23 października w Pekinie odbyła się konferencja iRTE2026 Real-Time Intelligent Conference. Założyciel i CEO Agory, Zhao Bin, wygłosił na głównym forum prelekcję zatytułowaną „Dialog z AGI: następny rozdział interakcji w czasie rzeczywistym”, w której podsumował kluczowe zmiany minionego roku w obszarze interakcji w czasie rzeczywistym, konwersacyjnej AI i infrastruktury bazowej, a także przedstawił ramy „pięciu poziomów zdolności dialogowych”, kreśląc ścieżkę ewolucji konwersacyjnej AI od podstawowych odpowiedzi ku głębokiemu zrozumieniu i komunikacji opartej na relacjach.
Zhao Bin uważa, że wraz z tym, jak AI przechodzi od odpowiadania na pytania do ciągłej wymiany zdań, rozumienia kontekstu i wykonywania zadań, podmiot interakcji w czasie rzeczywistym rozszerza się z człowieka na człowieka i agenta. Rola technologii interakcji w czasie rzeczywistym również się rozszerza: nie tylko ma zapewniać stabilniejsze i płynniejsze przekazywanie informacji, lecz także dostarczać wsparcie w czasie rzeczywistym dla percepcji, rozumienia, ekspresji i działania AI.
Od „pytanie–odpowiedź” do głębokiej komunikacji opartej na relacjach: pięć poziomów ewolucji dialogowego AGI
Zdaniem Zhao Bina postępu konwersacyjnej AI nie należy mierzyć wyłącznie szybkością odpowiedzi czy naturalnością języka. Ważniejsze jest to, czy potrafi ona zrozumieć intencje, sytuację i relacje rozmówcy, czy umie odpowiednio wyrażać się w złożonych scenariuszach oraz czy stopniowo buduje długoterminowe, pogłębione zrozumienie.
Wokół tej oceny Zhao Bin zaproponował w swoim wystąpieniu ramy „pięciu poziomów zdolności dialogowych”, dzieląc zdolności dialogowe na pięć poziomów:
L1, ekspresja z własnej perspektywy: oparta głównie na wyrażaniu siebie i biernym podtrzymywaniu rozmowy, realizująca model „pytanie–odpowiedź”.
L2: ekspresja oparta na prawidłowościach interakcji: przejście od biernego reagowania do aktywnego wyrażania, czyniące rozmowę bardziej naturalną i spójną.
L3: komunikacja oparta na poznaniu jednostki: rozumienie tożsamości, intencji i sytuacji jednostki, umożliwiające komunikację dostosowaną do osoby.
L4: komunikacja oparta na poznaniu grupy: rozumienie relacji społecznych i różnic ról, dostosowanie do złożonych scenariuszy komunikacji wieloosobowej.
L5: komunikacja oparta na głębokich relacjach: rozumienie długoterminowego kontekstu i ewolucji relacji, kształtowanie głębszego zrozumienia i porozumienia myślowego, dzięki czemu komunikacja przechodzi od rozumienia teraźniejszości do rozumienia człowieka.
Te pięć poziomów ukazuje nie tylko stopniowe wzmacnianie technologii dialogowej, lecz także zmianę relacji między AI a człowiekiem: od zakończenia jednej rundy pytań i odpowiedzi, przez zrozumienie człowieka, po zrozumienie relacji między ludźmi, aż po ukształtowanie głębokiej komunikacji wykraczającej poza czas i kontekst.
Zhao Bin wskazał, że konwersacyjna AI przechodzi od wczesnej interakcji opartej na biernym podtrzymywaniu rozmowy ku bardziej aktywnej i naturalnej rozmowie full-duplex, i zaczyna próbować rozumieć osobowość, sytuację, emocje i relacje człowieka. W perspektywie przyszłości AI musi jeszcze przełamać podział ról i porządek komunikacji w złożonych scenariuszach społecznych oraz进一步 rozumieć kontekst długoterminowo gromadzony przez jednostkę. Jest to również ważny kierunek rozwoju dialogowego AGI: AI potrafi nie tylko zrozumieć jedno zdanie, lecz także w połączeniu z pełnym kontekstem zrozumieć prawdziwe intencje człowieka i odpowiednio zareagować.
Real-Time AI Infra: kluczowa infrastruktura wspierająca dialogowe AGI
Ciągła ewolucja zdolności dialogowych stawia także wyższe wymagania technologiom bazowym. Zhao Bin wspomniał w wystąpieniu, że w minionym roku głębsze wykorzystanie technologii WebRTC przez takie firmy jak OpenAI sprawiło, że technologia interakcji w czasie rzeczywistym zyskała szerszą uwagę i zastosowanie w obszarze konwersacyjnej AI. W miarę jak AI przechodzi od jednostronnych pytań i odpowiedzi do ciągłej interakcji, infrastruktura interakcji w czasie rzeczywistym staje się ważnym technologicznym wsparciem łączącym modele, frameworki uruchamiania agentów i użytkowników.
W porównaniu z tradycyjnymi aplikacjami AI scenariusze dialogowe mają bardziej rygorystyczne wymagania dotyczące opóźnień, stabilności i interakcji dwukierunkowej. AI musi jednocześnie odbierać dane wejściowe użytkownika, rozumieć kontekst, organizować odpowiedź, w razie potrzeby reagować na przerwania oraz stale wywoływać narzędzia i realizować zadania. Jakiekolwiek wyraźne opóźnienie w którymkolwiek ogniwie może zniszczyć naturalność rozmowy, a nawet wpłynąć na możliwość ukończenia zadania.
Aby sprostać tym wymaganiom, Zhao Bin przedstawił kierunek infrastruktury dla interakcji inteligentnych w czasie rzeczywistym: poprzez globalną sieć transmisji w czasie rzeczywistym, rozproszone wnioskowanie na styku chmury, brzegu i urządzeń oraz zdolności orchestracji w czasie rzeczywistym i interakcji full-duplex umożliwić modelom i agentom ciągłą współpracę w rzeczywistych scenariuszach. Silnik konwersacyjnej AI Agory również opiera się na interakcji full-duplex, łącząc modele, frameworki uruchamiania agentów i użytkowników oraz wspierając stabilne, zsynchronizowane doświadczenie rozmowy w czasie rzeczywistym.
Jednocześnie Agora stale udoskonala dla deweloperów narzędzia i zestawy deweloperskie do konwersacyjnej AI, łącząc takie możliwości jak SDK, Skills, narzędzia CLI i Recipes, aby pomóc deweloperom efektywniej budować agentów o pełnej logice i zdolnościach wykonawczych.
Od obsługi klienta, edukacji po AI companionship i inteligentne urządzenia noszone — zdaniem Zhao Bina konwersacyjna AI wchodzi w coraz więcej rzeczywistych scenariuszy. To, czy AI naprawdę może tworzyć wartość, zależy nie tylko od tego, czy model „umie mówić”, lecz także od tego, czy potrafi zrozumieć potrzeby, naturalnie komunikować się i konsekwentnie realizować zadania. Technologia interakcji w czasie rzeczywistym odegra w tym procesie coraz ważniejszą rolę.
Następnie główny architekt NVIDIA i współprzewodniczący grupy roboczej ds. kodowania wideo AOMedia, Andrey Norkin, wygłosił prelekcję na temat technologii kodowania wideo AV2.
Dyskusja panelowa: czy osobisty agent stanie się bramą do osobistego ekosystemu następnej generacji?
W pierwszym panelu prowadzonym przez współzałożyciela Agory, Tony'ego Wanga, Eugene Wei — menedżer produktu interaktywnych mediów i bloger technologiczny, Pan Luan — twórca mediów technologicznych i gospodarz podcastu „Luan Fan Shu”, oraz Hua Jianxin — przedsiębiorca w obszarze sprzętu AIoT i twórca mediów o AI na urządzeniach końcowych — dyskutowali na temat „Osobisty agent: od nowego narzędzia do nowej bramy?”.
Od telefonów, okularów, słuchawek po coraz więcej urządzeń noszonych — osobisty agent na nowo skłania branżę do refleksji nad bramą do interakcji człowiek–komputer następnej generacji. Pan Luan uważa, że osobisty agent może przynieść zmianę paradygmatu: wartość produktów AI przesuwa się od walki o uwagę użytkownika ku pomaganiu mu w efektywniejszym realizowaniu zadań. Przyszły osobisty agent powinien nie tylko reagować na wyraźne polecenia, lecz także aktywnie przejmować zadania i pomagać użytkownikowi w sprawach o jasnym celu, na które nie warto poświęcać dużo czasu.
Odnośnie sprzętu osobistego następnej generacji Hua Jianxin zauważył, że przyszła brama niekoniecznie będzie zdominowana przez jedno urządzenie — szansę mają okulary, słuchawki i inny sprzęt zdolny postrzegać otoczenie i wykonywać zadania. Jego zdaniem osobisty agent musi nie tylko rozumieć użytkownika, lecz także poprzez fizyczne urządzenia stale postrzegać rzeczywisty świat i podejmować działania, co otwiera nową przestrzeń rozwoju dla różnych form sprzętu.
Eugene Wei skierował dyskusję ku wartości „kontekstu”: to, czy osobisty agent naprawdę potrafi zrozumieć zainteresowania użytkownika, historię komunikacji i relacje społeczne, wpłynie na to, czy stanie się wartościową osobistą bramą. Przy ocenie, czy nowa brama się sprawdza, zaproponował również zwrócenie uwagi na codzienne interakcje użytkownika z agentem oraz na to, czy częściej to użytkownik szuka agenta, czy agent szuka użytkownika. Panel kontynuował dyskusję nad wartością produktową osobistego agenta, formami sprzętowymi i przyszłymi kryteriami oceny.
Dyskusja panelowa: od „umie rozmawiać” do „umie załatwiać sprawy” — jak konwersacyjna AI tworzy rzeczywistą wartość?
W drugim panelu prowadzonym przez dyrektora handlowego Agory, Cui Bo, Chen Wei — założyciel Xianyue Intelligent, Geng Xianglei — założyciel Guanke Technology, Cai Guoxiang — współzałożyciel Rokid Leqi i szef ekosystemu, oraz Wu Kan — CEO Titan Qiming — wychodząc od różnych scenariuszy, takich jak embodied intelligence, inteligentne urządzenia noszone, marketing przedsiębiorstw i rekrutacja z AI, dyskutowali o konwersacyjnej AI: napędzaniu interakcji człowiek–agent następnej generacji.
Chen Wei uważa, że kluczem embodied intelligence jest rzeczywiste przełożenie intencji człowieka na działania robota. Robot musi nie tylko rozumieć polecenia głosowe, lecz także integrować multimodalne informacje, takie jak wizja, mowa i własny stan, aby realizować percepcję, planowanie i decyzje dotyczące fizycznego otoczenia oraz stale dostosowywać wykonanie zadania w zależności od zmian otoczenia po działaniu. W porównaniu z realizacją zaprogramowanych zadań demonstracyjnych ważniejsze jest, aby robot w otwartym środowisku stale rozumiał rzeczywiste potrzeby człowieka i utrzymywał zgodność działań z jego intencjami. Xianyue Intelligent rozwija nowy paradygmat bazowego modelu embodied — Duplex Reasoning — którego celem jest integracja interakcji i działania robota.
Cai Guoxiang, wychodząc od praktyki AI w okularach, podkreślił, że doświadczenie rozmowy jest kluczową kompetencją AI w urządzeniach noszonych. Zaznaczył, że niezależnie od tego, jak potężny jest sprzęt i stojące za nim możliwości AI, jeśli rozmowa nie jest wystarczająco naturalna, doświadczenie użytkownika ucierpi bezpośrednio. W przyszłości AI w urządzeniach noszonych będzie musiała poprzez interakcję w czasie rzeczywistym o niskich opóźnieniach i wysokiej stabilności oraz rozumienie semantyki i długoterminowego kontekstu sprawić, by użytkownik stopniowo przestawał odczuwać, że rozmawia z AI. Podzielił się także praktyką asystenta AI Rokid Leqi wykorzystującego usługi łącza RTC Agory i wyraził optymizm co do tego, że okulary AI staną się ważną osobistą bramą w erze AI.
W scenariuszach zastosowań enterprise Geng Xianglei wskazał, że aby AI voice agent mógł zapewnić niezawodną realizację biznesową, musi rozwiązać problemy opóźnień, momentu przerwania i humanizacji, przy czym opóźnienia mogą nawet bezpośrednio wpływać na wynik zadania. W marketingu B2B AI musi także łączyć się z branżowym systemem wiedzy i współpracą z ludźmi, aby lepiej zabezpieczać wyniki biznesowe. Wu Kan, odnosząc się do praktyki rekrutacji z AI, stwierdził, że konwersacyjna AI może pomóc rekrutacji docierać do kandydatów na dużą skalę i zwiększać efektywność usług, a nie tylko zastępować ludzi. Aby domknąć pętlę biznesową, trzeba jeszcze gromadzić dane branżowe, porządkować biznes wokół kandydata jako podmiotu, pomagać agentowi budować długoterminową pamięć oraz wokół rzeczywistych zdarzeń biznesowych, takich jak rozmowa kwalifikacyjna i onboarding, wspierać AI w ciągłej ocenie i optymalizacji jakości usług.
Z wystąpień czterech gości widać, że choć wymagania różnych branż wobec konwersacyjnej AI się różnią, wszystkie wskazują ten sam kierunek: AI musi nie tylko umieć rozmawiać, lecz także rozumieć rzeczywiste scenariusze, integrować się z istniejącymi procesami biznesowymi i niezawodnie realizować zadania. Wraz z ciągłym rozwojem interakcji w czasie rzeczywistym, percepcji multimodalnej i zdolności wykonawczych agentów konwersacyjna AI ma szansę stać się z narzędzia interakcji ważną siłą łączącą świat cyfrowy ze światem fizycznym i napędzającą funkcjonowanie biznesu.
Od interakcji w czasie rzeczywistym do inteligencji w czasie rzeczywistym — otwarcie następnego rozdziału dialogowego AGI
Od zaproponowanych przez Zhao Bina ram pięciu poziomów zdolności dialogowych po dwie dyskusje panelowe o osobistych agentach i rzeczywistym wdrażaniu biznesowym — główne forum iRTE2026 ukazuje wyraźny trend branżowy: konkurencja w konwersacyjnej AI rozszerza się z podstawowych możliwości modeli na rozumienie kontekstu, interakcję w czasie rzeczywistym, poznanie złożonych relacji i realizację zadań.
Gdy AI nie ogranicza się już do biernego odpowiadania, lecz potrafi stale rozumieć człowieka, aktywnie uczestniczyć w wymianie i realizować zadania w rzeczywistych scenariuszach, technologia interakcji w czasie rzeczywistym przejmie jeszcze głębszą misję.
W obliczu kolejnego etapu dialogowego AGI Agora będzie nadal wspólnie z deweloperami i partnerami branżowymi badać fuzję interakcji w czasie rzeczywistym i generatywnej AI, promując bardziej naturalne i efektywne doświadczenia interakcji w czasie rzeczywistym między ludźmi oraz między człowiekiem a agentem.
