23. októbra sa v Pekingu konala konferencia iRTE2026 o inteligentných real-time technológiách. Zakladateľ a CEO spoločnosti Agora, Zhao Bin, predniesol na hlavnom fóre prejav s názvom „Rozhovor s AGI: ďalšia kapitola real-time interakcie“, v ktorom zhodnotil kľúčové zmeny za uplynulý rok v oblasti real-time interakcie, konverzačnej AI a základnej infraštruktúry a predstavil rámec „päť úrovní konverzačných schopností“, ktorý načrtáva evolučnú cestu konverzačnej AI od základného reagovania k hlbokému porozumeniu a vzťahovej komunikácii.
Zhao Bin sa domnieva, že ako sa AI posúva od odpovedania na otázky k nepretržitej komunikácii, chápaniu kontextu a vykonávaniu úloh, objekt real-time interakcie sa rozširuje z človeka na človeka na človeka a Agenta. Úloha technológie real-time interakcie sa tým tiež rozširuje: musí nielen zabezpečiť stabilnejší a plynulejší prenos informácií, ale aj poskytovať real-time podporu pre vnímanie, porozumenie, vyjadrovanie a konanie AI.
Od „otázka-odpoveď“ k hlbokej vzťahovej komunikácii: päťstupňová evolúcia konverzačnej AGI
Podľa Zhaa Bina by sa pokrok konverzačnej AI nemal merať len rýchlosťou odpovede a prirodzenosťou jazyka. Dôležitejšie je, či dokáže pochopiť zámer, situáciu a vzťah komunikačného partnera, či sa dokáže v zložitých scenároch vhodne vyjadrovať a postupne vytvárať dlhodobé, hlboké porozumenie.
Na základe tohto hodnotenia Zhao Bin vo svojom prejave predstavil rámec „päť úrovní konverzačných schopností“, ktorý rozdeľuje konverzačné schopnosti do piatich vrstiev:
L1, vyjadrovanie z vlastnej perspektívy: prevažne sebavyjadrovanie a pasívne nadväzovanie, realizácia „otázka-odpoveď“.
L2: vyjadrovanie založené na zákonitostiach interakcie: od pasívneho reagovania k aktívnemu vyjadrovaniu, aby bola konverzácia prirodzenejšia a plynulejšia.
L3: komunikácia založená na individuálnom poznaní: pochopenie identity, zámeru a situácie jednotlivca, komunikácia prispôsobená jednotlivcovi.
L4: komunikácia založená na skupinovom poznaní: pochopenie sociálnych vzťahov a rozdielov v rolách, adaptácia na zložité scenáre komunikácie viacerých osôb.
L5: komunikácia založená na hlbokom vzťahu: pochopenie dlhodobého kontextu a vývoja vzťahu, vytvorenie hlbšieho porozumenia a myšlienkovej harmónie, posun komunikácie od chápania prítomnosti k chápaniu človeka.
Týchto päť úrovní ukazuje nielen postupné posilňovanie konverzačných technológií, ale aj zmenu vzťahu medzi AI a človekom: od dokončenia jedného kola otázok a odpovedí k pochopeniu človeka, až po pochopenie vzťahov medzi ľuďmi a napokon vytvorenie hlbokej komunikácie prekračujúcej čas a situáciu.
Zhao Bin poukázal na to, že konverzačná AI sa vyvíja od raných pasívne nadväzujúcich interakcií k aktívnejšej a prirodzenejšej plne duplexnej konverzácii a začína sa pokúšať porozumieť osobnosti, situácii, emóciám a vzťahom človeka. Do budúcnosti musí AI prekonať aj rozdelenie rolí a komunikačný poriadok v zložitých spoločenských scenároch a ďalej porozumieť dlhodobo nahromadenému kontextu jednotlivca. To je aj dôležitý smer vývoja konverzačnej AGI: AI dokáže nielen porozumieť jednej vete, ale aj v spojení s úplným kontextom pochopiť skutočný zámer človeka a vhodne zareagovať.
Real-Time AI Infra: kľúčová infraštruktúra podporujúca konverzačnú AGI
Nepretržitá evolúcia konverzačných schopností kladie vyššie nároky aj na základné technológie. Zhao Bin vo svojom prejave spomenul, že v uplynulom roku hlbšie prijatie technológie WebRTC spoločnosťami ako OpenAI podporilo širšiu pozornosť a uplatnenie technológie real-time interakcie v oblasti konverzačnej AI. Ako sa AI posúva od jednokolových otázok a odpovedí k nepretržitej interakcii, infraštruktúra real-time interakcie sa stáva dôležitou technologickou podporou spájajúcou modely, rámce na prevádzku agentov a používateľov.
V porovnaní s tradičnými AI aplikáciami majú konverzačné scenáre prísnejšie požiadavky na latenciu, stabilitu a obojsmernú interakciu. AI musí súčasne prijímať vstup od používateľa, chápať kontext, organizovať odpoveď, v prípade potreby kedykoľvek reagovať na prerušenie a nepretržite volať nástroje a posúvať úlohy. Akékoľvek výrazné oneskorenie v ktoromkoľvek článku môže narušiť prirodzenosť konverzácie a dokonca ovplyvniť dokončenie úlohy.
Na podporu týchto potrieb Zhao Bin predstavil smer infraštruktúry pre real-time inteligentnú interakciu: prostredníctvom globálnej real-time prenosovej siete, distribuovaného spoločného inferovania v cloude, na okraji siete a v koncových zariadeniach, real-time orchestračných a plne duplexných interakčných schopností umožniť modelom a Agentom nepretržite spolupracovať v reálnych scenároch. Konverzačný AI engine spoločnosti Agora je tiež postavený na plne duplexnej interakcii ako jadre, spája modely, rámce na prevádzku Agentov a používateľov a podporuje stabilný, synchronizovaný zážitok z real-time konverzácie.
Zároveň Agora nepretržite pre vývojárov vylepšuje nástroje a súpravy na vývoj konverzačnej AI, kombinuje SDK, Skills, nástroje CLI a Recipes a pomáha vývojárom efektívnejšie vytvárať Agentov s ucelenou logikou a schopnosťou vykonávania.
Od zákazníckej podpory a vzdelávania až po AI spoločnosť a inteligentné nositeľné zariadenia, Zhao Bin sa domnieva, že konverzačná AI vstupuje do čoraz viac reálnych scenárov. Či AI dokáže skutočne vytvárať hodnotu, nezávisí len od toho, či model „vie hovoriť“, ale aj od toho, či dokáže pochopiť potreby, prirodzene komunikovať a nepretržite dokončovať úlohy. Technológia real-time interakcie bude v tomto procese zohrávať čoraz dôležitejšiu úlohu.
Následne hlavný architekt spoločnosti NVIDIA a spolupredseda pracovnej skupiny pre video kodeky AOMedia, Andrey Norkin, predniesol prejav o technológii video kodekov AV2.
Okrúhly stôl: Stane sa osobný agent ďalšou generáciou osobného vstupného bodu?
V prvom okrúhlom stole, ktorý moderoval spoluzakladateľ spoločnosti Agora Tony Wang, diskutovali produktový manažér interaktívnych médií a technologický bloger Eugene Wei, technologický médiový tvorca a moderátor podcastu „乱翻书“ Pan Luan a podnikateľ v oblasti AIoT hardvéru a moderátor end-side AI médií Hua Jianxin o téme „Osobný agent: od nového nástroja k novému vstupnému bodu?“
Od mobilných telefónov, okuliarov, slúchadiel až po ďalšie nosné zariadenia, osobný agent znovu podnecuje úvahy odvetvia o vstupnom bode ďalšej generácie interakcie človeka a počítača. Pan Luan sa domnieva, že osobný agent môže priniesť paradigmatickú zmenu: hodnota AI produktov sa presúva od súperenia o pozornosť používateľa k pomoci používateľom efektívnejšie dokončovať úlohy. Budúci osobný agent by nemal len reagovať na jasné príkazy, ale mal by aktívne preberať úlohy a pomáhať používateľom vybavovať záležitosti, ktoré majú jasný cieľ, no nevyžadujú si veľké množstvo času.
Pokiaľ ide o hardvér ďalšej generácie pre osobného agenta, Hua Jianxin navrhol, že budúci vstupný bod nemusí byť výhradne jedným typom zariadenia; šancu majú okuliare, slúchadlá a ďalší hardvér schopný vnímať prostredie a vykonávať úlohy. Domnieva sa, že osobný agent musí nielen rozumieť používateľovi, ale aj prostredníctvom fyzických zariadení nepretržite vnímať reálny svet a konať, čo prináša nový priestor na rozvoj rôznym formám hardvéru.
Eugene Wei posunul diskusiu k hodnote „kontextu“: či osobný agent dokáže skutočne pochopiť záujmy používateľa, záznamy komunikácie a sociálne vzťahy, ovplyvní to, či sa môže stať hodnotným osobným vstupným bodom. Pri meraní, či nový vstupný bod obstojí, tiež navrhol sledovať každodennú interakciu používateľov s Agentom a to, či používatelia častejšie aktívne vyhľadávajú Agenta, alebo Agent častejšie aktívne vyhľadáva používateľov. Okrúhly stôl tak ďalej diskutoval o produktovej hodnote osobného agenta, forme hardvéru a budúcich metrikách.
Okrúhly stôl: Od „vie chatovať“ k „vie konať“, ako konverzačná AI vytvára skutočnú hodnotu?
V druhom okrúhlom stole, ktorý moderoval hlavný obchodný riaditeľ spoločnosti Agora Cui Bo, zakladateľ spoločnosti 斜跃智能 Chen Wei, zakladateľ spoločnosti 冠客科技 Geng Xianglei, spoluzakladateľ a šéf ekosystému spoločnosti Rokid 乐奇 Cai Guoxiang a CEO spoločnosti 泰坦启明 Wu Kan diskutovali z rôznych scenárov, ako je vtelená inteligencia, inteligentné nositeľné zariadenia, podnikový marketing a AI nábor, o konverzačnej AI: pohone interakcie človeka a Agenta ďalšej generácie.
Chen Wei sa domnieva, že kľúčom vtelené inteligencie je premeniť ľudský zámer na skutočné konanie robota. Robot musí nielen rozumieť hlasovým príkazom, ale aj integrovať multimodálne informácie, ako sú vizuálne vnemy, hlas a vlastný stav, dokončiť vnímanie fyzického prostredia, plánovanie a rozhodovanie a nepretržite upravovať vykonávanie úloh podľa zmien prostredia po konaní. V porovnaní s dokončením vopred nastavených demonštračných úloh je pre robota dôležitejšie nepretržite v otvorenom prostredí chápať skutočné potreby človeka a udržiavať konanie v súlade s ľudským zámerom. Spoločnosť 斜跃智能 vyvíja nový paradigmatický základný model vtelené inteligencie Duplex Reasoning, ktorého cieľom je dosiahnuť integráciu interakcie a konania robota.
Cai Guoxiang vychádzal z praxe AI okuliarov a zdôraznil, že zážitok z konverzácie je hlavnou konkurenčnou výhodou AI nositeľných zariadení. Uviedol, že bez ohľadu na to, aký silný je hardvér a AI schopnosti v pozadí, ak konverzácia nie je dostatočne prirodzená, používateľský zážitok bude priamo ovplyvnený. Do budúcnosti budú AI nositeľné zariadenia potrebovať prostredníctvom nízkej latencie, stabilnej real-time interakcie a porozumenia sémantike a dlhodobému kontextu dosiahnuť, aby používatelia postupne prestali cítiť, že komunikujú s AI. Zdieľal aj prax AI asistenta Rokid 乐奇, ktorý využíva RTC linkovú službu spoločnosti Agora, a verí, že AI okuliare sa stanú dôležitým osobným vstupným bodom v ére AI.
V podnikových aplikačných scenároch Geng Xianglei poukázal na to, že AI hlasoví agenti musia na dosiahnutie spoľahlivého obchodného plnenia vyriešiť otázky latencie, načasovania prerušenia a humanizácie, pričom latencia môže dokonca priamo ovplyvniť výsledok úlohy. Pri B2B marketingu sa AI musí spojiť s odvetvovým znalostným systémom a ľudskou spoluprácou, aby lepšie zabezpečila obchodné výsledky. Wu Kan na základe praxe AI náboru uviedol, že konverzačná AI môže pomôcť náborovému biznisu osloviť uchádzačov vo veľkom rozsahu a zvýšiť efektivitu služieb, nie jednoducho nahradiť ľudí. Na vytvorenie uzavretého obchodného cyklu je potrebné zhromažďovať odvetvové údaje, usporiadať biznis s uchádzačom ako subjektom, pomôcť Agentovi vytvoriť dlhodobú pamäť a na základe skutočných obchodných udalostí, ako je pohovor a nástup, pomôcť AI nepretržite hodnotiť a optimalizovať kvalitu služieb.
Z prezentácií štyroch hostí je vidieť, že hoci sa požiadavky rôznych odvetví na konverzačnú AI líšia, spoločne smerujú jedným smerom: AI musí nielen komunikovať, ale aj chápať reálne scenáre, začleniť sa do existujúcich obchodných procesov a spoľahlivo dokončovať úlohy. Ako sa real-time interakcia, multimodálne vnímanie a schopnosti vykonávania Agentov nepretržite rozvíjajú, konverzačná AI má potenciál stať sa z interakčného nástroja dôležitou silou spájajúcou digitálny svet s fyzickým svetom a poháňajúcou chod podnikania.
Od real-time interakcie k real-time inteligencii, otvorenie ďalšej kapitoly konverzačnej AGI
Od rámca piatich úrovní konverzačných schopností, ktorý predstavil Zhao Bin, až po dve okrúhle stoly o osobnom agentovi a reálnom obchodnom nasadení, hlavné fórum iRTE2026 ukázalo jasný priemyselný trend: konkurencia v konverzačnej AI sa rozširuje od základných modelových schopností k porozumeniu kontextu, real-time interakcii, poznaniu zložitých vzťahov a vykonávaniu úloh.
Keď sa AI už neobmedzuje na pasívne odpovedanie, ale dokáže nepretržite chápať človeka, aktívne sa zapájať do komunikácie a dokončovať úlohy v reálnych scenároch, technológia real-time interakcie prevezme aj hlbšie poslanie.
V ďalšej etape konverzačnej AGI bude Agora naďalej spolu s vývojármi a priemyselnými partnermi skúmať integráciu real-time interakcie a generatívnej AI a podporovať prirodzenejšie a efektívnejšie zážitky z real-time interakcie medzi ľuďmi navzájom a medzi človekom a Agentom.
