Il 23 ottobre si è tenuto a Pechino l'iRTE2026, la Conferenza sull'Intelligenza in Tempo Reale. Zhao Bin, fondatore e CEO di Agora, ha pronunciato un discorso in sessione plenaria dal titolo "Dialogo con l'AGI: il prossimo capitolo dell'interazione in tempo reale", ripercorrendo i cambiamenti chiave dell'ultimo anno nell'interazione in tempo reale, nell'AI conversazionale e nell'infrastruttura sottostante, e ha proposto il framework delle "cinque livelli di capacità dialogica", delineando il percorso evolutivo dell'AI conversazionale dalla risposta di base verso la comprensione profonda e la comunicazione relazionale.
Secondo Zhao Bin, man mano che l'AI passa dal rispondere a domande alla comunicazione continua, alla comprensione del contesto e all'esecuzione di compiti, l'oggetto dell'interazione in tempo reale si sta estendendo dalle persone alle persone e agli Agent. Di conseguenza, anche il ruolo della tecnologia di interazione in tempo reale si amplia: non deve solo rendere la trasmissione delle informazioni più stabile e fluida, ma anche fornire supporto in tempo reale alla percezione, comprensione, espressione e azione dell'AI.
Da "una domanda, una risposta" alla comunicazione relazionale profonda: le cinque fasi evolutive dell'AGI conversazionale
Secondo Zhao Bin, il progresso dell'AI conversazionale non dovrebbe essere misurato solo dalla velocità di risposta o dalla naturalezza del linguaggio. Ciò che conta di più è se riesce a comprendere l'intento, la situazione e la relazione dell'interlocutore, se sa esprimersi in modo appropriato in scenari complessi e se può sviluppare gradualmente una comprensione profonda e duratura.
Partendo da questa valutazione, Zhao Bin ha proposto nel suo discorso il framework delle "cinque capacità dialogiche", suddividendo la capacità dialogica in cinque livelli:
L1, espressione basata sulla propria prospettiva: prevalentemente autoespressione e continuazione passiva, realizzando "una domanda, una risposta".
L2: espressione basata sulle regole dell'interazione: dalla risposta passiva all'espressione proattiva, rendendo il dialogo più naturale e coerente.
L3: comunicazione basata sulla cognizione individuale: comprendere l'identità, l'intento e la situazione dell'individuo, realizzando una comunicazione personalizzata.
L4: comunicazione basata sulla cognizione di gruppo: comprendere le relazioni sociali e le differenze di ruolo, adattandosi a scenari complessi di comunicazione tra più persone.
L5: comunicazione basata sulla relazione profonda: comprendere il contesto a lungo termine e l'evoluzione delle relazioni, formando una comprensione più profonda e un'intesa mentale, facendo sì che la comunicazione passi dalla comprensione del momento alla comprensione di una persona.
Questi cinque livelli mostrano non solo il potenziamento graduale della tecnologia dialogica, ma anche il cambiamento della relazione tra AI e persone: dal completare un turno di domanda e risposta, alla comprensione di una persona, alla comprensione delle relazioni tra persone, fino a formare una comunicazione profonda che attraversa tempo e contesti.
Zhao Bin ha sottolineato che l'AI conversazionale sta passando dalle prime interazioni di continuazione passiva verso un dialogo full-duplex più proattivo e naturale, e inizia a tentare di comprendere la personalità, la situazione, le emozioni e le relazioni delle persone. Guardando al futuro, l'AI dovrà anche superare la divisione dei ruoli e l'ordine comunicativo in scenari sociali complessi, e comprendere ulteriormente il contesto accumulato nel lungo periodo da un individuo. Questa è anche un'importante direzione di sviluppo dell'AGI conversazionale: l'AI non solo può capire una singola frase, ma può anche comprendere il vero intento di una persona combinando il contesto completo e rispondere in modo appropriato.
Real-Time AI Infra: l'infrastruttura chiave a supporto dell'AGI conversazionale
L'evoluzione continua della capacità dialogica impone requisiti più elevati anche alle tecnologie sottostanti. Zhao Bin ha menzionato nel suo discorso che, nell'ultimo anno, l'adozione approfondita della tecnologia WebRTC da parte di aziende come OpenAI ha favorito un'attenzione e un'applicazione più ampie della tecnologia di interazione in tempo reale nel campo dell'AI conversazionale. Man mano che l'AI passa dalle domande e risposte a turno singolo all'interazione continua, l'infrastruttura di interazione in tempo reale sta diventando un importante supporto tecnico che collega modelli, framework di esecuzione degli agenti e utenti.
Rispetto alle applicazioni AI tradizionali, gli scenari conversazionali hanno requisiti più severi in termini di latenza, stabilità e interazione bidirezionale. L'AI deve ricevere l'input dell'utente, comprendere il contesto, organizzare la risposta e, se necessario, gestire in qualsiasi momento le interruzioni, continuando a richiamare strumenti e portare avanti i compiti. Qualsiasi ritardo significativo in un passaggio può compromettere la naturalezza della conversazione e persino influire sul completamento del compito.
Per supportare queste esigenze, Zhao Bin ha illustrato la direzione dell'infrastruttura per l'interazione intelligente in tempo reale: attraverso una rete globale di trasmissione in tempo reale, l'inferenza congiunta distribuita cloud-edge-device, l'orchestrazione in tempo reale e le capacità di interazione full-duplex, consentire a modelli e Agent di collaborare continuamente in scenari reali. Anche il motore di AI conversazionale di Agora pone al centro l'interazione full-duplex, collegando modelli, framework di esecuzione degli Agent e utenti, per supportare un'esperienza di dialogo in tempo reale stabile e sincronizzata.
Allo stesso tempo, Agora continua a perfezionare per gli sviluppatori strumenti e kit di sviluppo per l'AI conversazionale, integrando SDK, Skills, strumenti CLI e Recipes per aiutare gli sviluppatori a costruire in modo più efficiente Agent dotati di logica completa e capacità esecutive.
Dal servizio clienti all'istruzione, fino all'accompagnamento con AI e ai dispositivi indossabili intelligenti, Zhao Bin ritiene che l'AI conversazionale stia entrando in un numero sempre maggiore di scenari reali. Se l'AI possa creare davvero valore non dipende solo dal fatto che il modello "sappia parlare", ma anche dalla sua capacità di comprendere le esigenze, comunicare in modo naturale e portare a termine i compiti in modo continuativo. La tecnologia di interazione in tempo reale svolgerà un ruolo sempre più importante in questo processo.
Successivamente, Andrey Norkin, capo architetto di NVIDIA e co-presidente del gruppo di lavoro sulla codifica video di AOMedia, ha tenuto un intervento sulla tecnologia di codec video AV2.
Tavola rotonda: l'agente personale diventerà il punto di accesso personale della prossima generazione?
Nella prima tavola rotonda, moderata da Tony Wang, co-fondatore di Agora, Eugene Wei, product manager di interactive media e blogger tecnologico, Pan Luan, creator di media tecnologici e conduttore del podcast "Luan Fan Shu", e Hua Jianxin, imprenditore nel settore hardware AIoT e creator di media sul tema dell'AI on-device, hanno discusso sul tema "Agente personale: da nuovo strumento a nuovo punto di accesso?".
Dal telefono agli occhiali, dalle cuffie a un numero sempre maggiore di dispositivi indossabili, gli agenti personali stanno riportando il settore a riflettere sul punto di accesso dell'interazione uomo-macchina della prossima generazione. Pan Luan ritiene che l'agente personale possa portare a un cambio di paradigma: il valore dei prodotti AI si sta spostando dalla contesa dell'attenzione dell'utente all'aiutare l'utente a completare i compiti in modo più efficiente. L'agente personale del futuro non dovrebbe solo rispondere a istruzioni esplicite, ma anche assumersi proattivamente compiti, aiutando l'utente a gestire quelle attività con obiettivi chiari ma che non meritano un grande investimento di tempo.
Riguardo all'hardware personale della prossima generazione, Hua Jianxin ha proposto che il futuro punto di accesso potrebbe non essere monopolizzato da un singolo tipo di dispositivo: occhiali, cuffie e altri hardware in grado di percepire l'ambiente ed eseguire compiti hanno tutti opportunità. Ritiene che l'agente personale non debba solo comprendere l'utente, ma anche percepire continuamente il mondo reale attraverso dispositivi fisici e agire, il che offre nuovo spazio di sviluppo a hardware di forme diverse.
Eugene Wei ha invece spostato la discussione sul valore del "contesto": se l'agente personale possa comprendere davvero gli interessi dell'utente, le registrazioni delle comunicazioni e le relazioni sociali influenzerà la sua capacità di diventare un punto di accesso personale di valore. Nel valutare se un nuovo punto di accesso sia sostenibile, ha anche suggerito di osservare l'interazione quotidiana degli utenti con l'Agent e se siano più gli utenti a cercare attivamente l'Agent o l'Agent a cercare attivamente gli utenti. La tavola rotonda ha così approfondito il valore di prodotto degli agenti personali, le forme hardware e i futuri criteri di valutazione.
Tavola rotonda: da "saper chiacchierare" a "saper fare", come l'AI conversazionale crea valore reale?
Nella seconda tavola rotonda, moderata da Cui Bo, chief commercial officer di Agora, Chen Wei, fondatore di Xieyue Intelligence, Geng Xianglei, fondatore di Guanke Technology, Cai Guoxiang, co-fondatore e responsabile dell'ecosistema di Rokid, e Wu Kan, CEO di Titan Qiming, partendo da scenari diversi come l'intelligenza embodied, i dispositivi indossabili intelligenti, il marketing aziendale e il reclutamento con AI, hanno esplorato l'AI conversazionale: motore dell'interazione uomo-Agent della prossima generazione.
Chen Wei ritiene che la chiave dell'intelligenza embodied sia trasformare davvero l'intento umano in azione del robot. Il robot non deve solo comprendere i comandi vocali, ma anche integrare informazioni multimodali come visione, voce e stato proprio, per completare la percezione, la pianificazione e le decisioni sull'ambiente fisico, e adattare continuamente l'esecuzione dei compiti in base ai cambiamenti dell'ambiente dopo l'azione. Rispetto al completamento di compiti dimostrativi preimpostati, è più importante che il robot comprenda continuamente le reali esigenze delle persone in ambienti aperti, mantenendo l'azione sempre coerente con l'intento umano. Xieyue Intelligence sta sviluppando Duplex Reasoning, un modello fondamentale embodied con un nuovo paradigma, volto a realizzare l'integrazione tra interazione e azione del robot.
Cai Guoxiang, partendo dalla pratica degli occhiali AI, ha sottolineato che l'esperienza conversazionale è la competitività centrale dei dispositivi indossabili AI. Ha affermato che, per quanto potenti siano l'hardware e le capacità AI sottostanti, se la conversazione non è abbastanza naturale, l'esperienza utente ne risentirà direttamente. In futuro, i dispositivi indossabili AI dovranno, attraverso un'interazione in tempo reale a bassa latenza e stabile, nonché la comprensione semantica e del contesto a lungo termine, far sì che gli utenti smettano gradualmente di percepire di stare dialogando con un'AI. Ha inoltre condiviso la pratica dell'assistente AI di Rokid che utilizza il servizio di collegamento RTC di Agora, e si è detto fiducioso che gli occhiali AI diventeranno un importante punto di accesso personale nell'era dell'AI.
Negli scenari applicativi aziendali, Geng Xianglei ha indicato che, per garantire una consegna affidabile del servizio, gli operatori vocali AI devono risolvere problemi come la latenza, il momento dell'interruzione e l'umanizzazione, dove la latenza può persino influire direttamente sul risultato del compito. Per il marketing B2B, l'AI deve inoltre integrarsi con il sistema di conoscenze del settore e la collaborazione umana per garantire meglio i risultati aziendali. Wu Kan, partendo dalla pratica del reclutamento con AI, ha affermato che l'AI conversazionale può aiutare il settore del reclutamento a raggiungere su larga scala i candidati e migliorare l'efficienza del servizio, senza sostituire semplicemente il personale. Per formare un ciclo di business completo, è inoltre necessario accumulare dati di settore, organizzare il business ponendo il candidato al centro, aiutare l'Agent a costruire una memoria a lungo termine e, attorno a eventi aziendali reali come il colloquio e l'assunzione, assistere l'AI nella valutazione e ottimizzazione continua della qualità del servizio.
Dalle condivisioni dei quattro ospiti si può vedere che, sebbene le esigenze dell'AI conversazionale variano tra i diversi settori, convergono tutti in una direzione: l'AI non deve solo saper comunicare, ma anche comprendere scenari reali, integrarsi nei processi aziendali esistenti e completare i compiti in modo affidabile. Con lo sviluppo continuo dell'interazione in tempo reale, della percezione multimodale e delle capacità esecutive degli Agent, l'AI conversazionale potrà passare da strumento di interazione a forza importante che collega il mondo digitale e il mondo fisico e promuove l'operatività del business.
Dall'interazione in tempo reale all'intelligenza in tempo reale: aprire il prossimo capitolo dell'AGI conversazionale
Dal framework delle cinque capacità dialogiche proposto da Zhao Bin alle due tavole rotonde sugli agenti personali e sull'implementazione reale del business, la sessione plenaria di iRTE2026 ha presentato una chiara tendenza del settore: la competizione nell'AI conversazionale si sta estendendo dalle capacità dei modelli di base alla comprensione del contesto, all'interazione in tempo reale, alla cognizione di relazioni complesse e all'esecuzione dei compiti.
Quando l'AI non si limiterà più a rispondere passivamente, ma sarà in grado di comprendere continuamente le persone, partecipare attivamente alla comunicazione e completare compiti in scenari reali, anche la tecnologia di interazione in tempo reale assumerà una missione più profonda.
Guardando alla prossima fase dell'AGI conversazionale, Agora continuerà a esplorare insieme a sviluppatori e partner del settore l'integrazione tra interazione in tempo reale e AI generativa, promuovendo esperienze di interazione in tempo reale più naturali ed efficienti tra persone e tra persone e Agent.
