Στις 23 Οκτωβρίου, το iRTE2026 Συνέδριο Έξυπνης Πραγματικού Χρόνου πραγματοποιήθηκε στο Πεκίνο. Ο Zhao Bin, ιδρυτής και CEO της Agora, εκφώνησε ομιλία στην κεντρική σκηνή με τίτλο «Διάλογος με την AGI: Το επόμενο κεφάλαιο της αλληλεπίδρασης σε πραγματικό χρόνο», ανασκοπώντας τις βασικές αλλαγές της περασμένης χρονιάς στην αλληλεπίδραση σε πραγματικό χρόνο, τη συνομιλιακή AI και την υποκείμενη υποδομή, και παρουσίασε το πλαίσιο «πέντε επιπέδων συνομιλιακής ικανότητας», σκιαγραφώντας την εξελικτική πορεία της συνομιλιακής AI από τη βασική απόκριση προς την βαθιά κατανόηση και την επικοινωνία σχέσεων.
Ο Zhao Bin θεωρεί ότι, καθώς η AI μεταβαίνει από την απάντηση ερωτήσεων στη συνεχή επικοινωνία, την κατανόηση του πλαισίου και την εκτέλεση εργασιών, το αντικείμενο της αλληλεπίδρασης σε πραγματικό χρόνο επεκτείνεται από άνθρωπο σε άνθρωπο σε άνθρωπο και Agent. Ο ρόλος της τεχνολογίας αλληλεπίδρασης σε πραγματικό χρόνο επεκτείνεται ανάλογα: δεν πρέπει μόνο να κάνει τη μετάδοση πληροφοριών πιο σταθερή και ομαλή, αλλά και να παρέχει υποστήριξη σε πραγματικό χρόνο για την αντίληψη, την κατανόηση, την έκφραση και τη δράση της AI.
Από το «ερώτηση και απάντηση» στη βαθιά επικοινωνία σχέσεων: Η πενταβάθμια εξέλιξη της συνομιλιακής AGI
Κατά τον Zhao Bin, η πρόοδος της συνομιλιακής AI δεν πρέπει να μετριέται μόνο με την ταχύτητα απάντησης και τη φυσικότητα της γλώσσας. Πιο σημαντικό είναι αν μπορεί να κατανοήσει την πρόθεση, την κατάσταση και τη σχέση του συνομιλητή, αν μπορεί να εκφραστεί κατάλληλα σε σύνθετα σενάρια και να διαμορφώσει σταδιακά μια μακροπρόθεσμη, βαθιά κατανόηση.
Με βάση αυτή την κρίση, ο Zhao Bin παρουσίασε στην ομιλία του το πλαίσιο «πέντε επιπέδων συνομιλιακής ικανότητας», διαιρώντας τη συνομιλιακή ικανότητα σε πέντε επίπεδα:
L1, Έκφραση από την οπτική του εαυτού: Κυρίως αυτοέκφραση και παθητική συνέχεια, υλοποιώντας «μία ερώτηση, μία απάντηση».
L2: Έκφραση βάσει κανόνων αλληλεπίδρασης: Μετάβαση από την παθητική απόκριση στην ενεργητική έκφραση, κάνοντας τη συνομιλία πιο φυσική και συνεκτική.
L3: Επικοινωνία βάσει ατομικής γνώσης: Κατανόηση της ταυτότητας, της πρόθεσης και της κατάστασης του ατόμου, υλοποιώντας εξατομικευμένη επικοινωνία.
L4: Επικοινωνία βάσει συλλογικής γνώσης: Κατανόηση κοινωνικών σχέσεων και διαφορών ρόλων, προσαρμογή σε σύνθετα σενάρια επικοινωνίας πολλών ατόμων.
L5: Επικοινωνία βάσει βαθιάς σχέσης: Κατανόηση μακροπρόθεσμου πλαισίου και εξέλιξης σχέσεων, διαμόρφωση βαθύτερης κατανόησης και νοητικής συνεργασίας, κάνοντας την επικοινωνία να μεταβαίνει από την κατανόηση του παρόντος στην κατανόηση ενός ανθρώπου.
Αυτά τα πέντε επίπεδα δείχνουν όχι μόνο τη σταδιακή ενίσχυση της συνομιλιακής τεχνολογίας, αλλά και την αλλαγή της σχέσης μεταξύ AI και ανθρώπου: από την ολοκλήρωση ενός γύρου ερωταπαντήσεων, στην κατανόηση ενός ανθρώπου, και μετά στην κατανόηση των σχέσεων μεταξύ ανθρώπων, καταλήγοντας τελικά σε βαθιά επικοινωνία που διαπερνά τον χρόνο και τα συμφραζόμενα.
Ο Zhao Bin επεσήμανε ότι η συνομιλιακή AI αναπτύσσεται από την πρώιμη παθητική αλληλεπίδραση προς μια πιο ενεργητική, πιο φυσική αμφίδρομη συνομιλία και αρχίζει να επιχειρεί να κατανοήσει την προσωπικότητα, την κατάσταση, τα συναισθήματα και τις σχέσεις του ανθρώπου. Για το μέλλον, η AI πρέπει επίσης να ξεπεράσει τον καταμερισμό ρόλων και την τάξη επικοινωνίας σε σύνθετα κοινωνικά σενάρια, κατανοώντας περαιτέρω το πλαίσιο που έχει συσσωρεύσει μακροπρόθεσμα ένα άτομο. Αυτή είναι επίσης μια σημαντική κατεύθυνση ανάπτυξης της συνομιλιακής AGI: η AI όχι μόνο να καταλαβαίνει μια πρόταση, αλλά και να συνδυάζει το πλήρες πλαίσιο για να κατανοεί την πραγματική πρόθεση ενός ανθρώπου και να ανταποκρίνεται κατάλληλα.
Real-Time AI Infra: Η βασική υποδομή που υποστηρίζει τη συνομιλιακή AGI
Η συνεχής εξέλιξη της συνομιλιακής ικανότητας θέτει επίσης υψηλότερες απαιτήσεις στην υποκείμενη τεχνολογία. Ο Zhao Bin ανέφερε στην ομιλία του ότι την περασμένη χρονιά, η βαθύτερη υιοθέτηση της τεχνολογίας WebRTC από εταιρείες όπως η OpenAI ώθησε την τεχνολογία αλληλεπίδρασης σε πραγματικό χρόνο να προσελκύσει ευρύτερη προσοχή και εφαρμογή στον τομέα της συνομιλιακής AI. Καθώς η AI μεταβαίνει από την απλή ερωταπάντηση στη συνεχή αλληλεπίδραση, η υποδομή αλληλεπίδρασης σε πραγματικό χρόνο αναδεικνύεται σε σημαντικό τεχνολογικό υπόβαθρο που συνδέει μοντέλα, πλαίσια λειτουργίας Agent και χρήστες.
Σε σύγκριση με τις παραδοσιακές εφαρμογές AI, τα σενάρια συνομιλίας έχουν αυστηρότερες απαιτήσεις σε καθυστέρηση, σταθερότητα και αμφίδρομη αλληλεπίδραση. Η AI πρέπει να λαμβάνει την είσοδο του χρήστη, ενώ ταυτόχρονα να κατανοεί το πλαίσιο, να οργανώνει την απάντηση, να αντιμετωπίζει ανά πάσα στιγμή διακοπές και να καλεί συνεχώς εργαλεία για να προωθεί εργασίες. Οποιαδήποτε σημαντική καθυστέρηση σε οποιοδήποτε στάδιο μπορεί να διαταράξει τη φυσικότητα της συνομιλίας ή ακόμη και να επηρεάσει την ολοκλήρωση της εργασίας.
Για να υποστηρίξει αυτές τις ανάγκες, ο Zhao Bin παρουσίασε την κατεύθυνση υποδομής για έξυπνη αλληλεπίδραση σε πραγματικό χρόνο: μέσω παγκόσμιου δικτύου μετάδοσης σε πραγματικό χρόνο, κατανεμημένης συνεργατικής συμπερασματολογίας cloud-edge-device, ενορχήστρωσης σε πραγματικό χρόνο και αμφίδρομων δυνατοτήτων αλληλεπίδρασης, ώστε τα μοντέλα και οι Agent να μπορούν να συνεργάζονται συνεχώς σε πραγματικά σενάρια. Η μηχανή συνομιλιακής AI της Agora έχει επίσης ως πυρήνα την αμφίδρομη αλληλεπίδραση, συνδέοντας μοντέλα, πλαίσια λειτουργίας Agent και χρήστες, υποστηρίζοντας σταθερή, συγχρονισμένη εμπειρία συνομιλίας σε πραγματικό χρόνο.
Παράλληλα, η Agora συνεχίζει να βελτιώνει για τους προγραμματιστές εργαλεία και κιτ ανάπτυξης συνομιλιακής AI, συνδυάζοντας δυνατότητες όπως SDK, Skills, εργαλεία CLI και Recipes, βοηθώντας τους προγραμματιστές να δημιουργούν πιο αποτελεσματικά Agent με πλήρη λογική και εκτελεστική ικανότητα.
Από την εξυπηρέτηση πελατών και την εκπαίδευση έως τη συντροφιά AI και τις έξυπνες φορετές συσκευές, ο Zhao Bin θεωρεί ότι η συνομιλιακή AI εισέρχεται σε όλο και περισσότερα πραγματικά σενάρια. Το κατά πόσο η AI μπορεί να δημιουργήσει πραγματική αξία δεν εξαρτάται μόνο από το αν το μοντέλο «ξέρει να μιλάει», αλλά και από το αν μπορεί να κατανοεί ανάγκες, να επικοινωνεί φυσικά και να ολοκληρώνει συνεχώς εργασίες. Η τεχνολογία αλληλεπίδρασης σε πραγματικό χρόνο θα διαδραματίσει ολοένα και πιο σημαντικό ρόλο σε αυτή τη διαδικασία.
Στη συνέχεια, ο Andrey Norkin, επικεφαλής αρχιτέκτονας της NVIDIA και συμπρόεδρος της ομάδας εργασίας κωδικοποίησης βίντεο AOMedia, παρουσίασε ομιλία για την τεχνολογία κωδικοποίησης βίντεο AV2.
Στρογγυλή συζήτηση: Ο προσωπικός Agent θα γίνει η επόμενη γενιά προσωπικής πύλης;
Στην πρώτη στρογγυλή συζήτηση που συντόνισε ο Tony Wang, συνιδρυτής της Agora, ο Eugene Wei, product manager διαδραστικών μέσων και τεχνολογικός blogger, ο Pan Luan, δημιουργός τεχνολογικών μέσων και οικοδεσπότης του podcast «Luan Fan Shu», και ο Hua Jianxin, ιδρυτής hardware AIoT και δημιουργός μέσων για edge AI, συζήτησαν γύρω από το θέμα «Προσωπικός Agent: Από νέο εργαλείο σε νέα πύλη;».
Από τα κινητά τηλέφωνα, τα γυαλιά και τα ακουστικά έως περισσότερες φορετές συσκευές, ο προσωπικός Agent αναζωπυρώνει τη σκέψη του κλάδου για την πύλη ανθρώπινης-μηχανικής αλληλεπίδρασης της επόμενης γενιάς. Ο Pan Luan θεωρεί ότι ο προσωπικός Agent μπορεί να φέρει μια αλλαγή παραδείγματος: η αξία των προϊόντων AI μετατοπίζεται από τη διεκδίκηση της προσοχής του χρήστη στη βοήθεια προς τον χρήστη για πιο αποτελεσματική ολοκλήρωση εργασιών. Ο μελλοντικός προσωπικός Agent δεν πρέπει μόνο να ανταποκρίνεται σε σαφείς εντολές, αλλά και να αναλαμβάνει ενεργά εργασίες, βοηθώντας τον χρήστη να χειρίζεται υποθέσεις που έχουν σαφή στόχο αλλά δεν αξίζει να επενδυθεί πολύς χρόνος.
Σχετικά με το hardware της επόμενης γενιάς προσωπικών συσκευών, ο Hua Jianxin πρότεινε ότι η μελλοντική πύλη μπορεί να μην κυριαρχείται από ένα μόνο είδος συσκευής· γυαλιά, ακουστικά και άλλο hardware που μπορεί να αντιλαμβάνεται το περιβάλλον και να εκτελεί εργασίες έχουν όλα ευκαιρίες. Θεωρεί ότι ο προσωπικός Agent δεν χρειάζεται μόνο να κατανοεί τον χρήστη, αλλά και να αντιλαμβάνεται συνεχώς τον πραγματικό κόσμο μέσω φυσικών συσκευών και να αναλαμβάνει δράση, κάτι που δημιουργεί νέο χώρο ανάπτυξης για διαφορετικές μορφές hardware.
Ο Eugene Wei έστρεψε τη συζήτηση στην αξία του «πλαισίου»: το κατά πόσο ο προσωπικός Agent μπορεί να κατανοεί πραγματικά τα ενδιαφέροντα, το ιστορικό επικοινωνίας και τις κοινωνικές σχέσεις του χρήστη θα επηρεάσει το αν μπορεί να γίνει μια πολύτιμη προσωπική πύλη. Για να αξιολογηθεί αν μια νέα πύλη είναι βιώσιμη, πρότεινε επίσης να εξετάζεται η καθημερινή αλληλεπίδραση των χρηστών με τον Agent, καθώς και αν οι χρήστες αναζητούν περισσότερο τον Agent ή ο Agent αναζητά περισσότερο τους χρήστες. Η στρογγυλή συζήτηση επεξέτεινε έτσι τη συζήτηση στην αξία του προϊόντος, τη μορφή hardware και τα μελλοντικά κριτήρια μέτρησης του προσωπικού Agent.
Στρογγυλή συζήτηση: Από το «μπορεί να συνομιλεί» στο «μπορεί να διεκπεραιώνει», πώς η συνομιλιακή AI δημιουργεί πραγματική αξία;
Στη δεύτερη στρογγυλή συζήτηση που συντόνισε ο Cui Bo, Chief Commercial Officer της Agora, ο Chen Wei, ιδρυτής της Xieyue Intelligence, ο Geng Xianglei, ιδρυτής της Guanke Technology, ο Cai Guoxiang, συνιδρυτής και υπεύθυνος οικοσυστήματος της Rokid Leyi, και ο Wu Kan, CEO της Titan Qiming, ξεκινώντας από διαφορετικά σενάρια όπως η ενσωματωμένη νοημοσύνη, οι έξυπνες φορετές συσκευές, το εταιρικό marketing και η AI πρόσληψη, συζήτησαν πώς η συνομιλιακή AI οδηγεί την αλληλεπίδραση ανθρώπου-Agent της επόμενης γενιάς.
Ο Chen Wei θεωρεί ότι το κλειδί της ενσωματωμένης νοημοσύνης είναι να μετατρέπεται η ανθρώπινη πρόθεση σε δράση του ρομπότ. Το ρομπότ δεν χρειάζεται μόνο να κατανοεί φωνητικές εντολές, αλλά και να συνδυάζει πολυτροπικές πληροφορίες όπως όραση, φωνή και κατάσταση του ίδιου, ολοκληρώνοντας την αντίληψη, τον σχεδιασμό και τη λήψη αποφάσεων για το φυσικό περιβάλλον, και προσαρμόζοντας συνεχώς την εκτέλεση εργασιών ανάλογα με τις αλλαγές του περιβάλλοντος μετά τη δράση. Σε σύγκριση με την ολοκλήρωση προκαθορισμένων επιδείξεων, το πιο σημαντικό για το ρομπότ είναι να κατανοεί συνεχώς τις πραγματικές ανάγκες του ανθρώπου σε ανοιχτό περιβάλλον, ώστε η δράση να παραμένει πάντα συνεπής με την ανθρώπινη πρόθεση. Η Xieyue Intelligence αναπτύσσει ένα νέο παράδειγμα ενσωματωμένου βασικού μοντέλου, το Duplex Reasoning, με στόχο την ενοποίηση αλληλεπίδρασης και δράσης του ρομπότ.
Ο Cai Guoxiang, ξεκινώντας από την πρακτική των γυαλιών AI, τόνισε ότι η εμπειρία συνομιλίας είναι ο βασικός ανταγωνιστικός παράγοντας των φορετών συσκευών AI. Δήλωσε ότι, ανεξάρτητα από το πόσο ισχυρό είναι το hardware και η AI πίσω από αυτό, αν η συνομιλία δεν είναι αρκετά φυσική, η εμπειρία του χρήστη θα επηρεαστεί άμεσα. Στο μέλλον, οι φορετές συσκευές AI θα πρέπει, μέσω αλληλεπίδρασης σε πραγματικό χρόνο με χαμηλή καθυστέρηση και σταθερότητα, καθώς και κατανόησης της σημασίας και του μακροπρόθεσμου πλαισίου, να κάνουν τους χρήστες να αισθάνονται σταδιακά ότι δεν συνομιλούν με AI. Μοιράστηκε επίσης την πρακτική του AI βοηθού της Rokid Leyi που χρησιμοποιεί τις υπηρεσίες RTC链路 της Agora και βλέπει θετικά το ενδεχόμενο τα γυαλιά AI να γίνουν σημαντική προσωπική πύλη στην εποχή της AI.
Σε εταιρικά σενάρια εφαρμογής, ο Geng Xianglei επεσήμανε ότι, για να παρέχει αξιόπιστη επιχειρηματική εξυπηρέτηση, ένας φωνητικός πράκτορας AI πρέπει να επιλύει ζητήματα καθυστέρησης, κατάλληλης στιγμής διακοπής και ανθρωπομορφισμού, όπου η καθυστέρηση μπορεί ακόμη και να επηρεάσει άμεσα το αποτέλεσμα της εργασίας. Για το B2B marketing, η AI πρέπει επίσης να συνδυάζεται με το σύστημα γνώσης του κλάδου και την ανθρώπινη συνεργασία, ώστε να διασφαλίζονται καλύτερα τα επιχειρηματικά αποτελέσματα. Ο Wu Kan, συνδυάζοντας την πρακτική της AI πρόσληψης, δήλωσε ότι η συνομιλιακή AI μπορεί να βοηθήσει τις επιχειρήσεις προσλήψεων να προσεγγίζουν υποψηφίους σε μεγάλη κλίμακα και να βελτιώνουν την αποτελεσματικότητα εξυπηρέτησης, χωρίς να υποκαθιστά απλώς το ανθρώπινο δυναμικό. Για να σχηματιστεί κλειστός επιχειρηματικός κύκλος, χρειάζεται επίσης συσσώρευση δεδομένων του κλάδου, οργάνωση της επιχείρησης με τον υποψήφιο ως κέντρο, βοήθεια προς τον Agent να δημιουργεί μακροπρόθεσμη μνήμη, και υποστήριξη της AI ώστε να αξιολογεί και να βελτιώνει συνεχώς την ποιότητα εξυπηρέτησης γύρω από πραγματικά επιχειρηματικά γεγονότα όπως η συνέντευξη και η πρόσληψη.
Από τις παρουσιάσεις των τεσσάρων ομιλητών φαίνεται ότι, αν και οι απαιτήσεις των διαφόρων κλάδων για τη συνομιλιακή AI διαφέρουν, όλες δείχνουν προς μία κατεύθυνση: η AI δεν πρέπει μόνο να μπορεί να επικοινωνεί, αλλά και να κατανοεί πραγματικά σενάρια, να ενσωματώνεται στις υπάρχουσες επιχειρηματικές διαδικασίες και να ολοκληρώνει αξιόπιστα εργασίες. Καθώς η αλληλεπίδραση σε πραγματικό χρόνο, η πολυτροπική αντίληψη και οι δυνατότητες εκτέλεσης Agent αναπτύσσονται συνεχώς, η συνομιλιακή AI αναμένεται να εξελιχθεί από εργαλείο αλληλεπίδρασης σε σημαντική δύναμη που συνδέει τον ψηφιακό με τον φυσικό κόσμο και προωθεί τη λειτουργία των επιχειρήσεων.
Από την αλληλεπίδραση σε πραγματικό χρόνο στην έξυπνη λειτουργία σε πραγματικό χρόνο, ανοίγοντας το επόμενο κεφάλαιο της συνομιλιακής AGI
Από το πλαίσιο πέντε επιπέδων συνομιλιακής ικανότητας που πρότεινε ο Zhao Bin έως τις δύο στρογγυλές συζητήσεις για τον προσωπικό Agent και την εφαρμογή σε πραγματικές επιχειρήσεις, η κεντρική σκηνή του iRTE2026 παρουσίασε μια σαφή τάση του κλάδου: ο ανταγωνισμός της συνομιλιακής AI επεκτείνεται από τις βασικές δυνατότητες των μοντέλων στην κατανόηση πλαισίου, την αλληλεπίδραση σε πραγματικό χρόνο, την αναγνώριση σύνθετων σχέσεων και την εκτέλεση εργασιών.
Όταν η AI δεν περιορίζεται πλέον στην παθητική απάντηση, αλλά μπορεί να κατανοεί συνεχώς τον άνθρωπο, να συμμετέχει ενεργά στην επικοινωνία και να ολοκληρώνει εργασίες σε πραγματικά σενάρια, η τεχνολογία αλληλεπίδρασης σε πραγματικό χρόνο θα αναλάβει επίσης μια βαθύτερη αποστολή.
Με στόχο το επόμενο στάδιο της συνομιλιακής AGI, η Agora θα συνεχίσει να εξερευνά μαζί με προγραμματιστές και συνεργάτες του κλάδου την ενσωμάτωση της αλληλεπίδρασης σε πραγματικό χρόνο με τη γενετική AI, προωθώντας μια πιο φυσική και αποτελεσματική εμπειρία αλληλεπίδρασης σε πραγματικό χρόνο μεταξύ ανθρώπων και μεταξύ ανθρώπων και Agent.
