23. října se v Pekingu konala konference iRTE2026 o inteligentních real-time technologiích. Zhao Bin, zakladatel a CEO společnosti Agora, přednesl na hlavním fóru projev s názvem „Dialog s AGI: další kapitola real-time interakce“, v němž zhodnotil klíčové změny za uplynulý rok v oblasti real-time interakce, konverzační AI a základní infrastruktury a představil rámec „pěti úrovní dialogových schopností“, který načrtává evoluční cestu konverzační AI od základního odpovídání k hlubokému porozumění a vztahové komunikaci.
Zhao Bin se domnívá, že s tím, jak se AI posouvá od odpovídání na otázky k nepřetržité komunikaci, chápání kontextu a vykonávání úkolů, se objekt real-time interakce rozšiřuje z člověka na člověka na člověka a agenta. Role technologií real-time interakce se tomu úměrně rozšiřuje: nejde jen o to, aby přenos informací byl stabilnější a plynulejší, ale také o to, aby poskytovaly real-time podporu pro vnímání, porozumění, vyjadřování a jednání AI.
Od „otázka a odpověď“ k hluboké vztahové komunikaci: pět úrovní evoluce dialogu s AGI
Podle Zhao Bina by se pokrok konverzační AI neměl měřit pouze rychlostí odpovědí a přirozeností jazyka. Důležitější je, zda dokáže pochopit záměr, situaci a vztah komunikačního partnera, zda se dokáže vhodně vyjadřovat ve složitých scénářích a postupně vytvářet dlouhodobé a hluboké porozumění.
Na základě tohoto úsudku Zhao Bin ve svém projevu představil rámec „pěti úrovní dialogových schopností“, který rozděluje dialogové schopnosti do pěti vrstev:
L1, vyjadřování z vlastní perspektivy: převážně sebevyjádření a pasivní navazování, realizace „otázka a odpověď“.
L2: vyjadřování založené na zákonitostech interakce: od pasivního reagování k aktivnímu vyjadřování, aby byl dialog přirozenější a plynulejší.
L3: komunikace založená na individuálním poznání: porozumění identitě, záměru a situaci jednotlivce, komunikace přizpůsobená každému jedinci.
L4: komunikace založená na skupinovém poznání: porozumění sociálním vztahům a rozdílům v rolích, přizpůsobení se složitým scénářům komunikace více osob.
L5: komunikace založená na hlubokém vztahu: porozumění dlouhodobému kontextu a vývoji vztahů, vytváření hlubšího porozumění a myšlenkové souznění, posun komunikace od chápání přítomnosti k chápání člověka.
Těchto pět úrovní ukazuje nejen postupné posilování dialogových technologií, ale také proměnu vztahu mezi AI a člověkem: od dokončení jednoho kola otázek a odpovědí k pochopení jednoho člověka, od pochopení člověka k pochopení vztahů mezi lidmi, až k vytvoření hluboké komunikace překračující čas a situaci.
Zhao Bin uvedl, že konverzační AI se vyvíjí z rané pasivně navazující interakce k aktivnějšímu a přirozenějšímu plně duplexnímu dialogu a začíná se pokoušet porozumět osobnosti, situaci, emocím a vztahům člověka. Do budoucna musí AI překonat také rozdělení rolí a komunikační řád ve složitých sociálních scénářích a dále porozumět kontextu, který si jedinec dlouhodobě vytváří. To je také důležitý směr vývoje dialogu s AGI: AI dokáže nejen porozumět jedné větě, ale také na základě úplného kontextu pochopit skutečný záměr člověka a vhodně reagovat.
Real-Time AI Infra: klíčová infrastruktura podporující dialog s AGI
Nepřetržitá evoluce dialogových schopností klade vyšší nároky také na základní technologie. Zhao Bin ve svém projevu zmínil, že v uplynulém roce hlubší přijetí technologie WebRTC ze strany společností, jako je OpenAI, přispělo k tomu, že se technologiím real-time interakce v oblasti konverzační AI dostalo širší pozornosti a uplatnění. S tím, jak se AI posouvá od jednostupňových otázek a odpovědí k nepřetržité interakci, se infrastruktura real-time interakce stává důležitou technologickou podporou propojující modely, rámce pro provoz agentů a uživatele.
Ve srovnání s tradičními AI aplikacemi kladou dialogové scénáře přísnější požadavky na latenci, stabilitu a obousměrnou interakci. AI musí současně přijímat vstup od uživatele, rozumět kontextu, organizovat odpověď, v případě potřeby kdykoli reagovat na přerušení a nepřetržitě volat nástroje a posouvat úkoly. Jakékoli výrazné zpoždění v kterémkoli článku může narušit přirozenost dialogu a dokonce ovlivnit dokončení úkolu.
Pro podporu těchto potřeb Zhao Bin představil směr infrastruktury pro real-time inteligentní interakci: prostřednictvím globální real-time přenosové sítě, distribuovaného společného odvozování v cloudu, na okraji sítě a na zařízeních, real-time orchestraci a plně duplexních interakčních schopností umožnit modelům a agentům nepřetržitě spolupracovat v reálných scénářích. Engine konverzační AI společnosti Agora je také postaven na plně duplexní interakci jako jádru, propojuje modely, rámce pro provoz agentů a uživatele a podporuje stabilní a synchronizovaný real-time dialog.
Zároveň Agora nepřetržitě zdokonaluje nástroje a sady pro vývoj konverzační AI určené vývojářům, kombinuje SDK, Skills, nástroje CLI a Recipes a pomáhá vývojářům efektivněji vytvářet agenty s kompletní logikou a schopností vykonávat úkoly.
Od zákaznické podpory a vzdělávání po AI společníky a chytrá nositelná zařízení – Zhao Bin se domnívá, že konverzační AI vstupuje do stále více reálných scénářů. Zda AI dokáže skutečně vytvářet hodnotu, nezávisí jen na tom, zda model „umí mluvit“, ale také na tom, zda dokáže pochopit potřeby, přirozeně komunikovat a nepřetržitě dokončovat úkoly. Technologie real-time interakce budou v tomto procesu hrát stále důležitější roli.
Poté Andrey Norkin, hlavní architekt společnosti NVIDIA a spolupředseda pracovní skupiny pro video kodeky AOMedia, přednesl projev o technologii video kodeku AV2.
Panelová diskuse: Stane se osobní agent další generací osobního vstupu?
V první panelové diskusi, kterou moderoval Tony Wang, spoluzakladatel společnosti Agora, diskutovali Eugene Wei, produktový manažer interaktivních médií a technologický bloger, Pan Luan, technologický blogger a moderátor podcastu „Luan Fan Shu“, a Hua Jianxin, podnikatel v oblasti AIoT hardwaru a moderátor vlastního média o AI na zařízeních, na téma „Osobní agent: od nového nástroje k novému vstupu?“
Od telefonů přes brýle a sluchátka až po další nositelná zařízení vyvolávají osobní agenti v odvětví opět úvahy o vstupu pro lidsko-počítačovou interakci příští generace. Pan Luan se domnívá, že osobní agenti mohou přinést paradigmatickou změnu: hodnota AI produktů se posouvá od soupeření o pozornost uživatelů k pomoci uživatelům efektivněji dokončovat úkoly. Budoucí osobní agenti by neměli jen reagovat na jasné pokyny, ale také aktivně přebírat úkoly a pomáhat uživatelům zvládat záležitosti, které mají jasný cíl, ale nestojí za to jim věnovat mnoho času.
Pokud jde o osobní hardware příští generace, Hua Jianxin navrhl, že budoucí vstup nemusí být výhradně v rukou jednoho typu zařízení – šanci mají brýle, sluchátka i další hardware schopný vnímat prostředí a vykonávat úkoly. Domnívá se, že osobní agent musí nejen rozumět uživateli, ale také prostřednictvím fyzických zařízení nepřetržitě vnímat reálný svět a jednat, což přináší nový prostor pro rozvoj různých forem hardwaru.
Eugene Wei obrátil diskusi k hodnotě „kontextu“: zda osobní agent dokáže skutečně porozumět zájmům uživatele, historii komunikace a sociálním vztahům, ovlivní, zda se stane hodnotným osobním vstupem. Při posuzování, zda nový vstup obstojí, navrhl sledovat, jak uživatelé s agentem interagují každý den, a zda uživatelé častěji vyhledávají agenta, nebo agent častěji vyhledává uživatele. Panelová diskuse se tak dále věnovala produktové hodnotě osobních agentů, formám hardwaru a budoucím měřítkům hodnocení.
Panelová diskuse: Od „umí si povídat“ k „umí jednat“ – jak konverzační AI vytváří skutečnou hodnotu?
Ve druhé panelové diskusi, kterou moderoval Cui Bo, hlavní obchodní ředitel společnosti Agora, diskutovali Chen Wei, zakladatel společnosti Xieyue Intelligence, Geng Xianglei, zakladatel společnosti Guanke Technology, Cai Guoxiang, spoluzakladatel a vedoucí ekosystému společnosti Rokid, a Wu Kan, CEO společnosti Titan Qiming, z perspektivy různých scénářů, jako je vtělená inteligence, chytrá nositelná zařízení, podnikový marketing a AI nábor, o tématu konverzační AI: pohánění interakce člověka a agenta příští generace.
Chen Wei se domnívá, že klíčem vtělené inteligence je skutečné převedení lidského záměru do jednání robota. Robot musí nejen rozumět hlasovým pokynům, ale také integrovat multimodální informace, jako je vidění, hlas a jeho vlastní stav, dokončit vnímání fyzického prostředí, plánování a rozhodování a na základě změn prostředí po jednání nepřetržitě upravovat vykonávání úkolů. Ve srovnání s dokončením předem definovaných demonstračních úkolů je pro robota důležitější nepřetržitě v otevřeném prostředí rozumět skutečným potřebám člověka a udržovat jednání v souladu s lidským záměrem. Společnost Xieyue Intelligence vyvíjí nový paradigmatický základní model vtělené inteligence Duplex Reasoning, jehož cílem je realizovat integraci interakce a jednání robota.
Cai Guoxiang na základě praxe s AI brýlemi zdůraznil, že zážitek z dialogu je klíčovou konkurenční výhodou AI nositelných zařízení. Uvedl, že bez ohledu na to, jak výkonný je hardware a AI schopnosti v pozadí, pokud dialog není dostatečně přirozený, uživatelský zážitek bude přímo ovlivněn. Do budoucna musí AI nositelná zařízení prostřednictvím nízké latence, stabilní real-time interakce a porozumění sémantice a dlouhodobému kontextu dosáhnout toho, aby uživatelé postupně přestali vnímat, že komunikují s AI. Podělil se také o praxi, kdy asistent Rokid využívá RTC linkové služby společnosti Agora, a vyjádřil přesvědčení, že AI brýle se stanou důležitým osobním vstupem v éře AI.
V podnikových scénářích Geng Xianglei uvedl, že AI hlasoví operátoři musí pro spolehlivé obchodní výsledky vyřešit problémy, jako je latence, načasování přerušení a personifikace, přičemž latence může dokonce přímo ovlivnit výsledek úkolu. Pro B2B marketing se AI musí také spojit s oborovým znalostním systémem a lidskou spoluprací, aby lépe zajistila obchodní výsledky. Wu Kan na základě praxe v AI náboru uvedl, že konverzační AI může pomoci náborovému byznysu oslovit kandidáty ve velkém měřítku a zvýšit efektivitu služeb, nikoli jednoduše nahradit lidskou práci. Pro uzavření obchodního cyklu je třeba shromažďovat oborová data, uspořádat byznys s kandidátem jako centrem, pomoci agentovi vytvořit dlouhodobou paměť a na základě skutečných obchodních událostí, jako je pohovor a nástup, průběžně hodnotit a optimalizovat kvalitu služeb.
Z příspěvků čtyř hostů je vidět, že požadavky různých odvětví na konverzační AI se sice liší, ale společný směr je jasný: AI musí nejen komunikovat, ale také rozumět reálným scénářům, začlenit se do stávajících obchodních procesů a spolehlivě dokončovat úkoly. S pokračujícím rozvojem real-time interakce, multimodálního vnímání a schopnosti agentů vykonávat úkoly se konverzační AI může posunout od interakčního nástroje k důležité síle propojující digitální a fyzický svět a pohánějící chod podnikání.
Od real-time interakce k real-time inteligenci: otevření další kapitoly dialogu s AGI
Od rámce pěti úrovní dialogových schopností, který představil Zhao Bin, po dvě panelové diskuse o osobních agentech a reálném nasazení v podnikání – hlavní fórum iRTE2026 ukázalo jasný průmyslový trend: konkurence v konverzační AI se rozšiřuje od schopností základních modelů k porozumění kontextu, real-time interakci, rozpoznávání složitých vztahů a vykonávání úkolů.
Když se AI již neomezuje na pasivní odpovídání, ale dokáže nepřetržitě rozumět člověku, aktivně se zapojovat do komunikace a dokončovat úkoly v reálných scénářích, převezmou technologie real-time interakce ještě hlubší poslání.
Ve směru k další fázi dialogu s AGI bude Agora nadále společně s vývojáři a průmyslovými partnery zkoumat propojení real-time interakce a generativní AI a podporovat přirozenější a efektivnější real-time interakci mezi lidmi navzájem i mezi lidmi a agenty.
