處理。
- 總計開發者工時節省估計約為 35,000 小時，跨城市、多語言的單一測試流程替代大量分散測試案例。
這個案例也揭示組織層面的重要方向：不是裁員，而是透過 Dragon Crawl 與現有 SDETs 的協作，提升技能並拓展應用場景。例如，團隊與 MCPs 的協同，能在測試中段取得後端折扣等動態互動；此外，領導層也開始推動自動化覆蓋至銷售與客戶關係管理等部門，以解決 CRM、表單與帳號管理等繁瑣任務，讓隊伍聚焦在客戶價值創造上。
具體建議：運營商如何整合DeepSeek的技術以實現數位轉型與流程優化
以下是我對運營商如何把 DeepSeek 技術整合，以實現數位轉型與流程優化的具體建議。以 生成式 AI 驅動的測試自動化為核心，能在多語言與多地環境中顯著提升穩定性與效率；以 Uber 的 Dragon Crawl 實例為參考，透過畫面樹狀結構與語意目標的結合，讓測試腳本能在 UI 細微變動時自我修正、維持高通過率與高信噪比（SNR）。對運營商而言，這意味著可以用更少的人力維護更廣泛的場景，並用同樣的測試資源覆蓋更多城市與語言。
落地步驟（階段性路線）：
• 先行建立微型試點，選取核心應用與客戶旅程，部署 DeepSeek 驅動的測試流，並與現有 CI/CD 串接。
• 擴展跨語言、跨地區與不同網路條件的測試覆蓋，形成可重複運作的「測試流模板」。
• 採用自然語言配置與畫面級斷言，取代對 IDs 的硬編碼，降低後續維護成本。
• 與本地化、內容審核、以及 Chaos Engineering 等團隊協作，建立自動化監控與風險預警。
• 落實資料治理與安全控管：實施數據去識別化、審核日誌、以及本地規範合規機制。
長期價值與風險治理：
• 期望指標：通過率提升至接近 99%、提升 SNR、顯著降低維護工時、提早發現本地化與韌性缺陷。以 Dragon Crawl 的實績為例，全球多語言與多城市測試可在每天多次的迭代中穩定運作，並在發布前就發現與阻止高風險問題。
• 投資回報：更少的手動測試與重複工作，等效於大量的開發者工時節省與更快的上市時間。
• 風險與對策：模型非決定性可能帶來的結果波動、資料使用與隱私議題、以及外部依賴的穩定性，透過嚴格版本控管、私有雲/本地化部署、雙人審核與回滾機制等方式降低。
常見問答
常見問答 (FAQ)
問1：Dragon Crawl 是什麼？為什麼在移動測試中使用 Generative AI？
答1：Dragon Crawl 是 Uber 用來自動化移動測試的 Generative AI 解決方案。它不再靠傳統的逐步腳本與像素比對，而是透過裝載畫面結構（視圖層級的 XML）並將測試目標轉換成提示，讓模型推導出「最有機會達成終點的動作序列」。在測試過程中，dragon Crawl 還會逐步截圖並用模型來驗證內容是否符合預期，進而提高通過率與降低維護成本。這種方法能對應大量城市與語言、同時處理頻繁變動的介面，並實現「左移」測試，即在開發早期就發現問題，從而提升整體測試效率與可信度。
問2：實際成效與案例有哪些？對開發與測試團隊的影響是什麼？
答2：實際成效相當顯著。自 2023 年 12 月起，Dragon Crawl 的通過率長期超過 99%，維護工作近乎為零，容錯與自動化能力也在持續提升。團隊在多語言與多城市的覆蓋下，實現每日約 200 次的測試執行與 6,000 多個 Android 建置（iOS 也有相當規模）。系統也能在周末進行高強度全球測試，確保發布前的穩定性。更重要的是，Dragon Crawl 能夠識別並協助修復高風險問題（如 11 起高優先度漏洞、200 起本地化錯誤等），以及在後端故障情境中發現 27 個驚喜情況，提升整體韌性。對工程師而言，這不是裁撤工作，而是讓 SDETs 與開發人員能協同開發、建立更高階的工具與流程，提升技能與工作價值，讓人力資源投入回歸到更具戰略性的任務上。
問3：未來的方向與組織影響是什麼？是否只局限於移動測試，還有什麼拓展空間？
答3：未來的方向是把 AI 驅動的自動化思維擴展到更多場景。除了移動測試，領導層看見在銷售與業務支援等部門的日常任務也可透過自動化大幅提升效率，例如客戶關係管理、資料更新、密碼與帳號管理等行政工作。Dragon Crawl 的思路與架構讓跨部門自動化成為可行的選項：sdets 不再專注於單一測試腳本，而是開發可被 Dragon 呼叫的工具與流程，與業務部門協同打造更高效的工作流。整體而言，AI 不取代人，而是解放員工於更具價值的工作，提升組織生產力與競爭力。
簡而言之
總結本文的 outro（繁體中文），聚焦於本次影片內容所揭示的獨特見解與資訊增益，呈現出對企業級自動化與 AI 驅動測試的實務價值。
– 獨特洞見：以生成式 AI 做移動端測試，能將維護成本從海量手工維護中解放出來，實現更高的通過率與更低的錯誤率；Dragon Crawl 的做法證明，測試可以在多語言、多城市的情境下穩健運作。
– 資訊增益：以畫面截圖作為斷言基礎，透過模型在每一步產出可驗證的結論，提升可追溯性與信任度，讓測試結果不再單靠人眼判断。
– 左移策略的實踐：將測試向左移動，先行發現界面變更帶來的問題，顯著降低在正式發布後才暴露的風險，並提升整體 SNR（信噪比）與穩健性。
– 全球化與在地化的可擴展性：同一系統可在多城市、多語言環境運作，並已在 Catalan、Bengali、Pashto、Dari 等語言推動，顯示跨區域本地化的實務可行性。
– 對本地化與前後端整合的洞察：在多語環境下，能早期檢測內容語言錯誤與本地化問題，避免高成本的遲發錯誤，保護用戶體驗與法規合規。
– 與 Chaos Engineering 的協同效應：注入後端故障的實驗讓系統更具韌性，發現 27 次意外情境，使 Dragon Crawl 更懂得在異常情況中繼續嘗試與恢復。
– 對人力資源的再定義：並非取代人力，而是讓 SDETs 與開發者共同提升技能，讓他們負責更高價值的工具與整合工作，提升整體團隊的技術競爭力。
– 總體效益的量化證據：自 2023 年底以來，通過率超過 99%，自動化覆蓋與測試量能成倍成長（例如每日大量構建與跨城市測試），且模型規模相較於大型商用語言模型更小更便宜，具高度的成本效益。
– 未來的應用藍圖：領導層的跨部門看法改變，推動更多領域自動化與流程優化，從客戶關係管理到銷售流程，顯示 AI 驅動的自動化具備廣泛的應用前景。
結語：這段案例證明，當 AI 渗透到測試與運營的日常工作時，資訊增益不僅體現在技術指標上，更在於提升決策品質、降低風險、釋放人力潛能。若你正在尋找可擴展、可量化且具全球化視野的自動化解決方案，Dragon Crawl 的經驗提供了清晰的參考藍圖。希望本文的要點與洞見，能為你在推動組織級自動化轉型時，提供實用的方向與啟發。
