Pe 23 octombrie, iRTE2026 Conferința de Inteligență în Timp Real a avut loc la Beijing. Zhao Bin, fondatorul și CEO-ul Agora, a susținut un discurs în cadrul forumului principal intitulat „Dialog cu AGI: Următorul capitol al interacțiunii în timp real", trecând în revistă schimbările cheie din ultimul an în interacțiunea în timp real, AI conversațional și infrastructura de bază, și a propus cadrul „celor cinci niveluri de capacitate conversațională", conturând calea de evoluție a AI conversațional de la răspunsuri de bază spre înțelegere profundă și comunicare bazată pe relații.
Zhao Bin consideră că, pe măsură ce AI evoluează de la a răspunde la întrebări spre a comunica continuu, a înțelege contextul și a executa sarcini, obiectul interacțiunii în timp real se extinde de la om-la-om la om-la-Agent. Rolul tehnologiei de interacțiune în timp real se extinde în consecință: nu doar că trebuie să facă transmiterea informațiilor mai stabilă și mai fluidă, dar trebuie să ofere și suport în timp real pentru percepția, înțelegerea, exprimarea și acțiunea AI.
De la „o întrebare, un răspuns" la comunicarea bazată pe relații profunde: cele cinci niveluri de evoluție ale AGI conversațional
În viziunea lui Zhao Bin, progresul AI conversațional nu ar trebui măsurat doar prin viteza răspunsului și naturalețea limbajului. Mai important este dacă poate înțelege intenția, situația și relația interlocutorului, dacă poate comunica adecvat în scenarii complexe și dacă poate forma treptat o înțelegere pe termen lung și profundă.
Pornind de la această judecată, Zhao Bin a propus în discursul său cadrul „celor cinci niveluri de capacitate conversațională", împărțind capacitatea conversațională în cinci niveluri:
L1, Expresie din perspectiva proprie: bazată în principal pe auto-exprimare și continuare pasivă, realizând „o întrebare, un răspuns".
L2: Expresie bazată pe regulile interacțiunii: de la răspuns pasiv la exprimare activă, făcând conversația mai naturală și mai coerentă.
L3: Comunicare bazată pe cogniția individuală: înțelegerea identității, intenției și situației individului, realizând o comunicare adaptată fiecărei persoane.
L4: Comunicare bazată pe cogniția de grup: înțelegerea relațiilor sociale și a diferențelor de rol, adaptarea la scenarii complexe de comunicare cu mai mulți participanți.
L5: Comunicare bazată pe relații profunde: înțelegerea contextului pe termen lung și a evoluției relațiilor, formarea unei înțelegeri mai profunde și a unei sincronizări mentale, făcând comunicarea să treacă de la înțelegerea momentului la înțelegerea unei persoane.
Aceste cinci niveluri nu arată doar întărirea progresivă a tehnologiei conversaționale, ci și schimbarea relației dintre AI și om: de la finalizarea unui schimb de întrebări și răspunsuri, la înțelegerea unei persoane, apoi la înțelegerea relațiilor dintre oameni, ajungând în final la o comunicare profundă care traversează timpul și contextele.
Zhao Bin a subliniat că AI conversațional evoluează de la interacțiunea pasivă din faza incipientă spre o conversație full-duplex mai activă și mai naturală și începe să încerce să înțeleagă personalitatea, situația, emoțiile și relațiile oamenilor. Privind spre viitor, AI trebuie să depășească diviziunea rolurilor și ordinea comunicării în scenarii sociale complexe și să înțeleagă mai profund contextul acumulat pe termen lung al individului. Aceasta este și o direcție importantă de dezvoltare a AGI conversațional: AI nu doar că poate înțelege o propoziție, ci poate înțelege intenția reală a unei persoane combinând contextul complet și poate răspunde adecvat.
Real-Time AI Infra: infrastructura cheie care susține AGI conversațional
Evoluția continuă a capacității conversaționale impune cerințe mai ridicate și tehnologiei de bază. Zhao Bin a menționat în discursul său că, în ultimul an, adoptarea aprofundată a tehnologiei WebRTC de către companii precum OpenAI a impulsionat atenția și aplicarea mai largă a tehnologiei de interacțiune în timp real în domeniul AI conversațional. Pe măsură ce AI evoluează de la schimbul de întrebări și răspunsuri unice spre interacțiunea continuă, infrastructura de interacțiune în timp real devine un suport tehnologic important care conectează modelele, cadrele de operare ale agenților și utilizatorii.
Comparativ cu aplicațiile AI tradiționale, scenariile conversaționale au cerințe mai stricte privind latența, stabilitatea și interacțiunea bidirecțională. AI trebuie să primească inputul utilizatorului, să înțeleagă contextul, să organizeze răspunsul, iar când este necesar să facă față întreruperilor oricând și să apeleze continuu instrumente și să avanseze sarcini. Orice întârziere semnificativă într-o verigă poate afecta naturalețea conversației și chiar finalizarea sarcinii.
Pentru a susține aceste cerințe, Zhao Bin a prezentat direcția infrastructurii pentru interacțiunea inteligentă în timp real: prin rețeaua globală de transmisie în timp real, inferența distribuită cloud-edge-device, orchestrarea în timp real și capacitățile de interacțiune full-duplex, modelele și agenții pot colabora continuu în scenarii reale. Motorul AI conversațional al Agora are de asemenea la bază interacțiunea full-duplex, conectând modelele, cadrele de operare ale agenților și utilizatorii, susținând o experiență conversațională în timp real stabilă și sincronizată.
În același timp, Agora continuă să îmbunătățească instrumentele și kiturile de dezvoltare pentru AI conversațional destinate dezvoltatorilor, combinând SDK-uri, Skills, instrumente CLI și Recipes pentru a ajuta dezvoltatorii să construiască mai eficient agenți cu logică completă și capacități de execuție.
De la serviciul clienți, educație la însoțirea AI și dispozitivele purtabile inteligente, Zhao Bin consideră că AI conversațional pătrunde în tot mai multe scenarii reale. Dacă AI poate crea cu adevărat valoare nu depinde doar de faptul dacă modelul „știe să vorbească", ci și de faptul dacă poate înțelege nevoile, comunica natural și finaliza continuu sarcini. Tehnologia de interacțiune în timp real va juca un rol din ce în ce mai important în acest proces.
Ulterior, Andrey Norkin, arhitect principal la NVIDIA și co-președinte al grupului de lucru pentru codec video AOMedia, a susținut un discurs despre tehnologia de codec video AV2.
Masa rotundă: Agentul personal va deveni următoarea poartă personală?
În prima masă rotundă moderată de Tony Wang, co-fondatorul Agora, Eugene Wei, manager de produs pentru media interactivă și blogger tech, Pan Luan, creator de conținut tech și gazdă a podcastului „Luan Fan Shu", și Hua Jianxin, antreprenor în hardware AIoT și creator de conținut despre AI la margine, au discutat pe tema „Agentul personal: de la instrument nou la poartă nouă?".
De la telefoane, ochelari, căști la tot mai multe dispozitive portabile, agentul personal reaprinde în industrie gândirea despre următoarea poartă de interacțiune om-calculator. Pan Luan consideră că agentul personal ar putea aduce o schimbare de paradigmă: valoarea produselor AI se deplasează de la captarea atenției utilizatorilor spre ajutarea acestora să finalizeze sarcinile mai eficient. Viitorul agent personal nu trebuie doar să răspundă la comenzi explicite, ci ar trebui să preia activ sarcini, ajutând utilizatorii să gestioneze acele lucruri cu obiective clare, dar care nu merită investit mult timp.
În privința următoarei generații de hardware personal, Hua Jianxin a propus că viitoarea poartă nu va fi neapărat monopolizată de un singur tip de dispozitiv; ochelarii, căștile și alte hardware-uri capabile să perceapă mediul și să execute sarcini au toate șanse. El consideră că agentul personal nu doar trebuie să înțeleagă utilizatorul, ci și să perceapă continuu lumea reală prin dispozitive fizice și să acționeze, ceea ce oferă noi spații de dezvoltare pentru diferite forme de hardware.
Eugene Wei a orientat discuția spre valoarea „contextului": dacă agentul personal poate înțelege cu adevărat interesele, istoricul comunicațiilor și relațiile sociale ale utilizatorului va influența dacă poate deveni o poartă personală valoroasă. În evaluarea dacă noua poartă este viabilă, el a propus de asemenea să se acorde atenție interacțiunilor zilnice ale utilizatorilor cu Agentul și dacă utilizatorii caută mai mult Agentul sau Agentul îi caută mai mult pe utilizatori. Masa rotundă a discutat astfel în continuare despre valoarea de produs, forma hardware și criteriile viitoare de evaluare ale agentului personal.
Masa rotundă: De la „poate conversa" la „poate acționa", cum creează AI conversațional valoare reală?
În cea de-a doua masă rotundă moderată de Cui Bo, directorul comercial al Agora, Chen Wei, fondatorul Xiejue Intelligence, Geng Xianglei, fondatorul Guanke Technology, Cai Guoxiang, co-fondator și responsabil de ecosistem al Rokid Leqi, și Wu Kan, CEO-ul Titan Qiming, pornind de la scenarii diferite precum inteligența embodied, dispozitivele purtabile inteligente, marketingul enterprise și recrutarea AI, au explorat AI conversațional: motorul următoarei generații de interacțiune om-Agent.
Chen Wei consideră că cheia inteligenței embodied este transformarea intenției umane în acțiunea robotului. Robotul nu trebuie doar să înțeleagă comenzi vocale, ci și să integreze informații multimodale precum viziunea, vocea și propria stare, pentru a realiza percepția, planificarea și decizia asupra mediului fizic și pentru a ajusta continuu execuția sarcinilor în funcție de schimbările mediului după acțiune. Comparativ cu finalizarea sarcinilor demonstrative prestabilite, este mai important ca robotul să înțeleagă continuu nevoile reale ale oamenilor în medii deschise, astfel încât acțiunile să fie mereu consecvente cu intenția umană. Xiejue Intelligence dezvoltă un nou model fundamental embodied cu paradigmă Duplex Reasoning, menit să realizeze integrarea interacțiunii și acțiunii robotului.
Cai Guoxiang, pornind de la practica ochelarilor AI, a subliniat că experiența conversațională este competența centrală a dispozitivelor purtabile AI. El a declarat că, indiferent cât de puternice sunt hardware-ul și capacitățile AI din spate, dacă conversația nu este suficient de naturală, experiența utilizatorului va fi direct afectată. În viitor, dispozitivele purtabile AI trebuie să ofere, prin interacțiune în timp real cu latență redusă și stabilă, precum și prin înțelegerea semanticii și a contextului pe termen lung, o experiență în care utilizatorii să simtă treptat că nu conversează cu un AI. El a împărtășit de asemenea practica asistentului AI Rokid Leqi care utilizează serviciul de legătură RTC al Agora și vede ochelarii AI ca o poartă personală importantă în era AI.
În scenariile de aplicații enterprise, Geng Xianglei a subliniat că, pentru ca agenții vocali AI să ofere livrare fiabilă a serviciilor, trebuie rezolvate probleme precum latența, momentul întreruperii și umanizarea, unde latența poate afecta direct rezultatul sarcinii. Pentru marketingul B2B, AI trebuie să combine cunoștințele din industrie și colaborarea umană pentru a garanta mai bine rezultatele afacerii. Wu Kan, combinând practica în recrutarea AI, a declarat că AI conversațional poate ajuta afacerea de recrutare să atingă candidații la scară largă și să îmbunătățească eficiența serviciilor, fără a înlocui pur și simplu oamenii. Pentru a forma un ciclu complet de afaceri, este necesar să se acumuleze date din industrie, să se organizeze afacerea având candidatul ca centru, să se ajute Agentul să construiască memorie pe termen lung și, în jurul evenimentelor reale de afaceri precum interviul și angajarea, să se asistate AI în evaluarea și optimizarea continuă a calității serviciilor.
Din prezentările celor patru invitați se poate observa că, deși cerințele diferitelor industrii față de AI conversațional diferă, toate indică aceeași direcție: AI nu trebuie doar să poată comunica, ci și să înțeleagă scenarii reale, să se integreze în procesele de afaceri existente și să finalizeze sarcinile în mod fiabil. Odată cu dezvoltarea continuă a interacțiunii în timp real, a percepției multimodale și a capacităților de execuție ale agenților, AI conversațional are șansa de a evolua de la instrument de interacțiune la o forță importantă care conectează lumea digitală cu lumea fizică și impulsionează operarea afacerilor.
De la interacțiunea în timp real la inteligența în timp real, deschizând următorul capitol al AGI conversațional
De la cadrul celor cinci niveluri de capacitate conversațională propus de Zhao Bin, la discuțiile celor două mese rotunde despre agentul personal și implementarea reală în afaceri, forumul principal iRTE2026 prezintă o tendință industrială clară: competiția în AI conversațional se extinde de la capacitățile de bază ale modelelor spre înțelegerea contextului, interacțiunea în timp real, cogniția relațiilor complexe și execuția sarcinilor.
Când AI nu se mai limitează la a răspunde pasiv, ci poate înțelege continuu oamenii, participa activ la comunicare și finaliza sarcini în scenarii reale, tehnologia de interacțiune în timp real va prelua o misiune mai profundă.
Privind spre următoarea etapă a AGI conversațional, Agora va continua să exploreze împreună cu dezvoltatorii și partenerii din industrie fuziunea dintre interacțiunea în timp real și AI generativ, promovând experiențe de interacțiune în timp real mai naturale și mai eficiente între oameni și între oameni și agenți.
