На 23 октомври в Пекин се проведе iRTE2026, конференцията за интелигентни системи в реално време. Основателят и главен изпълнителен директор на Shengwang Джао Бин изнесе реч на основния форум, озаглавена „Диалог с AGI: Следващата глава на взаимодействието в реално време“, в която направи преглед на ключовите промени през изминалата година в областта на взаимодействието в реално време, разговорния AI и основната инфраструктура, и представи рамката „Пет нива на разговорни способности“, очертаваща еволюционния път на разговорния AI от базово реагиране към дълбоко разбиране и комуникация, изградена върху взаимоотношения.
Джао Бин смята, че с преминаването на AI от отговаряне на въпроси към непрекъснат обмен, разбиране на контекста и изпълнение на задачи, обектът на взаимодействието в реално време се разширява от човек към човек до човек към агент. Ролята на технологията за взаимодействие в реално време също се разширява: тя трябва не само да осигурява по-стабилно и по-плавно предаване на информация, но и да предоставя подкрепа в реално време за възприятието, разбирането, изразяването и действията на AI.
От „задай въпрос – получи отговор“ до дълбока комуникация, изградена върху взаимоотношения: петте нива на еволюция на разговорния AGI
Според Джао Бин напредъкът на разговорния AI не бива да се измерва само със скоростта на отговора и естествеността на езика. По-важно е дали той може да разбере намеренията, ситуацията и взаимоотношенията на събеседника, дали може да се изразява подходящо в сложни сценарии и постепенно да изгражда дългосрочно, задълбочено разбиране.
Въз основа на тази преценка Джао Бин представи в речта си рамката „Пет нива на разговорни способности“, която разделя разговорните способности на пет нива:
L1, изразяване от собствена гледна точка: основава се предимно на самовизразяване и пасивно продължаване, осъществявайки „задай въпрос – получи отговор“.
L2: изразяване, основано на закономерностите на взаимодействието: преминаване от пасивно реагиране към активно изразяване, което прави разговора по-естествен и свързан.
L3: комуникация, основана на индивидуалното познание: разбиране на идентичността, намеренията и ситуацията на индивида, осъществяване на комуникация, съобразена с конкретния човек.
L4: комуникация, основана на груповото познание: разбиране на социалните отношения и ролевите различия, адаптиране към сложни сценарии на многостранна комуникация.
L5: комуникация, основана на дълбоки взаимоотношения: разбиране на дългосрочния контекст и еволюцията на взаимоотношенията, формиране на по-задълбочено разбиране и мисловна синхронност, което позволява на комуникацията да премине от разбиране на настоящето към разбиране на човека.
Тези пет нива показват не само постепенното усъвършенстване на разговорната технология, но и промяната във взаимоотношенията между AI и човека: от завършване на един цикъл въпрос-отговор, през разбиране на един човек, до разбиране на отношенията между хората и в крайна сметка формиране на дълбока комуникация, надхвърляща времето и контекста.
Джао Бин посочи, че разговорният AI преминава от ранното пасивно продължаващо взаимодействие към по-активен, по-естествен дуплексен разговор и започва да се опитва да разбира индивидуалността, ситуацията, емоциите и взаимоотношенията на човека. В бъдеще AI трябва да преодолее и ролевото разпределение и комуникационния ред в сложни социални сценарии, както и да разбира допълнително дългосрочно натрупания контекст на индивида. Това е и важна посока на развитие на разговорния AGI: AI не само може да разбере едно изречение, но и да разбере истинското намерение на човека в пълния контекст и да реагира подходящо.
Real-Time AI Infra: ключовата инфраструктура в подкрепа на разговорния AGI
Непрекъснатата еволюция на разговорните способности поставя по-високи изисквания и към базовите технологии. Джао Бин спомена в речта си, че през изминалата година задълбоченото внедряване на технологията WebRTC от компании като OpenAI доведе до по-широко внимание и приложение на технологията за взаимодействие в реално време в областта на разговорния AI. С преминаването на AI от еднократен въпрос-отговор към непрекъснато взаимодействие инфраструктурата за взаимодействие в реално време се превръща във важна технологична опора, свързваща моделите, рамките за работа на агентите и потребителите.
В сравнение с традиционните AI приложения, разговорните сценарии имат по-строги изисквания към закъснението, стабилността и двупосочното взаимодействие. AI трябва едновременно да приема потребителския вход, да разбира контекста, да организира отговора, при необходимост да реагира на прекъсвания по всяко време и непрекъснато да извиква инструменти и да продължава задачите. Всяко значително закъснение в което и да е звено може да наруши естествеността на разговора и дори да повлияе на изпълнението на задачата.
За да подкрепи тези изисквания, Джао Бин представи насоките за инфраструктура, ориентирана към интелигентно взаимодействие в реално време: чрез глобална мрежа за предаване в реално време, разпределено съвместно инференция в облака, периферията и устройствата, оркестрация в реално време и дуплексни способности за взаимодействие, моделите и агентите да могат непрекъснато да си сътрудничат в реални сценарии. Разговорният AI引擎 на Shengwang също така, с дуплексното взаимодействие като ядро, свързва моделите, рамките за работа на агентите и потребителите, подкрепяйки стабилно, синхронизирано изживяване на разговор в реално време.
В същото време Shengwang непрекъснато усъвършенства инструментите и комплектите за разработка на разговорен AI за разработчиците, съчетавайки SDK, Skills, CLI инструменти и Recipes и други възможности, за да помогне на разработчиците по-ефективно да изграждат агенти с пълна логика и способности за изпълнение.
От обслужване на клиенти и образование до AI спътничество и интелигентни носими устройства, Джао Бин смята, че разговорният AI навлиза в още повече реални сценарии. Дали AI може наистина да създава стойност зависи не само от това дали моделът „умее да говори“, но и от това дали може да разбере нуждите, да комуникира естествено и непрекъснато да изпълнява задачи. Технологията за взаимодействие в реално време ще играе все по-важна роля в този процес.
След това главният архитект на NVIDIA и съпредседател на работната група за видео кодеци на AOMedia Андрей Норкин изнесе реч за технологията за видео кодек AV2.
Кръгла маса: Ще се превърне ли личният агент в следващата поколенческа входна точка?
В първата кръгла маса, moderated от съоснователя на Shengwang Тони Уанг, продуктовият мениджър на интерактивни медии и технологичен блогър Юджийн Уей, технологичният самоиздател и водещ на подкаста „Луан Фан Шу“ Пан Луан, както и предприемачът в областта на AIoT хардуер и водещ на самоиздателско съдържание за периферни AI системи Хуа Дзиенсин, обсъдиха темата „Личният агент: от нов инструмент до нова входна точка?“.
От телефони, очила и слушалки до все повече носими устройства, личните агенти отново провокират индустрията да се замисли за входната точка на следващото поколение човеко-компютърно взаимодействие. Пан Луан смята, че личните агенти може да донесат промяна на парадигмата: стойността на AI продуктите се измества от борбата за вниманието на потребителя към помощ за по-ефективно изпълнение на задачи. Бъдещият личен агент не само трябва да реагира на ясни команди, но и да поема инициатива за задачи, помагайки на потребителя да се справя с онези дейности, които имат ясна цел, но не заслужават влагането на много време.
По отношение на следващото поколение личен хардуер Хуа Дзиенсин заяви, че бъдещата входна точка не е задължително да бъде монополизирана от едно устройство – очилата, слушалките и други хардуери, способни да възприемат средата и да изпълняват задачи, имат своите шансове. Според него личният агент не само трябва да разбира потребителя, но и чрез физически устройства непрекъснато да възприема реалния свят и да предприема действия, което открива ново пространство за развитие пред различните форми на хардуер.
Юджийн Уей насочи дискусията към стойността на „контекста“: дали личният агент може наистина да разбере интересите, комуникационната история и социалните отношения на потребителя, ще повлияе на това дали може да се превърне в ценна лична входна точка. При преценката дали новата входна точка е жизнеспособна той предложи да се обърне внимание на ежедневното взаимодействие на потребителя с агента, както и на това дали потребителят по-често търси агента, или агентът по-често търси потребителя. Така кръглата маса продължи да обсъжда продуктовата стойност, хардуерните форми и бъдещите критерии за оценка на личните агенти.
Кръгла маса: От „умее да разговаря“ до „умее да свърши работа“ – как разговорният AI създава реална стойност?
Във втората кръгла маса, moderated от главния търговски директор на Shengwang Цуей Бо, основателят на Xieyue Intelligence Чен Уей, основателят на Guanke Technology Гън Сянлей, съоснователят и ръководител на екосистемата на Rokid Leqi Цай Госян, както и главният изпълнителен директор на Titan Qiming У Кан, изхождайки от различни сценарии като вграден интелект, интелигентни носими устройства, корпоративен маркетинг и AI набиране на персонал, обсъдиха разговорния AI: движещата сила на следващото поколение взаимодействие човек–агент.
Чен Уей смята, че ключът при вградения интелект е намеренията на човека наистина да се превръщат в действия на робота. Роботът не само трябва да разбира гласови команди, но и да интегрира мултимодална информация като зрение, глас и собственото си състояние, за да осъществи възприятие, планиране и вземане на решения относно физическата среда и непрекъснато да коригира изпълнението на задачите според промените в средата след действието. В сравнение с изпълнението на предварително зададени демонстрационни задачи, за робота е по-важно в отворена среда непрекъснато да разбира реалните нужди на човека, така че действията винаги да съответстват на човешките намерения. Xieyue Intelligence разработва нова парадигма за вграден базов модел – Duplex Reasoning, целящ интегриране на взаимодействието и действията на робота.
Цай Госян, изхождайки от практиката с AI очила, подчерта, че изживяването при разговор е основната конкурентна сила на AI носимите устройства. Той заяви, че колкото и мощни да са хардуерът и стоящите зад него AI способности, ако разговорът не е достатъчно естествен, потребителското изживяване ще бъде пряко засегнато. В бъдеще AI носимите устройства чрез ниска латентност, стабилно взаимодействие в реално време, както и разбиране на семантиката и дългосрочния контекст, трябва постепенно да доведат до това потребителят да не усеща, че разговаря с AI. Той също сподели практиката на AI асистента на Rokid Leqi, който използва RTC каналните услуги на Shengwang, и изрази оптимизъм, че AI очилата ще се превърнат във важна лична входна точка в ерата на AI.
В корпоративните сценарии Гън Сянлей посочи, че за да предоставя надеждно обслужване, AI гласовият агент трябва да реши проблеми като закъснение, момент на прекъсване и хуманизация, като закъснението дори може пряко да повлияе на резултата от задачата. За B2B маркетинга AI трябва да се съчетае с отрасловата система от знания и човешкото сътрудничество, за да се гарантират по-добре бизнес резултатите. У Кан, изхождайки от практиката с AI набиране на персонал, заяви, че разговорният AI може да помогне на бизнеса с набирането да достигне до кандидати в голям мащаб и да повиши ефективността на услугите, а не просто да замени хората. За да се оформи затворен бизнес цикъл, е необходимо да се натрупат отраслови данни, да се структурира бизнесът около кандидата като основен субект, да се помогне на агента да изгради дългосрочна памет и около реални бизнес събития като явяване на интервю и постъпване на работа да се подпомага AI при непрекъсната оценка и оптимизация на качеството на услугата.
От споделеното от четиримата гости се вижда, че макар изискванията на различните индустрии към разговорния AI да се различават, те сочат в една посока: AI трябва не само да може да общува, но и да разбира реални сценарии, да се вгражда в съществуващите бизнес процеси и надеждно да изпълнява задачи. С непрекъснатото развитие на взаимодействието в реално време, мултимодалното възприятие и способностите за изпълнение на агентите, разговорният AI има потенциала да прерасне от инструмент за взаимодействие във важна сила, свързваща цифровия и физическия свят и движеща работата на бизнеса.
От взаимодействие в реално време към интелигентност в реално време – откриване на следващата глава на разговорния AGI
От рамката за пет нива на разговорни способности, предложена от Джао Бин, до двете кръгли маси за личните агенти и реализацията в реален бизнес, основният форум на iRTE2026 очерта ясна индустриална тенденция: конкуренцията при разговорния AI се разширява от базовите способности на моделите към разбиране на контекста, взаимодействие в реално време, разпознаване на сложни взаимоотношения и изпълнение на задачи.
Когато AI вече не се ограничава до пасивно отговаряне, а може непрекъснато да разбира човека, активно да участва в общуването и да изпълнява задачи в реални сценарии, технологията за взаимодействие в реално време ще поеме и по-дълбока мисия.
Обръщайки се към следващия етап на разговорния AGI, Shengwang ще продължи заедно с разработчиците и индустриалните партньори да изследва интеграцията на взаимодействието в реално време и генеративния AI, насърчавайки по-естествено и по-ефективно изживяване на взаимодействие в реално време между хората и между човека и агента.
