Den 23 oktober hölls iRTE2026 Real-Time Intelligent Conference i Peking. Agoras grundare och CEO Zhao Bin höll ett tal i huvudforumet med titeln "Dialog med AGI: nästa kapitel för realtidsinteraktion", där han blickade tillbaka på de viktigaste förändringarna under det senaste året inom realtidsinteraktion, konversations-AI och underliggande infrastruktur, och presenterade ramverket "fem nivåer av dialogförmåga", som skisserar konversations-AI:s utvecklingsväg från grundläggande svar till djup förståelse och relationskommunikation.
Zhao Bin menar att i takt med att AI rör sig från att besvara frågor till att kontinuerligt kommunicera, förstå sammanhang och utföra uppgifter, expanderar föremålet för realtidsinteraktion från människa till människa till människa och Agent. Realtidsinteraktionsteknikens roll förlängs därmed: den ska inte bara göra informationsöverföringen stabilare och smidigare, utan även ge realtidsstöd för AI:s perception, förståelse, uttryck och handlande.
Från "fråga en gång, svara en gång" till djup relationskommunikation: dialog-AGI:s fem nivåer av evolution
Enligt Zhao Bin bör framstegen inom konversations-AI inte bara mätas i svarshastighet och språklig naturlighet. Viktigare är om den kan förstå samtalspartnerns avsikt, situation och relation, om den kan uttrycka sig lämpligt i komplexa scenarier och gradvis bygga upp en långsiktig, djup förståelse.
Utifrån denna bedömning presenterade Zhao Bin i sitt tal ramverket "fem nivåer av dialogförmåga", som delar in dialogförmågan i fem nivåer:
L1, uttryck utifrån sitt eget perspektiv: huvudsakligen självuttryck och passiv uppföljning, vilket förverkligar "fråga en gång, svara en gång".
L2: uttryck utifrån interaktionsmönster: från passivt svarande till aktivt uttryck, vilket gör dialogen mer naturlig och sammanhängande.
L3: kommunikation utifrån individuell kognition: förstå individens identitet, avsikt och situation, och åstadkomma kommunikation anpassad till varje person.
L4: kommunikation utifrån gruppkognition: förstå sociala relationer och rollskillnader, och anpassa sig till komplexa kommunikationsscenarier med flera personer.
L5: kommunikation utifrån djupa relationer: förstå långsiktigt sammanhang och relationsutveckling, forma djupare förståelse och tankemässig samstämmighet, och låta kommunikationen gå från att förstå nuet till att förstå en människa.
Dessa fem nivåer visar inte bara en gradvis förstärkning av dialogtekniken, utan också förändringen i relationen mellan AI och människa: från att slutföra en omgång frågor och svar, till att förstå en människa, till att förstå relationer mellan människor, och slutligen forma djup kommunikation som sträcker sig över tid och sammanhang.
Zhao Bin påpekade att konversations-AI är på väg från den tidiga passivt uppföljande interaktionen mot en mer aktiv och naturlig full-duplex-dialog, och börjar försöka förstå människors personlighet, situation, känslor och relationer. Inför framtiden behöver AI även bryta igenom rollfördelning och kommunikationsordning i komplexa sociala scenarier, och vidare förstå den kontext en individ byggt upp under lång tid. Detta är också en viktig utvecklingsriktning för dialog-AGI: AI ska inte bara kunna förstå en enskild mening, utan även kombinera ett fullständigt sammanhang för att förstå en människas verkliga avsikt och ge ett lämpligt svar.
Real-Time AI Infra: den viktigaste infrastrukturen som stöder dialog-AGI
Den fortsatta utvecklingen av dialogförmågan ställer också högre krav på den underliggande tekniken. Zhao Bin nämnde i sitt tal att OpenAI och andra företags djupgående användning av WebRTC-teknik under det senaste året har drivit realtidsinteraktionstekniken till bredare uppmärksamhet och tillämpning inom konversations-AI. I takt med att AI rör sig från enstaka frågor och svar till kontinuerlig interaktion blir realtidsinteraktionsinfrastrukturen ett viktigt tekniskt stöd som förbinder modeller, agentkörningsramverk och användare.
Jämfört med traditionella AI-applikationer ställer dialogsammanhang strängare krav på latens, stabilitet och dubbelriktad interaktion. AI behöver samtidigt ta emot användarinmatning, förstå sammanhanget och organisera sitt svar, och vid behov när som helst hantera avbrott samt kontinuerligt anropa verktyg och driva uppgifter framåt. Märkbar latens i något led kan förstöra dialogens naturlighet och till och med påverka om uppgiften kan slutföras.
För att stödja dessa behov presenterade Zhao Bin inriktningen för infrastruktur för realtidsintelligent interaktion: genom globala realtidstransmissionsnätverk, distribuerad gemensam inferens över moln-kant-enhet, realtidsorkestrering och full-duplex-interaktionsförmåga ska modeller och Agent kunna samverka kontinuerligt i verkliga scenarier. Agoras konversations-AI-motor har också full-duplex-interaktion som kärna, förbinder modeller, Agent-körningsramverk och användare, och stöder en stabil och synkron realtidsdialogupplevelse.
Samtidigt fortsätter Agora att förbättra utvecklingsverktyg och utvecklingskit för konversations-AI riktade till utvecklare, och kombinerar SDK, Skills, CLI-verktyg och Recipes med mera för att hjälpa utvecklare att effektivare bygga Agent med fullständig logik och exekveringsförmåga.
Från kundtjänst och utbildning till AI-sällskap och smarta bärbara enheter menar Zhao Bin att konversations-AI är på väg in i allt fler verkliga scenarier. Huruvida AI verkligen kan skapa värde beror inte bara på om modellen "kan prata", utan också på om den kan förstå behov, kommunicera naturligt och kontinuerligt slutföra uppgifter. Realtidsinteraktionstekniken kommer att spela en allt viktigare roll i denna process.
Därefter höll Andrey Norkin, chefsarkitekt på NVIDIA och medordförande för AOMedia Video Codec Working Group, ett tal om AV2-videokodningsteknik.
Rundabordssamtal: blir den personliga agenten nästa generations personliga ingång?
I det första rundabordssamtalet, som leddes av Agoras medgrundare Tony Wang, diskuterade Eugene Wei, produktchef för interaktiva medier och teknikbloggare, Pan Luan, tekniksjälvmediare och programledare för podden "Luan Fan Shu", samt Hua Jianxin, AIoT-hårdvaruentreprenör och självmediare inom edge-AI, kring temat "Personliga agenter: från nytt verktyg till ny ingång?".
Från mobiltelefoner, glasögon och hörlurar till fler bärbara enheter väcker den personliga agenten återigen branschens tankar om nästa generations ingång för människa-dator-interaktion. Pan Luan menar att den personliga agenten kan medföra ett paradigmbyte: värdet hos AI-produkter håller på att skifta från att kämpa om användarnas uppmärksamhet till att hjälpa användarna att slutföra uppgifter mer effektivt. Framtidens personliga agent ska inte bara svara på tydliga instruktioner, utan också proaktivt ta sig an uppgifter och hjälpa användaren att hantera ärenden som har ett tydligt mål men inte är värda att lägga mycket tid på.
När det gäller nästa generations personliga hårdvara framhöll Hua Jianxin att framtidens ingång inte nödvändigtvis behöver monopoliseras av en viss typ av enhet; glasögon, hörlurar och annan hårdvara som kan uppfatta omgivningen och utföra uppgifter har alla möjligheter. Han menar att den personliga agenten inte bara behöver förstå användaren, utan också via fysiska enheter kontinuerligt uppfatta den verkliga världen och vidta åtgärder, vilket ger nya utvecklingsmöjligheter för olika typer av hårdvara.
Eugene Wei lyfte i stället diskussionen till värdet av "kontext": huruvida den personliga agenten verkligen kan förstå användarens intressen, kommunikationshistorik och sociala relationer kommer att påverka om den kan bli en värdefull personlig ingång. När det gäller att bedöma om en ny ingång håller måttet föreslog han också att man kan titta på användarnas dagliga interaktion med Agent, och på huruvida det är användarna som oftare söker upp Agent eller Agent som oftare söker upp användarna. Rundabordssamtalet fortsatte därefter att diskutera den personliga agentens produktvärde, hårdvaruformer och framtida bedömningskriterier.
Rundabordssamtal: från "kan prata" till "kan utföra ärenden", hur skapar konversations-AI verkligt värde?
I det andra rundabordssamtalet, som leddes av Agoras首席商业官 Cui Bo, diskuterade Chen Wei, grundare av Xieyue Intelligence, Geng Xianglei, grundare av Guanke Technology, Cai Guoxiang, medgrundare av Rokid och ekosystemansvarig, samt Wu Kan, CEO för Titan Qiming, utifrån olika scenarier som embodied intelligence, smarta bärbara enheter, företagsmarknadsföring och AI-rekrytering kring konversations-AI: att driva nästa generations interaktion mellan människa och Agent.
Chen Wei menar att nyckeln till embodied intelligence är att låta människans avsikt verkligen omvandlas till robotens handling. Roboten behöver inte bara förstå röstkommandon, utan även integrera multimodala informationskällor som vision, röst och sitt eget tillstånd för att uppfatta, planera och fatta beslut om den fysiska miljön, samt kontinuerligt justera uppgiftsutförandet utifrån miljöförändringar efter handlingen. Jämfört med att slutföra förinställda demonstrationsuppgifter är det viktigare för roboten att i en öppen miljö kontinuerligt förstå människans verkliga behov och låta handlingen alltid vara förenlig med människans avsikt. Xieyue Intelligence utvecklar en embodied grundmodell med den nya paradigmen Duplex Reasoning, som syftar till att förverkliga en integrerad helhet av robotinteraktion och handling.
Cai Guoxiang utgick i stället från praktiken med AI-glasögon och betonade att dialogupplevelsen är kärnkonkurrenskraften hos AI-bärbara enheter. Han sade att oavsett hur stark hårdvaran och AI-förmågan bakom den än är, påverkas användarupplevelsen direkt om dialogen inte är tillräckligt naturlig. Framtidens AI-bärbara enheter behöver genom låg latens, stabil realtidsinteraktion samt förståelse för semantik och långsiktigt sammanhang gradvis låta användaren sluta känna att den samtalar med en AI. Han delade också med sig av Rokids praktik där AI-assistenten använder Agoras RTC-länktjänster, och ser positivt på att AI-glasögon blir en viktig personlig ingång i AI-eran.
Inom företagsapplikationsscenarier påpekade Geng Xianglei att AI-röstagenter måste lösa problem med latens, avbrottstajming och personifiering för att kunna leverera tillförlitliga affärsresultat, där latens till och med kan påverka uppgiftsresultatet direkt. För B2B-marknadsföring behöver AI även kombineras med branschkunskapssystem och mänskligt samarbete för att bättre säkerställa affärsresultat. Wu Kan sade utifrån praktiken med AI-rekrytering att konversations-AI kan hjälpa rekryteringsverksamheten att nå arbetssökande i stor skala och förbättra serviceeffektiviteten, snarare än att enkelt ersätta människor. För att forma ett slutet affärskretslopp behöver man även samla branschdata, organisera verksamheten med den arbetssökande som utgångspunkt, hjälpa Agent att bygga långsiktigt minne och, kring faktiska affärshändelser som intervju och anställning, stödja AI i att kontinuerligt utvärdera och optimera servicekvaliteten.
Av de fyra gästernas delningar framgår att kraven på konversations-AI skiljer sig mellan branscher, men att de gemensamt pekar i en riktning: AI ska inte bara kunna kommunicera, utan också kunna förstå verkliga scenarier, integreras i befintliga affärsprocesser och tillförlitligt slutföra uppgifter. I takt med att realtidsinteraktion, multimodal perception och Agenters exekveringsförmåga fortsätter att utvecklas väntas konversations-AI gå från att vara ett interaktionsverktyg till att bli en viktig kraft som förbinder den digitala världen med den fysiska världen och driver affärsverksamhet framåt.
Från realtidsinteraktion till realtidsintelligens: öppna nästa kapitel för dialog-AGI
Från Zhao Bins ramverk för fem nivåer av dialogförmåga till de två rundabordssamtalen om personliga agenter och verklig affärsimplementering visar iRTE2026:s huvudforum en tydlig branschtrend: konkurrensen inom konversations-AI sträcker sig från grundläggande modellförmåga till kontextförståelse, realtidsinteraktion, kognition av komplexa relationer och uppgiftsutförande.
När AI inte längre begränsas till passiva svar, utan kan fortsätta förstå människor, aktivt delta i samtal och slutföra uppgifter i verkliga scenarier, kommer realtidsinteraktionstekniken också att bära ett djupare uppdrag.
Inför nästa fas av dialog-AGI kommer Agora att fortsätta utforska fusionen av realtidsinteraktion och generativ AI tillsammans med utvecklare och branschpartner, och främja en mer naturlig och effektiv realtidsinteraktionsupplevelse mellan människa och människa samt mellan människa och Agent.
