精华速览

10月23日，iRTE2026实时智能大会在北京举行，声网创始人兼CEO赵斌发表演讲，回顾实时互动、对话式AI与基础设施的年度变化，并提出“五级对话能力”框架，将对话能力从L1基础应答逐级划分至L5深度关系沟通。赵斌认为，实时互动的对象正从人与人扩展到人与Agent，实时互动技术需为AI的感知、理解、表达与行动提供支撑。大会另设两场圆桌，分别讨论个人智能体能否成为下一代入口，以及对话式AI从“能聊天”到“能办事”的落地路径。声网同时介绍了以全双工交互为核心的对话式AI引擎及面向开发者的工具套件。

要点透视

  • 10月23日，iRTE2026实时智能大会在北京举行，声网创始人兼CEO赵斌在主论坛发表题为《对话AGI：实时互动的下一章》的演讲。
  • 赵斌提出“五级对话能力”框架：L1基于自身视角的表达、L2基于互动规律的表达、L3基于个体认知的沟通、L4基于群体认知的沟通、L5基于深度关系的沟通。
  • 赵斌提到，过去一年OpenAI等公司对WebRTC技术的深入采用，推动实时互动技术在对话式AI领域获得更广泛关注。
  • 声网对话式AI引擎以全双工交互为核心，连接模型、Agent运行框架与用户，并配套SDK、Skills、CLI工具及Recipes等开发能力。
  • 第一场圆桌由声网联合创始人Tony Wang主持，Eugene Wei、潘乱、华建新围绕个人智能体从新工具到新入口展开讨论，涉及眼镜、耳机等硬件形态与上下文价值。
  • 第二场圆桌由声网首席商业官崔博主持，陈伟、耿祥磊、蔡国祥、吴侃分别从具身智能、企业营销、AI眼镜、AI招聘场景讨论对话式AI的落地要求。
  • Rokid乐奇联合创始人蔡国祥透露，Rokid乐奇AI助手采用声网RTC链路服务，并看好AI眼镜成为AI时代重要个人入口。
  • 英伟达首席架构师、AOMedia视频编解码工作组联合主席Andrey Norkin在大会期间就AV2视频编解码技术发表演讲。

文章拆解

赵斌的五级框架把对话式AI的评价标准从“答得快、说得自然”转向“是否理解意图、处境与关系”。这一划分的实质，是把对话能力拆成可逐级比较的维度：L1至L2解决表达与节奏，L3至L4引入个体与群体认知，L5则要求跨时间的上下文与关系演变理解。对行业而言，这意味着竞争焦点可能从基础模型能力延伸到上下文管理、实时交互与任务执行等工程环节，模型“会说话”不再是唯一卖点。

支撑这一演进的是实时互动基础设施。素材显示，对话场景对延迟、稳定性和双向交互要求更严，AI需边接收输入边理解上下文、组织回应，还要应对打断并持续调用工具。声网给出的方向是全球实时传输网络、分布式云边端联合推理、实时编排与全双工交互，其对话式AI引擎定位为连接模型、Agent框架与用户的中间层。若该定位成立，实时互动厂商的角色将从音视频管道转向AI交互的运行时支撑，但实际效果取决于端到端延迟与打断处理在真实网络中的表现，尚待确认。

两场圆桌反映出落地场景的差异化要求。个人智能体讨论中，潘乱认为AI产品价值正从争夺注意力转向帮助用户高效完成任务；华建新认为入口未必由单一设备独占；Eugene Wei则强调上下文与交互频次可作为衡量新入口的指标。企业侧，耿祥磊指出AI语音座席的延迟可能直接影响任务结果，吴侃强调AI招聘需沉淀行业数据并建立长期记忆。共同点是：对话式AI要创造价值，必须融入业务流程并可靠完成任务，而非停留在聊天演示。

值得关注的变量包括：五级框架目前是厂商提出的能力描述，尚无公开的量化评测标准；L4至L5涉及的群体认知与长期关系理解，在隐私边界与数据积累上存在不确定性；个人智能体入口之争涉及硬件形态、上下文获取与用户习惯，结论尚待确认。潜在风险在于，若实时交互体验不达预期，或Agent任务执行可靠性不足，场景落地可能慢于预期。

查看原文