Noong Oktubre 23, ginanap sa Beijing ang iRTE2026 Real-Time Intelligence Conference. Nagbigay ng talumpati sa pangunahing forum si Zhao Bin, founder at CEO ng Agora, na may pamagat na "Pakikipag-usap sa AGI: Ang Susunod na Kabanata ng Real-Time Interaction," kung saan binilang niya ang mga mahahalagang pagbabago sa real-time interaction, conversational AI, at underlying infrastructure sa nakaraang taon, at inilahad ang "limang antas ng kakayahan sa pakikipag-usap" na framework, na nagbabalangkas sa ebolusyon ng conversational AI mula sa basic na pagsagot patungo sa malalim na pag-unawa at relasyonal na komunikasyon.
Naniniwala si Zhao Bin na habang ang AI ay lumilipat mula sa pagsagot ng mga tanong patungo sa patuloy na pakikipag-usap, pag-unawa sa konteksto, at pagsasagawa ng mga gawain, ang object ng real-time interaction ay lumalawak mula sa tao-tao patungo sa tao-Agent. Ang papel ng real-time interaction technology ay umaabot din: hindi lamang ito kailangang gawing mas stable at mas maayos ang paghahatid ng impormasyon, kundi kailangan din nitong magbigay ng real-time na suporta para sa perception, pag-unawa, pagpapahayag, at aksyon ng AI.
Mula sa "tanong isa, sagot isa" patungo sa malalim na relasyonal na komunikasyon: ang limang antas ng ebolusyon ng conversational AGI
Para kay Zhao Bin, ang progreso ng conversational AI ay hindi dapat masukat lamang sa bilis ng pagsagot at naturalness ng wika. Mas mahalaga, kung kaya nitong maunawaan ang intensyon, sitwasyon, at relasyon ng kausap, kung kaya nitong magpahayag nang angkop sa mga kumplikadong senaryo, at unti-unting bumuo ng pangmatagalan at malalim na pag-unawa.
Batay sa pananaw na ito, inilahad ni Zhao Bin sa kanyang talumpati ang "limang antas ng kakayahan sa pakikipag-usap" na framework, na naghahati sa kakayahan sa pakikipag-usap sa limang antas:
L1, pagpapahayag batay sa sariling perspektibo: pangunahing nakatuon sa pagpapahayag ng sarili at pasibong pagpapatuloy, na nagtatamo ng "tanong isa, sagot isa."
L2: pagpapahayag batay sa mga pattern ng interaksyon: mula sa pasibong pagtugon patungo sa aktibong pagpapahayag, na ginagawang mas natural at tuloy-tuloy ang usapan.
L3: komunikasyon batay sa indibidwal na kognisyon: pag-unawa sa pagkakakilanlan, intensyon, at sitwasyon ng indibidwal, na nagtatamo ng komunikasyong iba-iba depende sa tao.
L4: komunikasyon batay sa kognisyon ng grupo: pag-unawa sa mga relasyong panlipunan at pagkakaiba ng papel, na umaangkop sa kumplikadong multi-person na senaryo ng komunikasyon.
L5: komunikasyon batay sa malalim na relasyon: pag-unawa sa pangmatagalang konteksto at ebolusyon ng relasyon, na bumubuo ng mas malalim na pag-unawa at mental na pagkakatugma, na nagdadala sa komunikasyon mula sa pag-unawa sa kasalukuyan patungo sa pag-unawa sa isang tao.
Ang limang antas na ito ay nagpapakita hindi lamang ng unti-unting paglakas ng teknolohiya ng pakikipag-usap, kundi ng pagbabago ng relasyon sa pagitan ng AI at tao: mula sa pagkumpleto ng isang round ng tanong-sagot, patungo sa pag-unawa sa isang tao, at pagkatapos ay pag-unawa sa relasyon ng tao sa tao, hanggang sa tuluyang bumuo ng malalim na komunikasyon na tumatawid sa oras at konteksto.
Itinuro ni Zhao Bin na ang conversational AI ay lumilipat mula sa maagang pasibong pagpapatuloy na interaksyon patungo sa mas aktibo at mas natural na full-duplex na pag-uusap, at nagsisimula nang subukang maunawaan ang personalidad, sitwasyon, emosyon, at relasyon ng tao. Para sa hinaharap, kailangan pa ring lampasan ng AI ang paghahati ng papel at kaayusan ng komunikasyon sa kumplikadong senaryo ng lipunan, at mas maunawaan ang pangmatagalang konteksto na naipon ng indibidwal. Ito rin ay isang mahalagang direksyon ng pag-unlad ng conversational AGI: hindi lamang naiintindihan ng AI ang isang pangungusap, kundi nakakabit din nito ang kumpletong konteksto upang maunawaan ang tunay na intensyon ng isang tao at makapagbigay ng angkop na tugon.
Real-Time AI Infra: Ang mahalagang imprastraktura na sumusuporta sa conversational AGI
Ang patuloy na ebolusyon ng kakayahan sa pakikipag-usap ay naglalagay din ng mas mataas na pangangailangan sa underlying technology. Binanggit ni Zhao Bin sa kanyang talumpati na sa nakaraang taon, ang malalim na pag-adopt ng mga kumpanya tulad ng OpenAI sa WebRTC technology ay nagtulak sa real-time interaction technology na makakuha ng mas malawak na atensyon at aplikasyon sa larangan ng conversational AI. Habang ang AI ay lumilipat mula sa single-turn na tanong-sagot patungo sa patuloy na interaksyon, ang real-time interaction infrastructure ay nagiging mahalagang teknolohikal na suporta na nag-uugnay sa mga modelo, agent runtime framework, at mga user.
Kumpara sa tradisyonal na AI application, ang senaryo ng pakikipag-usap ay may mas mahigpit na pangangailangan sa latency, stability, at two-way interaction. Kailangan ng AI na tanggapin ang input ng user habang naiintindihan ang konteksto, inaayos ang tugon, at kung kinakailangan ay handang harapin ang interruption anumang oras, at patuloy na tumatawag ng mga tool at nagpapatuloy ng mga gawain. Anumang malinaw na latency sa anumang bahagi ay maaaring makasira sa naturalness ng usapan, at maaaring makaapekto pa sa kung makukumpleto ang gawain.
Upang suportahan ang mga pangangailangang ito, ipinakilala ni Zhao Bin ang direksyon ng infrastructure para sa real-time intelligent interaction: sa pamamagitan ng global real-time transmission network, distributed cloud-edge-device joint inference, real-time orchestration, at full-duplex interaction capabilities, upang ang mga modelo at Agent ay makapagtulungan nang tuloy-tuloy sa mga totoong senaryo. Ang conversational AI engine ng Agora ay nakasentro rin sa full-duplex interaction, na nag-uugnay sa mga modelo, Agent runtime framework, at mga user, upang suportahan ang stable at synchronous na real-time na karanasan sa pakikipag-usap.
Kasabay nito, patuloy na pinapabuti ng Agora ang mga tool at development kit para sa conversational AI para sa mga developer, na pinagsasama ang SDK, Skills, CLI tools, at Recipes at iba pang kakayahan, upang matulungan ang mga developer na mas mahusay na bumuo ng Agent na may kumpletong lohika at kakayahan sa pagpapatupad.
Mula sa customer service, edukasyon hanggang sa AI companionship at smart wearable, naniniwala si Zhao Bin na ang conversational AI ay pumapasok sa mas maraming totoong senaryo. Kung tunay na makakalikha ng halaga ang AI ay hindi lamang nakadepende sa kung "marunong magsalita" ang modelo, kundi sa kung kaya nitong maunawaan ang pangangailangan, natural na makipag-usap, at patuloy na makumpleto ang mga gawain. Ang real-time interaction technology ay gaganap ng mas mahalagang papel sa prosesong ito.
Kasunod nito, nagbigay ng talumpati si Andrey Norkin, Chief Architect ng NVIDIA at co-chair ng AOMedia Video Codec Working Group, tungkol sa AV2 video codec technology.
Roundtable dialogue: Magiging susunod na personal entry point ba ang personal agent?
Sa unang roundtable na pinangunahan ni Tony Wang, co-founder ng Agora, tinalakay nina Eugene Wei, product manager ng interactive media at tech blogger, Pan Luan, tech self-media personality at host ng podcast na "Luan Fan Shu," at Hua Jianxin, AIoT hardware entrepreneur at host ng end-side AI self-media, ang paksang "Personal Agent: Mula sa Bagong Tool patungo sa Bagong Entry Point?"
Mula sa mobile phone, salamin, earphone hanggang sa mas maraming wearable device, muling pinupukaw ng personal agent ang pag-iisip ng industriya tungkol sa susunod na henerasyon ng human-computer interaction entry point. Naniniwala si Pan Luan na ang personal agent ay maaaring magdala ng isang paradigm shift: ang halaga ng AI products ay lumilipat mula sa pag-agaw ng atensyon ng user patungo sa pagtulong sa user na mas mahusay na makumpleto ang mga gawain. Ang hinaharap na personal agent ay hindi lamang dapat tumugon sa malinaw na utos, kundi dapat ding aktibong kumuha ng mga gawain, upang matulungan ang user na pangasiwaan ang mga bagay na may malinaw na layunin ngunit hindi sulit paglaanan ng malaking oras.
Para sa susunod na henerasyon ng personal hardware, iminungkahi ni Hua Jianxin na ang hinaharap na entry point ay maaaring hindi monopolisado ng isang uri ng device; ang salamin, earphone, at iba pang hardware na kayang mag-perceive ng kapaligiran at magsagawa ng mga gawain ay may pagkakataon. Naniniwala siya na ang personal agent ay hindi lamang kailangang maunawaan ang user, kundi kailangan din nitong patuloy na ma-perceive ang totoong mundo sa pamamagitan ng pisikal na device at kumilos, na nagdadala ng bagong espasyo sa pag-unlad para sa iba't ibang anyo ng hardware.
Dinala naman ni Eugene Wei ang talakayan sa halaga ng "konteksto": kung tunay na maiintindihan ng personal agent ang interes, talaan ng komunikasyon, at relasyong panlipunan ng user ay makakaapekto sa kung ito ay magiging isang mahalagang personal entry point. Sa pagsukat kung matatag ang isang bagong entry point, iminungkahi rin niya na maaaring tingnan ang interaksyon ng user sa Agent araw-araw, at kung mas madalas bang aktibong hinahanap ng user ang Agent, o mas madalas bang aktibong hinahanap ng Agent ang user. Mula dito, mas napalalim ng roundtable ang talakayan tungkol sa halaga ng produkto, anyo ng hardware, at pamantayan sa pagsukat sa hinaharap ng personal agent.
Roundtable dialogue: Mula sa "marunong makipag-chat" patungo sa "marunong gumawa," paano lumilikha ng tunay na halaga ang conversational AI?
Sa ikalawang roundtable na pinangunahan ni Cui Bo, Chief Commercial Officer ng Agora, tinalakay nina Chen Wei, founder ng Xieyue Intelligence, Geng Xianglei, founder ng Guanke Technology, Cai Guoxiang, co-founder at ecosystem head ng Rokid Leqi, at Wu Kan, CEO ng Titan Qiming, mula sa iba't ibang senaryo tulad ng embodied intelligence, smart wearable, enterprise marketing, at AI recruitment, ang conversational AI: pagtutulak sa susunod na henerasyon ng interaksyon ng tao at Agent.
Naniniwala si Chen Wei na ang susi sa embodied intelligence ay gawing tunay na aksyon ng robot ang intensyon ng tao. Ang robot ay hindi lamang kailangang maunawaan ang voice command, kundi kailangan din nitong pagsamahin ang visual, voice, at sariling estado at iba pang multimodal na impormasyon, upang makumpleto ang perception, planning, at decision-making sa pisikal na kapaligiran, at patuloy na ayusin ang pagpapatupad ng gawain batay sa pagbabago ng kapaligiran pagkatapos ng aksyon. Kaysa sa pagkumpleto ng preset na demonstration task, mas mahalaga para sa robot na patuloy na maunawaan ang tunay na pangangailangan ng tao sa open environment, upang ang aksyon ay laging naaayon sa intensyon ng tao.Ang Duplex Reasoning na bagong paradigm ng embodied foundation model na binuo ng Xieyue Intelligence ay naglalayong matamo ang integrasyon ng interaksyon at aksyon ng robot.
Mula naman sa kasanayan ng AI glasses, binigyang-diin ni Cai Guoxiang na ang karanasan sa pakikipag-usap ay ang pangunahing kompetisyon ng AI wearable device. Sinabi niya na gaano man kalakas ang hardware at ang AI capability sa likod nito, kung hindi sapat na natural ang usapan, direktang maaapektuhan ang karanasan ng user. Sa hinaharap, ang AI wearable device ay kailangang sa pamamagitan ng low-latency at stable na real-time interaction, at pag-unawa sa semantics at pangmatagalang konteksto, unti-unting hindi na maramdaman ng user na nakikipag-usap siya sa AI. Ibinahagi rin niya ang kasanayan ng Rokid Leqi AI assistant na gumagamit ng RTC link service ng Agora, at optimistic siya na ang AI glasses ay magiging mahalagang personal entry point sa AI era.
Sa senaryo ng enterprise application, itinuro ni Geng Xianglei na upang makapaghatid ng maaasahang business delivery ang AI voice agent, kailangang lutasin ang mga isyu tulad ng latency, timing ng interruption, at humanization, kung saan ang latency ay maaaring direktang makaapekto sa resulta ng gawain. Para sa To B marketing, kailangan ding pagsamahin ng AI ang industry knowledge system at human collaboration, upang mas mahusay na matiyak ang business result. Si Wu Kan naman, batay sa kasanayan sa AI recruitment, ay nagsabi na ang conversational AI ay makakatulong sa recruitment business na maabot nang malakihan ang mga job seeker at mapabuti ang efficiency ng serbisyo, sa halip na simpleng palitan ang tao. Upang makabuo ng business loop, kailangan ding i-deposito ang industry data, ayusin ang business gamit ang job seeker bilang本体, tulungan ang Agent na bumuo ng pangmatagalang memorya, at nakasentro sa mga totoong business event tulad ng pagharap sa interview at pagpasok sa trabaho, upang matulungan ang AI na patuloy na suriin at i-optimize ang kalidad ng serbisyo.
Mula sa pagbabahagi ng apat na bisita, makikita na bagama't may pagkakaiba ang mga pangangailangan ng iba't ibang industriya sa conversational AI, lahat sila ay tumuturo sa isang direksyon: ang AI ay hindi lamang dapat makipag-usap, kundi dapat ding maunawaan ang totoong senaryo, maisama sa umiiral na business process, at mapagkakatiwalaang makumpleto ang mga gawain. Sa patuloy na pag-unlad ng real-time interaction, multimodal perception, at kakayahan sa pagpapatupad ng Agent, ang conversational AI ay inaasahang magiging mahalagang puwersa na nag-uugnay sa digital world at physical world, at nagtutulak sa pagpapatakbo ng negosyo.
Mula sa real-time interaction patungo sa real-time intelligence, buksan ang susunod na kabanata ng conversational AGI
Mula sa limang antas ng kakayahan sa pakikipag-usap na framework na inilahad ni Zhao Bin, hanggang sa dalawang roundtable na talakayan tungkol sa personal agent at tunay na business implementation, ang pangunahing forum ng iRTE2026 ay nagpakita ng malinaw na trend ng industriya: ang kompetisyon ng conversational AI ay lumalawak mula sa basic model capability patungo sa context understanding, real-time interaction, kognisyon sa kumplikadong relasyon, at task execution.
Kapag ang AI ay hindi na limitado sa pasibong pagsagot, kundi kayang patuloy na maunawaan ang tao, aktibong makilahok sa komunikasyon, at makumpleto ang mga gawain sa totoong senaryo, ang real-time interaction technology ay tatanggap din ng mas malalim na misyon.
Para sa susunod na yugto ng conversational AGI, patuloy na gagalugarin ng Agora ang mga developer at industry partner sa pagtuklas ng integrasyon ng real-time interaction at generative AI, upang itulak ang mas natural at mas mahusay na real-time interaction experience sa pagitan ng tao-tao at tao-Agent.
