23. oktobra je v Pekingu potekala konferenca iRTE2026 o inteligentnih komunikacijah v realnem času. Ustanovitelj in CEO podjetja Agora Zhao Bin je imel na glavnem forumu govor z naslovom »Dialog z AGI: naslednje poglavje interakcij v realnem času«, v katerem se je ozrl na ključne spremembe v preteklem letu na področju interakcij v realnem času, pogovorne umetne inteligence in temeljne infrastrukture ter predstavil okvir »petih ravni pogovornih zmožnosti«, ki orisuje razvojno pot pogovorne umetne inteligence od osnovnega odzivanja k poglobljenemu razumevanju in odnosnemu komuniciranju.
Zhao Bin meni, da se z razvojem umetne inteligence od odgovarjanja na vprašanja k nenehnemu komuniciranju, razumevanju konteksta in izvajanju nalog subjekt interakcij v realnem času širi od človeka do človeka na človeka in agenta. Vloga tehnologije interakcij v realnem času se temu ustrezno širi: ne le da mora zagotavljati stabilnejši in tekočejši prenos informacij, temveč mora zagotavljati tudi podporo v realnem času za zaznavanje, razumevanje, izražanje in delovanje umetne inteligence.
Od »vprašanje-odgovor« do poglobljenega odnosnega komuniciranja: petstopenjski razvoj dialoga z AGI
Po mnenju Zhaa Bina napredka pogovorne umetne inteligence ne bi smeli meriti le s hitrostjo odgovorov in naravnostjo jezika. Pomembneje je, ali lahko razume namen, položaj in odnos sogovornika, ali se zna v zapletenih scenarijih ustrezno izražati in postopoma oblikovati dolgoročno, poglobljeno razumevanje.
Na podlagi te presoje je Zhao Bin v govoru predstavil okvir »petih ravni pogovornih zmožnosti«, ki pogovorne zmožnosti razdeli na pet ravni:
L1, izražanje z lastne perspektive: pretežno samoizražanje in pasivno nadaljevanje, uresničevanje »vprašanje-odgovor«.
L2: izražanje na podlagi vzorcev interakcije: od pasivnega odzivanja k aktivnemu izražanju, da je pogovor bolj naraven in povezan.
L3: komuniciranje na podlagi individualnega spoznanja: razumevanje posameznikove identitete, namena in položaja ter komuniciranje, prilagojeno posamezniku.
L4: komuniciranje na podlagi skupnostnega spoznanja: razumevanje družbenih odnosov in razlik v vlogah ter prilagajanje zapletenim scenarijem komuniciranja v skupini.
L5: komuniciranje na podlagi poglobljenega odnosa: razumevanje dolgoročnega konteksta in razvoja odnosa, oblikovanje globljega razumevanja in miselne usklajenosti, da komunikacija od razumevanja trenutka preide k razumevanju človeka.
Teh pet ravni ne prikazuje le postopnega krepitve pogovorne tehnologije, temveč tudi spreminjanje odnosa med umetno inteligenco in človekom: od dokončanja enega kroga vprašanj in odgovorov, do razumevanja posameznika, do razumevanja odnosov med ljudmi in nazadnje do poglobljene komunikacije, ki presega čas in situacijo.
Zhao Bin poudarja, da se pogovorna umetna inteligenca razvija od zgodnjih pasivnih interakcij k bolj aktivnemu, naravnejšemu poldupleksnemu pogovoru in začenja poskušati razumeti človekovo osebnost, položaj, čustva in odnose. V prihodnosti bo morala umetna inteligenca preseči razdelitev vlog in komunikacijski red v zapletenih družbenih scenarijih ter dodatno razumeti kontekst, ki ga posameznik dolgoročno gradi. To je tudi pomembna razvojna smer dialoga z AGI: umetna inteligenca ne bo le razumela ene povedi, temveč bo lahko ob upoštevanju celotnega konteksta razumela resnični namen človeka in se ustrezno odzvala.
Real-Time AI Infra: ključna infrastruktura za podporo dialogu z AGI
Nenehen razvoj pogovornih zmožnosti postavlja višje zahteve tudi pred temeljno tehnologijo. Zhao Bin je v govoru omenil, da je v preteklem letu globlje uvajanje tehnologije WebRTC s strani podjetij, kot je OpenAI, spodbudilo širšo pozornost in uporabo tehnologije interakcij v realnem času na področju pogovorne umetne inteligence. Z razvojem umetne inteligence od enkratnih vprašanj in odgovorov k nenehnim interakcijam infrastruktura za interakcije v realnem času postaja pomembna tehnološka podpora, ki povezuje modele, ogrodja za delovanje agentov in uporabnike.
V primerjavi s tradicionalnimi aplikacijami umetne inteligence imajo pogovorni scenariji strožje zahteve glede zakasnitve, stabilnosti in dvosmerne interakcije. Umetna inteligenca mora hkrati sprejemati uporabnikove vnose, razumeti kontekst in oblikovati odgovor, po potrebi pa se mora kadar koli odzvati na prekinitve ter nenehno uporabljati orodja in nadaljevati naloge. Vsaka opazna zakasnitev v katerem koli členu lahko poruši naravnost pogovora ali celo vpliva na dokončanje naloge.
Za podporo tem zahtevam je Zhao Bin predstavil smer infrastrukture za inteligentne interakcije v realnem času: z globalnim omrežjem za prenos v realnem času, distribuiranim sklepanjem v oblaku, na robu in na napravah ter zmožnostmi realnočasovnega orkestriranja in poldupleksne interakcije omogočiti modelom in agentom nenehno sodelovanje v resničnih scenarijih. Tudi pogovorni motor podjetja Agora temelji na poldupleksni interakciji ter povezuje modele, ogrodja za delovanje agentov in uporabnike ter podpira stabilno, sinhrono izkušnjo pogovora v realnem času.
Hkrati Agora nenehno za razvijalce izpopolnjuje razvojna orodja in komplete za pogovorno umetno inteligenco ter s kombinacijo zmogljivosti, kot so SDK, Skills, orodja CLI in Recipes, pomaga razvijalcem učinkoviteje graditi agente s celovito logiko in izvršilnimi zmožnostmi.
Od storitev za stranke in izobraževanja do spremljanja z umetno inteligenco in pametnih nosljivih naprav Zhao Bin meni, da pogovorna umetna inteligenca vstopa v vse več resničnih scenarijev. Ali lahko umetna inteligenca resnično ustvari vrednost, ni odvisno le od tega, ali model »zna govoriti«, temveč tudi od tega, ali zna razumeti potrebe, naravno komunicirati in dosledno dokončevati naloge. Tehnologija interakcij v realnem času bo v tem procesu igrala vse pomembnejšo vlogo.
Nato je glavni arhitekt pri NVIDIA in sopredsedujoči delovne skupine za video kodeke pri AOMedia Andrey Norkin predstavil govor o tehnologiji video kodiranja in dekodiranja AV2.
Okrogla miza: bo osebni agent postal vstopna točka naslednje generacije?
V prvi okrogli mizi, ki jo je vodil soustanovitelj Agore Tony Wang, so produktni vodja interaktivnih medijev in tehnološki bloger Eugene Wei, tehnološki samomedijski ustvarjalec in voditelj podkasta »Luanfanshu« Pan Luan ter ustanovitelj strojne opreme AIoT in samomedijski ustvarjalec o umetni inteligenci na napravah Hua Jianxin razpravljali o temi »Osebni agent: od novega orodja do nove vstopne točke?«.
Od telefonov, očal in slušalk do vse več nosljivih naprav osebni agenti znova spodbujajo razmislek industrije o vstopni točki za človeško-računalniško interakcijo naslednje generacije. Pan Luan meni, da lahko osebni agent prinese paradigmatski premik: vrednost produktov umetne inteligence se premika od tekmovanja za uporabnikovo pozornost k pomoči uporabnikom pri učinkovitejšem dokončevanju nalog. Prihodnji osebni agent ne bo le odzival na jasne ukaze, temveč bo moral prevzemati naloge tudi proaktivno ter uporabnikom pomagati pri zadevah, ki imajo jasen cilj, a niso vredne veliko časa.
Glede strojne opreme za osebno rabo naslednje generacije Hua Jianxin meni, da prihodnja vstopna točka morda ne bo v lasti ene same vrste naprave; priložnost imajo očala, slušalke in druga strojna oprema, ki lahko zaznava okolje in izvaja naloge. Meni, da mora osebni agent ne le razumeti uporabnika, temveč tudi prek fizičnih naprav nenehno zaznavati resnični svet in ukrepati, kar odpira nov razvojni prostor za različne oblike strojne opreme.
Eugene Wei je razpravo usmeril k vrednosti »konteksta«: ali lahko osebni agent resnično razume uporabnikove interese, komunikacijske zapise in družbene odnose, bo vplivalo na to, ali lahko postane dragocena osebna vstopna točka. Pri merjenju, ali nova vstopna točka deluje, je predlagal tudi spremljanje vsakodnevnih interakcij uporabnikov z agentom ter tega, ali uporabniki pogosteje iščejo agenta ali agent pogosteje išče uporabnike. Okrogla miza je nato razpravljala še o produktni vrednosti osebnih agentov, oblikah strojne opreme in prihodnjih merilih.
Okrogla miza: od »zna klepetati« do »zna opraviti«, kako pogovorna umetna inteligenca ustvarja resnično vrednost?
V drugi okrogli mizi, ki jo je vodil glavni komercialni direktor Agore Cui Bo, so ustanovitelj Xiejue Intelligent Chen Wei, ustanovitelj Guanke Technology Geng Xianglei, soustanovitelj in vodja ekosistema Rokid Leqi Cai Guoxiang ter CEO Titan Qiming Wu Kan iz različnih scenarijev, kot so utelešena inteligenca, pametne nosljive naprave, poslovno trženje in zaposlovanje z umetno inteligenco, razpravljali o pogovorni umetni inteligenci: kaj poganja interakcijo med človekom in agentom naslednje generacije.
Chen Wei meni, da je ključ utelešene inteligence v tem, da se človekov namen resnično prenese v delovanje robota. Robot ne sme le razumeti glasovnih ukazov, temveč mora združevati tudi večmodalne informacije, kot so vid, glas in lastno stanje, ter dokončati zaznavanje, načrtovanje in odločanje o fizičnem okolju ter nenehno prilagajati izvajanje nalog glede na spremembe okolja po delovanju. V primerjavi z izvajanjem vnaprej določenih predstavitvenih nalog je za robota pomembneje, da v odprtem okolju nenehno razume resnične potrebe ljudi in da je delovanje vedno usklajeno s človekovim namenom. Xiejue Intelligent razvija nov paradigmatski temeljni model utelešene inteligence Duplex Reasoning, katerega cilj je poenotiti interakcijo in delovanje robota.
Cai Guoxiang je iz prakse očal z umetno inteligenco poudaril, da je pogovorna izkušnja osrednja konkurenčna prednost pametnih nosljivih naprav z umetno inteligenco. Dejal je, da ne glede na to, kako zmogljiva sta strojna oprema in umetna inteligenca v ozadju, bo uporabniška izkušnja neposredno prizadeta, če pogovor ne bo dovolj naraven. V prihodnosti bodo morale pametne nosljive naprave z umetno inteligenco z nizko zakasnitvijo, stabilno interakcijo v realnem času ter razumevanjem semantike in dolgoročnega konteksta doseči, da uporabniki postopoma ne bodo več čutili, da se pogovarjajo z umetno inteligenco. Predstavil je tudi prakso, da pomočnik Rokid Leqi AI uporablja Agorin RTC storitveni kanal, in izrazil prepričanje, da bodo očala z umetno inteligenco postala pomembna osebna vstopna točka v dobi umetne inteligence.
V poslovnih scenarijih je Geng Xianglei poudaril, da mora glasovni agent umetne inteligence za zanesljivo poslovno izvedbo rešiti vprašanja zakasnitve, trenutka prekinitve in personifikacije, pri čemer lahko zakasnitev celo neposredno vpliva na rezultat naloge. Pri trženju B2B je treba umetno inteligenco povezati s strokovnim znanjem panoge in sodelovanjem ljudi, da se bolje zagotovijo poslovni rezultati. Wu Kan je na podlagi prakse zaposlovanja z umetno inteligenco dejal, da lahko pogovorna umetna inteligenca pomaga pri zaposlovanju doseči kandidate v velikem obsegu in izboljša učinkovitost storitev, ne da bi preprosto nadomestila ljudi. Za sklenjen poslovni krog je treba še zbrati podatke panoge, urediti poslovanje s kandidatom kot središčem, pomagati agentu zgraditi dolgoročni spomin in ob dejanskih poslovnih dogodkih, kot sta razgovor in zaposlitev, podpreti umetno inteligenco pri nenehnem ocenjevanju in izboljševanju kakovosti storitev.
Iz predstavitev štirih gostov je razvidno, da se zahteve različnih panog do pogovorne umetne inteligence sicer razlikujejo, a vse kažejo v isto smer: umetna inteligenca ne sme le komunicirati, temveč mora razumeti resnične scenarije, se vključiti v obstoječe poslovne procese in zanesljivo dokončati naloge. Z nadaljnjim razvojem interakcij v realnem času, večmodalnega zaznavanja in izvršilnih zmožnosti agentov lahko pogovorna umetna inteligenca od interakcijskega orodja postane pomembna sila, ki povezuje digitalni in fizični svet ter poganja poslovanje.
Od interakcij v realnem času k inteligenci v realnem času: odpiranje naslednjega poglavja dialoga z AGI
Od okvira petih ravni pogovornih zmožnosti, ki ga je predstavil Zhao Bin, do razprav na dveh okroglih mizah o osebnih agentih in resnični poslovni uporabi je glavni forum iRTE2026 pokazal jasen industrijski trend: konkurenca na področju pogovorne umetne inteligence se širi od temeljnih zmogljivosti modelov na razumevanje konteksta, interakcije v realnem času, spoznavanje zapletenih odnosov in izvajanje nalog.
Ko se umetna inteligenca ne bo več omejevala na pasivno odgovarjanje, temveč bo lahko nenehno razumela ljudi, proaktivno sodelovala v komunikaciji in dokončevala naloge v resničnih scenarijih, bo tudi tehnologija interakcij v realnem času prevzela globlje poslanstvo.
Za naslednjo stopnjo dialoga z AGI bo Agora še naprej skupaj z razvijalci in partnerji iz panoge raziskovala povezovanje interakcij v realnem času z generativno umetno inteligenco ter spodbujala naravnejšo in učinkovitejšo izkušnjo interakcij v realnem času med ljudmi ter med ljudmi in agenti.
