Den 23. oktober ble iRTE2026 Real-Time Intelligent-konferansen holdt i Beijing. Agoras grunnlegger og CEO Zhao Bin holdt en tale i hovedforumet med tittelen «Dialog med AGI: Neste kapittel for sanntidsinteraksjon», der han så tilbake på de viktigste endringene det siste året innen sanntidsinteraksjon, konversasjonell AI og underliggende infrastruktur, og lanserte rammeverket «fem nivåer av dialogferdighet», som skisserer utviklingsveien for konversasjonell AI fra grunnleggende respons til dyp forståelse og relasjonskommunikasjon.
Zhao Bin mener at etter hvert som AI beveger seg fra å svare på spørsmål til kontinuerlig samtale, forståelse av kontekst og utførelse av oppgaver, utvides objektet for sanntidsinteraksjon fra menneske-til-menneske til menneske-til-Agent. Rollen til sanntidsinteraksjonsteknologi utvides tilsvarende: den skal ikke bare gjøre informasjonsoverføring mer stabil og flytende, men også gi sanntidsstøtte for AI-ens persepsjon, forståelse, uttrykk og handling.
Fra «ett spørsmål, ett svar» til dyp relasjonskommunikasjon: femtrinns evolusjon for dialog-AGI
Ifølge Zhao Bin bør fremgangen innen konversasjonell AI ikke bare måles etter svarshastighet og språklig naturlighet. Enda viktigere er det om den kan forstå samtalepartnerens intensjon, situasjon og relasjon, om den kan uttrykke seg passende i komplekse scenarier, og gradvis bygge opp en langsiktig og dyp forståelse.
Basert på denne vurderingen presenterte Zhao Bin i talen rammeverket «fem nivåer av dialogferdighet», som deler dialogferdighet inn i fem nivåer:
L1, uttrykk basert på eget perspektiv: hovedsakelig selvuttrykk og passiv videreføring, og realiserer «ett spørsmål, ett svar».
L2: uttrykk basert på interaksjonsmønstre: fra passiv respons til proaktivt uttrykk, slik at samtalen blir mer naturlig og sammenhengende.
L3: kommunikasjon basert på individuell kognisjon: forstå individets identitet, intensjon og situasjon, og realisere kommunikasjon tilpasset den enkelte.
L4: kommunikasjon basert på gruppekognisjon: forstå sosiale relasjoner og rolldifferanser, og tilpasse seg komplekse flerpartsscenarier.
L5: kommunikasjon basert på dype relasjoner: forstå langsiktig kontekst og relasjonsutvikling, danne dypere forståelse og tankesamspill, og la kommunikasjonen bevege seg fra å forstå øyeblikket til å forstå et menneske.
Disse fem nivåene viser ikke bare en gradvis styrking av dialogteknologi, men også endringen i forholdet mellom AI og mennesker: fra å fullføre en runde med spørsmål og svar, til å forstå et menneske, til å forstå forholdet mellom mennesker, og til slutt danne dyp kommunikasjon på tvers av tid og situasjon.
Zhao Bin påpeker at konversasjonell AI er i ferd med å utvikle seg fra tidlig passiv videreførende interaksjon til mer proaktiv og naturlig full-dupleks dialog, og begynner å forsøke å forstå menneskers personlighet, situasjon, følelser og relasjoner. Mot fremtiden må AI også bryte gjennom rolledeling og kommunikasjonsorden i komplekse sosiale scenarier, og videre forstå den konteksten et individ har bygget opp over tid. Dette er også en viktig utviklingsretning for dialog-AGI: AI skal ikke bare kunne forstå en enkelt setning, men også kombinere fullstendig kontekst for å forstå en persons virkelige intensjon og gi et passende svar.
Real-Time AI Infra: nøkkelinfrastrukturen som støtter dialog-AGI
Den kontinuerlige utviklingen av dialogferdighet stiller også høyere krav til underliggende teknologi. Zhao Bin nevnte i talen at OpenAI og andre selskapers dypere bruk av WebRTC-teknologi det siste året har ført til at sanntidsinteraksjonsteknologi har fått bredere oppmerksomhet og anvendelse innen konversasjonell AI. Etter hvert som AI beveger seg fra enkeltrunde spørsmål-svar til kontinuerlig interaksjon, blir sanntidsinteraksjonsinfrastruktur en viktig teknisk støtte som forbinder modeller, agentkjøringsrammeverk og brukere.
Sammenlignet med tradisjonelle AI-applikasjoner stiller dialogsituasjoner strengere krav til latenstid, stabilitet og toveis interaksjon. AI må samtidig motta brukerinput, forstå kontekst, organisere svar, om nødvendig håndtere avbrytelser når som helst, og kontinuerlig kalle verktøy og drive oppgaver fremover. Enhver betydelig forsinkelse i noen del av kjeden kan bryte samtalens naturlighet og til og med påvirke om oppgaven kan fullføres.
For å støtte disse behovene presenterte Zhao Bin retningen for infrastruktur rettet mot sanntids intelligent interaksjon: gjennom globalt sanntidsoverføringsnettverk, distribuert sky-kant-enhet-felles inferens, sanntidsorkestrering og full-dupleks interaksjonskapasitet, slik at modeller og Agenter kan samarbeide kontinuerlig i virkelige scenarier. Agoras konversasjonelle AI-motor har også full-dupleks interaksjon som kjerne, forbinder modeller, agentkjøringsrammeverk og brukere, og støtter en stabil og synkron sanntidsdialogopplevelse.
Samtidig forbedrer Agora kontinuerlig utviklerverktøy og utviklersett for konversasjonell AI, og kombinerer SDK-er, Skills, CLI-verktøy og Recipes for å hjelpe utviklere med å bygge Agenter med fullstendig logikk og utførelseskapasitet mer effektivt.
Fra kundeservice og utdanning til AI-kompanjong og smarte wearables mener Zhao Bin at konversasjonell AI er i ferd med å tre inn i flere virkelige scenarier. Om AI virkelig kan skape verdi avhenger ikke bare av om modellen «kan snakke», men også av om den kan forstå behov, kommunisere naturlig og kontinuerlig fullføre oppgaver. Sanntidsinteraksjonsteknologi vil spille en stadig viktigere rolle i denne prosessen.
Deretter holdt Nvidias sjefsarkitekt og medleder for AOMedia Video Codec Working Group, Andrey Norkin, en tale om AV2-videokodek-teknologi.
Rundebordsamtale: Vil personlige agenter bli neste generasjons personlige inngang?
I den første rundebordsamtalen, ledet av Agoras medgrunnlegger Tony Wang, diskuterte Eugene Wei, produktleder for interaktive medier og teknologiblogger, Pan Luan, teknologisk selvmedieperson og programleder for podcasten «Luan Fan Shu», og Hua Jianxin, AIoT-maskinvaregründer og leder for selvmediet om enhetsnær AI, temaet «Personlige agenter: fra nytt verktøy til ny inngang?».
Fra mobiltelefoner, briller og ørepropper til flere bærbare enheter vekker personlige agenter på nytt bransjens tanker om neste generasjons inngang for menneske-maskin-interaksjon. Pan Luan mener at personlige agenter kan føre til et paradigmeskifte: verdien av AI-produkter er i ferd med å skifte fra å konkurrere om brukerens oppmerksomhet til å hjelpe brukeren med å fullføre oppgaver mer effektivt. Fremtidens personlige agenter skal ikke bare respondere på tydelige kommandoer, men også proaktivt påta seg oppgaver og hjelpe brukeren med ting som har et klart mål, men som ikke er verdt å bruke mye tid på.
Når det gjelder neste generasjons personlig maskinvare, foreslår Hua Jianxin at fremtidens inngang ikke nødvendigvis vil være forbeholdt én type enhet; briller, ørepropper og annen maskinvare som kan oppfatte omgivelsene og utføre oppgaver har alle muligheter. Han mener at personlige agenter ikke bare må forstå brukeren, men også kontinuerlig oppfatte den virkelige verden gjennom fysiske enheter og handle, noe som gir nye utviklingsmuligheter for ulike former for maskinvare.
Eugene Wei vendte diskusjonen mot verdien av «kontekst»: om en personlig agent virkelig kan forstå brukerens interesser, kommunikasjonshistorikk og sosiale relasjoner, vil påvirke om den kan bli en verdifull personlig inngang. Når man vurderer om en ny inngang er levedyktig, foreslår han også å se på brukerens daglige interaksjon med Agenten, og om det er brukeren som oppsøker Agenten oftere, eller Agenten som oppsøker brukeren oftere. Rundebordsamtalen diskuterte dermed videre produktverdien, maskinvareformen og fremtidige målekriterier for personlige agenter.
Rundebordsamtale: Fra «kan chatte» til «kan utføre oppgaver» – hvordan skaper konversasjonell AI reell verdi?
I den andre rundebordsamtalen, ledet av Agoras kommersielle direktør Cui Bo, diskuterte Chen Wei, grunnlegger av Xieyue Intelligence, Geng Xianglei, grunnlegger av Guanke Technology, Cai Guoxiang, medgrunnlegger av Rokid og leder for økosystem, og Wu Kan, CEO for Titan Qiming, med utgangspunkt i ulike scenarier som embodied intelligence, smarte wearables, bedriftsmarkedsføring og AI-rekruttering, temaet konversasjonell AI: å drive neste generasjons menneske-Agent-interaksjon.
Chen Wei mener at nøkkelen til embodied intelligence er å gjøre menneskets intensjon om til robotens handling. Roboten må ikke bare forstå talekommandoer, men også integrere multimodale informasjonskilder som visjon, tale og egen tilstand, fullføre persepsjon, planlegging og beslutningstaking i det fysiske miljøet, og kontinuerlig justere oppgaveutførelsen basert på miljøendringer etter handlingen. Sammenlignet med å fullføre forhåndsdefinerte demonstrasjonsoppgaver er det viktigere for roboten å kontinuerlig forstå menneskets virkelige behov i åpne omgivelser, slik at handlingene alltid er i tråd med menneskets intensjon. Xieyue Intelligence utvikler en ny grunnmodell for embodied intelligence med det nye paradigmet Duplex Reasoning, med mål om å realisere integrering av robotinteraksjon og handling.
Cai Guoxiang tar utgangspunkt i praksis med AI-briller og understreker at dialogopplevelsen er kjernekonkurransekraften til AI-wearables. Han sier at uansett hvor kraftig maskinvaren og AI-kapasiteten bak er, vil brukeropplevelsen påvirkes direkte hvis samtalen ikke er naturlig nok. Fremtidens AI-wearables må gjennom lav latenstid, stabil sanntidsinteraksjon og forståelse av semantikk og langsiktig kontekst gjøre at brukeren gradvis ikke lenger føler at de snakker med en AI. Han delte også Rokids praksis med å bruke Agoras RTC-lenkjetjeneste i AI-assistenten, og ser optimistisk på at AI-briller blir en viktig personlig inngang i AI-æraen.
I bedriftsapplikasjonsscenarier påpeker Geng Xianglei at AI-talestolper for å levere pålitelige forretningstjenester må løse problemer som latenstid, avbrytelsestidspunkt og menneskeliggjøring, der latenstid til og med kan påvirke oppgavens resultat direkte. For B2B-markedsføring må AI også kombineres med bransjekunnskapssystemer og menneskelig samarbeid for bedre å sikre forretningsresultater. Wu Kan sier med utgangspunkt i AI-rekrutteringspraksis at konversasjonell AI kan hjelpe rekrutteringsvirksomhet med å nå jobbsøkere i stor skala og forbedre tjenesteeffektiviteten, snarere enn å bare erstatte mennesker. For å danne en lukket forretningssløyfe må man også bygge opp bransjedata, organisere virksomheten med jobbsøkeren som utgangspunkt, hjelpe Agenten med å bygge langsiktig hukommelse, og med utgangspunkt i faktiske forretningshendelser som intervjuer og ansettelser støtte AI i kontinuerlig å evaluere og optimalisere tjenestekvaliteten.
Fra de fire gjestenes innlegg kan man se at kravene til konversasjonell AI varierer mellom bransjer, men de peker i samme retning: AI skal ikke bare kunne kommunisere, men også forstå virkelige scenarier, integreres i eksisterende forretningsprosesser og pålitelig fullføre oppgaver. Etter hvert som sanntidsinteraksjon, multimodal persepsjon og Agent-utførelseskapasitet videreutvikles, kan konversasjonell AI gå fra å være et interaksjonsverktøy til å bli en viktig kraft som forbinder den digitale verden med den fysiske verden og driver forretningsdrift.
Fra sanntidsinteraksjon til sanntidsintelligens – åpne neste kapittel for dialog-AGI
Fra Zhao Bins rammeverk for fem nivåer av dialogferdighet til de to rundebordsamtalene om personlige agenter og reell forretningsimplementering, presenterer hovedforumet på iRTE2026 en tydelig bransjetrend: konkurransen innen konversasjonell AI strekker seg fra grunnleggende modellkapasitet til kontekstforståelse, sanntidsinteraksjon, kognisjon av komplekse relasjoner og oppgaveutførelse.
Når AI ikke lenger er begrenset til passiv respons, men kan kontinuerlig forstå mennesker, proaktivt delta i samtaler og fullføre oppgaver i virkelige scenarier, vil sanntidsinteraksjonsteknologi også påta seg et dypere oppdrag.
Mot neste fase av dialog-AGI vil Agora fortsette å utforske sammen med utviklere og bransjepartnere sammensmeltingen av sanntidsinteraksjon og generativ AI, og fremme mer naturlige og effektive sanntidsinteraksjonsopplevelser mellom mennesker og mellom mennesker og Agenter.
