Október 23-án Pekingben rendezték meg az iRTE2026 Real-Time Intelligence Conference-et. Zhao Bin, a Shengwang alapítója és vezérigazgatója a főfórumon „Beszélgetés az AGI-val: A valós idejű interakció következő fejezete” címmel tartott előadást, amelyben áttekintette az elmúlt év kulcsfontosságú változásait a valós idejű interakció, a konverzációs AI és az alapinfrastruktúra terén, valamint bemutatta az „öt szintű beszélgetési képesség” keretrendszert, amely felvázolja a konverzációs AI fejlődési útját az alapvető válaszadástól a mély megértés és a kapcsolati kommunikáció felé.
Zhao Bin szerint, ahogy az AI a kérdések megválaszolásától a folyamatos kommunikáció, a kontextus megértése és a feladatok végrehajtása felé halad, a valós idejű interakció alanya az ember-ember közötti interakcióról az ember-Agent közötti interakcióra is kiterjed. A valós idejű interakciós technológia szerepe is ennek megfelelően bővül: nemcsak az információátadást kell stabilabbá és gördülékenyebbé tennie, hanem valós idejű támogatást kell nyújtania az AI észleléséhez, megértéséhez, kifejezéséhez és cselekvéséhez.
A „kérdezz egyet, válaszolj egyet” módtól a mély kapcsolati kommunikációig: a konverzációs AGI öt szintű evolúciója
Zhao Bin szerint a konverzációs AI fejlődését nem csak a válaszadási sebességgel és a nyelvi természetességgel kell mérni. Ennél fontosabb, hogy képes-e megérteni a beszélgetőpartner szándékát, helyzetét és kapcsolatát, képes-e megfelelően kifejezni magát összetett helyzetekben, és fokozatosan hosszú távú, elmélyült megértést kialakítani.
E megállapítás köré építve Zhao Bin előadásában bemutatta az „öt szintű beszélgetési képesség” keretrendszert, amely a beszélgetési képességet öt szintre osztja:
L1, saját nézőponton alapuló kifejezés: elsősorban önkifejezés és passzív folytatás, „kérdezz egyet, válaszolj egyet” megvalósítása.
L2: interakciós mintákon alapuló kifejezés: a passzív válaszadástól az aktív kifejezés felé haladás, hogy a beszélgetés természetesebb és koherensebb legyen.
L3: egyéni kogníción alapuló kommunikáció: az egyén identitásának, szándékának és helyzetének megértése, személyre szabott kommunikáció megvalósítása.
L4: csoportos kogníción alapuló kommunikáció: a társadalmi kapcsolatok és szerepkülönbségek megértése, alkalmazkodás összetett több személyes kommunikációs helyzetekhez.
L5: mély kapcsolaton alapuló kommunikáció: a hosszú távú kontextus és a kapcsolatfejlődés megértése, mélyebb megértés és gondolati összhang kialakítása, hogy a kommunikáció a jelen megértésétől egy ember megértése felé haladjon.
Ez az öt szint nem csupán a beszélgetési technológia fokozatos erősödését mutatja be, hanem az AI és az ember közötti kapcsolat változását is: egy kérdés-válasz kör befejezésétől egy ember megértéséig, majd az emberek közötti kapcsolatok megértéséig, végül az időn és helyzeten átívelő mély kommunikáció kialakulásáig.
Zhao Bin rámutatott, hogy a konverzációs AI a korai passzív folytató interakciótól a proaktívabb, természetesebb full-duplex beszélgetés felé fejlődik, és elkezdi megérteni az ember személyiségét, helyzetét, érzelmeit és kapcsolatait. A jövő felé haladva az AI-nak át kell törnie az összetett társadalmi helyzetekben megjelenő szerepmegosztást és kommunikációs rendet, és tovább kell fejlesztenie az egyén hosszú távon felhalmozott kontextusának megértését. Ez a konverzációs AGI fontos fejlődési iránya is: az AI nemcsak egy mondatot képes megérteni, hanem a teljes kontextus alapján meg tudja érteni az ember valódi szándékát, és megfelelő választ tud adni.
Real-Time AI Infra: a konverzációs AGI kulcsfontosságú infrastruktúrája
A beszélgetési képességek folyamatos fejlődése magasabb követelményeket támaszt az alapvető technológiákkal szemben is. Zhao Bin előadásában megemlítette, hogy az elmúlt évben az OpenAI és más vállalatok WebRTC-technológia iránti mélyebb elköteleződése elősegítette, hogy a valós idejű interakciós technológia szélesebb körű figyelmet és alkalmazást kapjon a konverzációs AI területén. Ahogy az AI az egyszeri kérdés-válaszból a folyamatos interakció felé halad, a valós idejű interakciós infrastruktúra a modellek, az intelligens ügynökök futtatási keretrendszerei és a felhasználók közötti kapcsolat fontos technológiai támaszává válik.
A hagyományos AI-alkalmazásokhoz képest a beszélgetési helyzetek szigorúbb követelményeket támasztanak a késleltetéssel, a stabilitással és a kétirányú interakcióval szemben. Az AI-nak egyidejűleg kell fogadnia a felhasználói bemenetet, megértenie a kontextust, megszerveznie a választ, szükség esetén bármikor kezelnie kell a megszakításokat, és folyamatosan eszközöket kell hívnia és feladatokat kell végrehajtania. Bármely lépésben fellépő jelentős késleltetés tönkreteheti a beszélgetés természetességét, sőt a feladat befejezését is befolyásolhatja.
E követelmények támogatására Zhao Bin bemutatta a valós idejű intelligens interakcióra irányuló infrastruktúra irányvonalát: globális valós idejű átviteli hálózat, elosztott felhő-él-eszköz együttes következtetés, valós idejű orchestráció és full-duplex interakciós képességek révén lehetővé tenni, hogy a modellek és Agentek valós helyzetekben folyamatosan együttműködjenek. A Shengwang konverzációs AI-motorja is a full-duplex interakciót helyezi középpontba, összekapcsolva a modelleket, az Agent futtatási keretrendszereket és a felhasználókat, stabil és szinkronizált valós idejű beszélgetési élményt támogatva.
Ezzel egyidejűleg a Shengwang folyamatosan fejleszti a fejlesztők számára a konverzációs AI fejlesztőeszközeit és fejlesztői csomagjait, ötvözve az SDK, Skills, CLI-eszközök és Recipes képességeit, hogy segítse a fejlesztőket hatékonyabban felépíteni a teljes logikával és végrehajtási képességgel rendelkező Agenteket.
Az ügyfélszolgálattól az oktatáson át az AI-társaságig és az intelligens viselhető eszközökig Zhao Bin szerint a konverzációs AI egyre több valós helyzetbe lép be. Az, hogy az AI képes-e valódi értéket teremteni, nemcsak attól függ, hogy a modell „tud-e beszélni”, hanem attól is, hogy képes-e megérteni az igényeket, természetesen kommunikálni és folyamatosan befejezni a feladatokat. A valós idejű interakciós technológia ebben a folyamatban egyre fontosabb szerepet fog játszani.
Ezt követően Andrey Norkin, a NVIDIA vezető építésze és az AOMedia videokodek munkacsoport társelnöke tartott előadást az AV2 videokodek-technológiáról.
Kerekasztal-beszélgetés: A személyes intelligens ügynök lesz-e a következő generáció személyes belépési pontja?
A Shengwang társalapítója, Tony Wang által moderált első kerekasztal-beszélgetésen Eugene Wei interaktív médiatermékmenedzser és techblogger, Pan Luan techmédia-személyiség és a „Luan Fan Shu” podcast műsorvezetője, valamint Hua Jianxin AIoT hardveres vállalkozó és edge AI médiaszemélyiség a „Személyes intelligens ügynök: az új eszköztől az új belépési pontig?” témáról beszélgettek.
A mobiltelefonoktól a szemüvegeken és fülhallgatókon át a több hordozható eszközig a személyes intelligens ügynökök újra felvetik az iparágban a következő generációs ember-gép interakciós belépési pont kérdését. Pan Luan szerint a személyes intelligens ügynök paradigmaváltást hozhat: az AI-termékek értéke a felhasználói figyelem megszerzéséért folytatott versenyből a felhasználók hatékonyabb feladatvégzésének segítése felé tolódik. A jövő személyes intelligens ügynökének nemcsak egyértelmű utasításokra kell reagálnia, hanem proaktívan feladatokat is kell vállalnia, segítve a felhasználót azoknak a dolgoknak az elintézésében, amelyek célja egyértelmű, de nem érdemes sok időt rájuk fordítani.
A következő generációs személyes hardverrel kapcsolatban Hua Jianxin felvetette, hogy a jövőbeli belépési pontot nem feltétlenül egyetlen eszköztípus uralja majd; a szemüvegeknek, fülhallgatóknak és más, a környezetet érzékelni és feladatokat végrehajtani képes hardvereknek is lehetőségük van. Szerinte a személyes intelligens ügynöknek nemcsak meg kell értenie a felhasználót, hanem fizikai eszközökön keresztül folyamatosan érzékelnie kell a valós világot és cselekednie kell, ami új fejlődési teret nyit a különböző hardverformák számára.
Eugene Wei a „kontextus” értékére terelte a vitát: az, hogy a személyes intelligens ügynök képes-e valóban megérteni a felhasználó érdeklődését, kommunikációs előzményeit és társadalmi kapcsolatait, befolyásolja, hogy értékes személyes belépési ponttá válhat-e. Annak mérésére, hogy egy új belépési pont életképes-e, azt is javasolta, hogy figyeljük meg a felhasználók napi Agent-interakcióit, és azt, hogy inkább a felhasználó keresi-e az Agentet, vagy inkább az Agent keresi a felhasználót. A kerekasztal így tovább tárgyalta a személyes intelligens ügynökök termékértékét, hardverformáit és jövőbeli mérési szempontjait.
Kerekasztal-beszélgetés: A „csevegni tudás”-tól a „dolgokat elintézni tudás”-ig – hogyan teremt valódi értéket a konverzációs AI?
A Shengwang kereskedelmi vezetője, Cui Bo által moderált második kerekasztal-beszélgetésen Chen Wei, a Xieyue Intelligence alapítója, Geng Xianglei, a Guanke Technology alapítója, Cai Guoxiang, a Rokid Leqi társalapítója és ökoszisztéma-vezetője, valamint Wu Kan, a Titan Qiming vezérigazgatója a testet öltött intelligencia, az intelligens viselhető eszközök, a vállalati marketing és az AI-alapú toborzás különböző helyzeteiből kiindulva tárgyalta a konverzációs AI-t: a következő generációs ember-Agent interakció hajtóerejét.
Chen Wei szerint a testet öltött intelligencia kulcsa, hogy az ember szándéka valóban a robot cselekvésévé váljon. A robotnak nemcsak a hangutasításokat kell megértenie, hanem a látás, a hang és saját állapota multimodalitású információit is integrálnia kell, hogy elvégezze a fizikai környezet észlelését, tervezését és döntéshozatalát, és a cselekvés utáni környezeti változások alapján folyamatosan módosítsa a feladatvégrehajtást. Az előre beállított demonstrációs feladatok elvégzésénél fontosabb, hogy a robot nyílt környezetben folyamatosan megértse az ember valódi igényeit, és a cselekvés mindig összhangban legyen az ember szándékával. A Xieyue Intelligence által fejlesztett Duplex Reasoning új paradigmájú testet öltött alapmodell célja a robot interakciójának és cselekvésének integrálása.
Cai Guoxiang az AI-szemüvegek gyakorlatából kiindulva hangsúlyozta, hogy a beszélgetési élmény az AI-viselhető eszközök kulcsfontosságú versenyképessége. Elmondta, hogy függetlenül attól, mennyire erős a hardver és a mögötte álló AI-képesség, ha a beszélgetés nem elég természetes, a felhasználói élmény közvetlenül károsodik. A jövőben az AI-viselhető eszközöknek alacsony késleltetésű, stabil valós idejű interakcióval, valamint a szemantika és a hosszú távú kontextus megértésével el kell érniük, hogy a felhasználók fokozatosan ne is érezzék, hogy éppen AI-val beszélgetnek. Megosztotta a Rokid Leqi AI-asszisztens Shengwang RTC-összeköttetési szolgáltatás használatának gyakorlatát is, és bizakodó azzal kapcsolatban, hogy az AI-szemüvegek az AI-korszak fontos személyes belépési pontjává válnak.
A vállalati alkalmazási helyzetekben Geng Xianglei rámutatott, hogy az AI hangasszisztensnek a megbízható üzleti teljesítéshez meg kell oldania a késleltetés, a megszakítás időzítése és az emberszerűség kérdéseit, amelyek közül a késleltetés akár közvetlenül befolyásolhatja a feladat eredményét. A B2B marketingben az AI-nak az iparági tudásbázissal és az emberi együttműködéssel is ötvöznie kell magát, hogy jobban biztosítsa az üzleti eredményeket. Wu Kan az AI-alapú toborzás gyakorlatából kiindulva elmondta, hogy a konverzációs AI segíthet a toborzási üzletágnak nagy léptékben elérni a munkakeresőket és növelni a szolgáltatási hatékonyságot, nem pedig egyszerűen helyettesíteni az emberi munkát. Az üzleti ciklus lezárásához iparági adatok felhalmozása, a munkakeresőt középpontba helyező üzleti szemlélet kialakítása, az Agent hosszú távú memóriájának kiépítése, valamint a tényleges üzleti események – például az interjúra jelentkezés és a munkába állás – köré épülő folyamatos AI-értékelés és szolgáltatásoptimalizálás szükséges.
A négy vendég beszámolójából látszik, hogy bár a különböző iparágak eltérő követelményeket támasztanak a konverzációs AI-val szemben, mindannyian ugyanabba az irányba mutatnak: az AI-nak nemcsak kommunikálnia kell tudnia, hanem meg kell értenie a valós helyzeteket, be kell illeszkednie a meglévő üzleti folyamatokba, és megbízhatóan be kell fejeznie a feladatokat. Ahogy a valós idejű interakció, a multimodális észlelés és az Agent végrehajtási képességei folyamatosan fejlődnek, a konverzációs AI várhatóan az interakciós eszközből a digitális és fizikai világot összekötő, az üzleti működést előmozdító fontos erővé válik.
A valós idejű interakciótól a valós idejű intelligenciáig: a konverzációs AGI következő fejezetének megnyitása
Zhao Bin öt szintű beszélgetési képesség keretrendszerétől a két kerekasztal személyes intelligens ügynökökről és a valós üzleti megvalósításról szóló vitájáig az iRTE2026 főfórum egyértelmű iparági trendet mutat: a konverzációs AI versenye az alapmodell-képességektől a kontextus megértése, a valós idejű interakció, az összetett kapcsolatok kogníciója és a feladatvégrehajtás felé terjed ki.
Amikor az AI már nem korlátozódik a passzív válaszadásra, hanem folyamatosan meg tudja érteni az embert, proaktívan részt tud venni a kommunikációban, és valós helyzetekben be tudja fejezni a feladatokat, a valós idejű interakciós technológia mélyebb küldetést is vállal.
A konverzációs AGI következő szakasza felé a Shengwang továbbra is együtt fog探索ni a fejlesztőkkel és iparági partnerekkel a valós idejű interakció és a generatív AI integrációjában, előmozdítva az ember-ember és ember-Agent közötti természetesebb, hatékonyabb valós idejű interakciós élményt.
