Den 23. oktober blev iRTE2026 Real-Time Intelligence Conference afholdt i Beijing. Agora-grundlægger og CEO Zhao Bin holdt en tale i hovedforummet med titlen "Conversation with AGI: The Next Chapter of Real-Time Interaction", hvor han gennemgik de vigtigste ændringer inden for realtidsinteraktion, konversations-AI og underliggende infrastruktur i det forgangne år, og præsenterede rammeværket "fem niveauer af dialogevne", som skitserer konversations-AI's udviklingsvej fra grundlæggende svar til dyb forståelse og relationskommunikation.
Zhao Bin mener, at efterhånden som AI bevæger sig fra at besvare spørgsmål til vedvarende samtale, forståelse af kontekst og udførelse af opgaver, udvides genstanden for realtidsinteraktion fra menneske-til-menneske til menneske-til-Agent. Realtidsinteraktionsteknologiens rolle udvides tilsvarende: den skal ikke blot gøre informationsoverførsel mere stabil og flydende, men også give realtidsstøtte til AI's perception, forståelse, udtryk og handling.
Fra "spørg ét spørgsmål, få ét svar" til dyb relationskommunikation: De fem niveauer af evolution for konversations-AGI
Ifølge Zhao Bin bør fremskridt inden for konversations-AI ikke kun måles på svarshastighed og sproglig naturlighed. Vigtigere er det, om den kan forstå samtalepartnerens intentioner, situation og relation, om den kan udtrykke sig passende i komplekse scenarier og gradvist opbygge en langsigtet, dyb forståelse.
Med udgangspunkt i denne vurdering præsenterede Zhao Bin i sin tale rammeværket "fem niveauer af dialogevne", som inddeler dialogevne i fem niveauer:
L1, udtryk baseret på eget perspektiv: primært selvfremstilling og passiv fortsættelse, hvilket realiserer "spørg ét spørgsmål, svar ét svar".
L2: udtryk baseret på interaktionsmønstre: fra passiv respons til aktivt udtryk, så samtalen bliver mere naturlig og sammenhængende.
L3: kommunikation baseret på individuel kognition: forstå individets identitet, intentioner og situation, og realisere kommunikation tilpasset den enkelte.
L4: kommunikation baseret på gruppekognition: forstå sociale relationer og rollemæssige forskelle, og tilpasse sig komplekse flerpersoners kommunikationsscenarier.
L5: kommunikation baseret på dybe relationer: forstå langsigtet kontekst og relationsudvikling, danne dybere forståelse og tankemæssig samklang, så kommunikation bevæger sig fra at forstå nuet til at forstå et menneske.
Disse fem niveauer viser ikke blot den gradvise forstærkning af dialogteknologi, men også ændringen i forholdet mellem AI og mennesker: fra at gennemføre en runde spørgsmål-svar, til at forstå et menneske, til at forstå relationerne mellem mennesker, og endelig danne dyb kommunikation på tværs af tid og situationer.
Zhao Bin påpeger, at konversations-AI er ved at bevæge sig fra den tidlige passive fortsættelsesinteraktion til mere aktiv og naturlig fuld-duplex dialog, og begynder at forsøge at forstå menneskers personlighed, situation, følelser og relationer. Fremadrettet skal AI også bryde igennem rollefordeling og kommunikationsorden i komplekse sociale scenarier og yderligere forstå den kontekst, et individ akkumulerer over tid. Dette er også en vigtig udviklingsretning for konversations-AGI: AI skal ikke blot kunne forstå en enkelt sætning, men også kombinere den fulde kontekst for at forstå en persons sande intentioner og give passende svar.
Real-Time AI Infra: Den kritiske infrastruktur, der understøtter konversations-AGI
Den vedvarende udvikling af dialogevne stiller også højere krav til den underliggende teknologi. Zhao Bin nævnte i sin tale, at OpenAI og andre virksomheders dybere adoption af WebRTC-teknologi i det forgangne år har ført til bredere opmærksomhed og anvendelse af realtidsinteraktionsteknologi inden for konversations-AI. Efterhånden som AI bevæger sig fra enkeltrunde spørgsmål-svar til vedvarende interaktion, er realtidsinteraktionsinfrastruktur ved at blive en vigtig teknisk støtte, der forbinder modeller, agent-kørselsrammer og brugere.
Sammenlignet med traditionelle AI-applikationer stiller konversationsscenarier strengere krav til latenstid, stabilitet og tovejsinteraktion. AI skal samtidig med at modtage brugerinput forstå kontekst, organisere svar, om nødvendigt til enhver tid håndtere afbrydelser og løbende kalde værktøjer og fremme opgaver. Enhver mærkbar forsinkelse i noget led kan ødelægge samtalens naturlighed og endda påvirke, om opgaven kan fuldføres.
For at understøtte disse behov præsenterede Zhao Bin retningen for infrastruktur til realtidsintelligent interaktion: gennem globalt realtidstransmissionsnetværk, distribueret cloud-edge-enhed fælles inferens, realtidsorkestrering og fuld-duplex interaktionsevne kan modeller og Agent'er samarbejde vedvarende i virkelige scenarier. Agoras konversations-AI-motor har også fuld-duplex interaktion som kerne og forbinder modeller, Agent-kørselsrammer og brugere for at understøtte en stabil, synkron realtidsdialogoplevelse.
Samtidig forbedrer Agora løbende konversations-AI-udviklingsværktøjer og udviklingskit til udviklere, kombineret med SDK, Skills, CLI-værktøjer og Recipes m.fl., for at hjælpe udviklere med mere effektivt at bygge Agent'er med fuld logik og udførelsesevne.
Fra kundeservice og uddannelse til AI-ledsagelse og smart wearables mener Zhao Bin, at konversations-AI er ved at trænge ind i flere virkelige scenarier. Om AI reelt kan skabe værdi afhænger ikke kun af, om modellen "kan tale", men også af om den kan forstå behov, kommunikere naturligt og vedvarende fuldføre opgaver. Realtidsinteraktionsteknologi vil spille en stadig vigtigere rolle i denne proces.
Derefter holdt Nvidias chefarkitekt og medformand for AOMedia Video Codec Working Group, Andrey Norkin, en tale om AV2-videokodningsteknologi.
Roundtable-dialog: Bliver personlige agenter den næste generation af personlig indgang?
I den første roundtable, modereret af Agora-medstifter Tony Wang, diskuterede Eugene Wei, produktchef for interaktive medier og teknologiblogger, Pan Luan, teknologisk selvmedieperson og vært for podcasten "Luan Fan Shu", samt Hua Jianxin, AIoT-hardwareiværksætter og leder af selvmediet om edge-AI, emnet "Personlige agenter: Fra nyt værktøj til ny indgang?".
Fra telefoner, briller og hovedtelefoner til flere bærbare enheder genopliver personlige agenter industriens overvejelser om den næste generation af menneske-maskine-interaktionsindgang. Pan Luan mener, at personlige agenter kan medføre et paradigmeskift: AI-produkters værdi er ved at bevæge sig fra at kæmpe om brugerens opmærksomhed til at hjælpe brugeren med at fuldføre opgaver mere effektivt. Fremtidens personlige agenter skal ikke blot reagere på klare instrukser, men også proaktivt påtage sig opgaver og hjælpe brugeren med at håndtere ting, der har et klart mål, men som ikke er værd at bruge meget tid på.
Med hensyn til næste generations personlige hardware foreslår Hua Jianxin, at fremtidens indgang ikke nødvendigvis vil være monopoliseret af én type enhed; briller, hovedtelefoner og andet hardware, der kan sanse omgivelserne og udføre opgaver, har alle muligheder. Han mener, at personlige agenter ikke blot skal forstå brugeren, men også vedvarende sanse den virkelige verden gennem fysiske enheder og handle, hvilket giver nye udviklingsmuligheder for forskellige hardwareformer.
Eugene Wei førte diskussionen hen til værdien af "kontekst": om en personlig agent reelt kan forstå brugerens interesser, kommunikationshistorik og sociale relationer vil påvirke, om den kan blive en værdifuld personlig indgang. Når man vurderer, om en ny indgang holder, foreslår han også at se på brugernes daglige interaktion med Agent'en, og på om det er brugeren, der oftere opsøger Agent'en, eller Agent'en, der oftere opsøger brugeren. Roundtable-diskussionen udforskede derefter personlige agenters produktværdi, hardwareformer og fremtidige målekriterier.
Roundtable-dialog: Fra "kan chatte" til "kan udføre opgaver" – hvordan skaber konversations-AI reel værdi?
I den anden roundtable, modereret af Agoras kommercielle direktør Cui Bo, diskuterede Chen Wei, grundlægger af Xieyue Intelligence, Geng Xianglei, grundlægger af Guanke Technology, Cai Guoxiang, medgrundlægger af Rokid Leqi og økosystemansvarlig, samt Wu Kan, CEO af Titan Qiming, ud fra forskellige scenarier som embodied intelligence, smart wearables, virksomhedsmarketing og AI-rekruttering emnet konversations-AI: at drive næste generations menneske-Agent-interaktion.
Chen Wei mener, at nøglen til embodied intelligence er at få menneskers intentioner reelt omsat til robotternes handlinger. Robotter skal ikke blot forstå taleinstrukser, men også integrere multimodale informationer som vision, tale og deres egen tilstand for at gennemføre perception, planlægning og beslutningstagning i den fysiske omverden og løbende tilpasse opgaveudførelsen baseret på miljøændringer efter handlingen. Sammenlignet med at udføre foruddefinerede demonstrationsopgaver er det vigtigere for robotter vedvarende at forstå menneskers reelle behov i åbne miljøer, så handlingerne altid er i overensstemmelse med menneskers intentioner. Xieyue Intelligence udvikler en ny paradigme for embodied foundation-modeller kaldet Duplex Reasoning, som sigter mod at realisere integration af robotinteraktion og -handling.
Cai Guoxiang tager udgangspunkt i praksis med AI-briller og understreger, at dialogoplevelsen er AI-wearables' kernekonkurrenceevne. Han siger, at uanset hvor stærkt hardwaret og den bagvedliggende AI-kapabilitet er, vil brugernes oplevelse blive direkte påvirket, hvis dialogen ikke er naturlig nok. Fremover skal AI-wearables gennem lav latenstid, stabil realtidsinteraktion samt forståelse af semantik og langsigtet kontekst gradvist få brugerne til ikke længere at føle, at de taler med en AI. Han delte også Rokid Leqi AI-assistentens praksis med at anvende Agoras RTC-linktjeneste og ser AI-briller som en vigtig personlig indgang i AI-æraen.
I virksomhedsanvendelsesscenarier påpeger Geng Xianglei, at AI-taleagenter for at levere pålidelig forretningslevering skal løse problemer med latenstid, afbrydelsestidspunkt og menneskeliggørelse, hvor latenstid endda kan påvirke opgaveresultatet direkte. For B2B-marketing skal AI også kombineres med branchespecifikke videnssystemer og menneskeligt samarbejde for bedre at sikre forretningsresultater. Wu Kan siger med udgangspunkt i AI-rekrutteringspraksis, at konversations-AI kan hjælpe rekrutteringsforretningen med at nå jobansøgere i stor skala og forbedre serviceeffektiviteten, snarere end blot at erstatte mennesker. For at danne en lukket forretningscyklus skal man også akkumulere branchespecifikke data, organisere forretningen med jobansøgeren som omdrejningspunkt, hjælpe Agent'en med at opbygge langsigtet hukommelse og omkring faktiske forretningsbegivenheder som samtale og ansættelse understøtte AI i vedvarende at evaluere og optimere servicekvaliteten.
Fra de fire gæsters bidrag kan man se, at kravene til konversations-AI varierer mellem brancher, men peger i samme retning: AI skal ikke blot kunne kommunikere, men også forstå virkelige scenarier, integreres i eksisterende forretningsprocesser og pålideligt fuldføre opgaver. Med den vedvarende udvikling af realtidsinteraktion, multimodal perception og Agent-udførelsesevne forventes konversations-AI at bevæge sig fra at være et interaktionsværktøj til at blive en vigtig kraft, der forbinder den digitale verden med den fysiske verden og driver forretningsdrift.
Fra realtidsinteraktion til realtidsintelligens: Åbningen af næste kapitel for konversations-AGI
Fra Zhao Bins rammeværk for fem niveauer af dialogevne til de to roundtables' diskussioner om personlige agenter og reel forretningsimplementering præsenterer iRTE2026's hovedforum en klar industritendens: konkurrencen inden for konversations-AI strækker sig fra grundlæggende modelkapabiliteter til kontekstforståelse, realtidsinteraktion, kognition af komplekse relationer og opgaveudførelse.
Når AI ikke længere er begrænset til passivt at svare, men kan vedvarende forstå mennesker, proaktivt deltage i samtaler og fuldføre opgaver i virkelige scenarier, vil realtidsinteraktionsteknologi også påtage sig en dybere mission.
Mod næste fase af konversations-AGI vil Agora fortsætte med at udforske fusionen af realtidsinteraktion og generativ AI sammen med udviklere og industripartnere og fremme mere naturlige og effektive realtidsinteraktionsoplevelser mellem mennesker og mellem mennesker og Agent'er.
