iRTE2026：對話 AI 如何邁向 AGI？聲網CEO趙斌給出五級對話能力框架

10月23日，iRTE2026實時智能大會在北京舉行。聲網創始人兼 CEO 趙斌在主論壇發表題為《對話 AGI：實時互動的下一章》的演講，回顧了過去一年實時互動、對話式 AI 與底層基礎設施的關鍵變化，並提出“五級對話能力”框架，勾勒對話式 AI 從基礎應答走向深度理解與關係溝通的演進路徑。趙斌認為，隨著 AI 從回答問題走向持續交流、理解上下文並執行任務，實時互動的對象正在從人與人擴展到人與 Agent。實時互動技術的角色也隨之延伸：它不僅要讓信息傳遞更穩定、更流暢，還要為 AI 的感知、理解、表達與行動提供實時支撐。

從“問一句答一句”到深度關係溝通：對話 AGI 的五級進化在趙斌看來，對話式 AI 的進步，不應只用回答速度、語言自然度來衡量。更重要的是，它能否理解對話對象的意圖、處境與關係，能否在複雜場景中恰當地表達，並逐步形成長期、深入的理解。圍繞這一判斷，趙斌在演講中提出了“五級對話能力”框架，將對話能力劃分為五個層次：L1：基於自身視角的表達：以自我表達和被動接續為主，實現“問一句、答一句”。L2：基於互動規律的表達：從被動回應走向主動表達，讓對話更自然、連貫。L3：基於個體認知的溝通：理解個體的身份、意圖與處境，實現因人而異的溝通。

L4：基於群體認知的溝通：理解社會關係與角色差異，適應複雜的多人溝通場景。L5：基於深度關係的溝通：理解長期上下文與關係演變，形成更深層次的理解與思維默契，讓溝通從理解當下走向理解一個人。這五個層次展現的，不只是對話技術的逐級增強，更是 AI 與人之間關係的變化：從完成一輪問答，到理解一個人，再到理解人與人之間的關係，最終形成跨越時間與情境的深度溝通。趙斌指出，對話式 AI 正在從早期被動接續的交互，向更主動、更自然的全雙工對話發展，並開始嘗試理解人的個性、處境、情緒與關係。面向未來，AI 還需要突破複雜社會場景下的角色分工與溝通秩序，進一步理解個人長期積累的上下文。

這也是對話 AGI 的重要發展方向：AI 不僅能聽懂一句話，還能結合完整語境理解一個人的真實意圖，並作出恰當回應。Real-Time AI Infra：支撐對話 AGI 的關鍵基礎設施對話能力的持續進化，也對底層技術提出了更高要求。趙斌在演講中提到，過去一年，OpenAI 等公司對 WebRTC 技術的深入採用，推動實時互動技術在對話式 AI 領域獲得更廣泛的關注和應用。隨著 AI 從單輪問答走向持續交互，實時互動基礎設施正在成為連接模型、智能體運行框架與用戶的重要技術支撐。與傳統 AI 應用相比，對話場景對延遲、穩定性和雙向交互有著更嚴格的要求。

AI 需要一邊接收用戶輸入，一邊理解上下文、組織回應，必要時還要隨時應對打斷，並持續調用工具、推進任務。任何環節出現明顯延遲，都可能破壞對話的自然性，甚至影響任務能否完成。為支撐這些需求，趙斌介紹了面向實時智能交互的基礎設施方向：通過全球實時傳輸網絡、分佈式雲邊端聯合推理、實時編排與全雙工交互能力，讓模型和 Agent 能夠在真實場景中持續協同。聲網對話式 AI 引擎也以全雙工交互為核心，連接模型、Agent 運行框架與用戶，支撐穩定、同步的實時對話體驗。

與此同時，瞭解到：聲網持續面向開發者完善對話式 AI 開發工具與開發套件，結合 SDK、Skills、CLI 工具及 Recipes 等能力，幫助開發者更高效地構建具備完整邏輯與執行能力的 Agent。從客服、教育到 AI 陪伴與智能穿戴，趙斌認為，對話式 AI 正在進入更多真實場景。AI 能否真正創造價值，不只取決於模型是否“會說話”，還取決於它能否理解需求、自然溝通，並持續完成任務。實時互動技術將在這一過程中發揮越來越重要的作用。隨後，英偉達首席架構師、AOMedia 視頻編解碼工作組聯合主席 Andrey Norkin 帶來了關於 AV2 視頻編解碼技術的演講。

圓桌對話：個人智能體，會成為下一代個人入口嗎？在由聲網聯合創始人 Tony Wang 主持的第一場圓桌中，互動媒體產品經理、科技博主 Eugene Wei，科技自媒體人、播客《亂翻書》主理人潘亂，以及 AIoT 硬件創業者、端側 AI 自媒體主理人華建新，圍繞“個人智能體：從新工具到新入口？”展開討論。從手機、眼鏡、耳機到更多隨身設備，個人智能體正在重新引發行業對下一代人機交互入口的思考。潘亂認為，個人智能體可能帶來一場範式變革：AI 產品的價值正在從爭奪用戶注意力，轉向幫助用戶更高效地完成任務。

未來的個人智能體不僅要響應明確指令，還應主動承擔任務，幫助用戶處理那些目標明確、卻不值得投入大量時間的事務。對於下一代個人硬件，華建新提出，未來的入口未必由某一種設備獨佔，眼鏡、耳機及其他能夠感知環境、執行任務的硬件都有機會。他認為，個人智能體不僅需要理解用戶，還需要通過物理設備持續感知現實世界並採取行動，這為不同形態的硬件帶來了新的發展空間。Eugene Wei 則將討論引向“上下文”的價值：個人智能體能否真正理解用戶的興趣、溝通記錄與社會關係，將影響它能否成為有價值的個人入口。

在衡量新入口是否成立時，他也提出，可以關注用戶每天與 Agent 的交互情況，以及究竟是用戶主動找 Agent 更多，還是 Agent 主動找用戶更多。圓桌由此進一步討論了個人智能體的產品價值、硬件形態與未來衡量標準。圓桌對話：從“能聊天”到“能辦事”，對話式 AI 如何創造真實價值？在由聲網首席商業官崔博主持的第二場圓桌中，斜躍智能創始人陳偉、冠客科技創始人耿祥磊、Rokid 樂奇聯合創始人兼生態負責人蔡國祥，以及泰坦啟明 CEO 吳侃，從具身智能、智能穿戴、企業營銷與 AI 招聘等不同場景出發，探討對話式 AI：驅動下一代的人與 Agent 交互。

陳偉認為，具身智能的關鍵是讓人的意圖真正轉化為機器人的行動。機器人不僅要理解語音指令，還需要融合視覺、語音及自身狀態等多模態信息，完成對物理環境的感知、規劃與決策，並根據行動後的環境變化持續調整任務執行。相比完成預設的演示任務，機器人更重要的是在開放環境中持續理解人的真實需求，讓行動始終與人的意圖保持一致。斜躍智能正在發展的Duplex Reasoning全新範式的具身基礎模型，旨在實現機器人交互和行動的一體化。蔡國祥則從 AI 眼鏡的實踐出發，強調對話體驗是 AI 穿戴設備的核心競爭力。他表示，無論硬件和背後的 AI 能力多麼強大，如果對話不夠自然，用戶體驗就會受到直接影響。

未來，AI 穿戴設備需要通過低延遲、穩定的實時交互，以及對語義和長期上下文的理解，讓用戶逐漸感受不到自己是在與 AI 對話。他還分享了 Rokid 樂奇 AI 助手採用聲網 RTC 鏈路服務的實踐，並看好 AI 眼鏡成為 AI 時代重要的個人入口。在企業應用場景中，耿祥磊指出，AI 語音座席要實現可靠的業務交付，必須解決延遲、打斷時機與擬人化等問題，其中延遲甚至可能直接影響任務結果。對於 To B 營銷，AI 還需要與行業知識體系及人工協作相結合，才能更好地保障業務結果。吳侃則結合 AI 招聘實踐表示，對話式 AI 能幫助招聘業務大規模觸達求職者、提升服務效率，而不是簡單替代人工。

要形成業務閉環，還需沉澱行業數據，以求職者為本體梳理業務，幫助 Agent 建立長期記憶，並圍繞到面、入職等實際業務事件，輔助 AI 持續評估和優化服務質量。從四位嘉賓的分享可以看到，不同行業對對話式 AI 的要求雖有差異，但共同指向一個方向：AI 不僅要能交流，還要能夠理解真實場景、融入現有業務流程，並可靠地完成任務。隨著實時互動、多模態感知與 Agent 執行能力持續發展，對話式 AI 有望從交互工具進一步成為連接數字世界與物理世界、推動業務運行的重要力量。

從實時互動走向實時智能，開啟對話 AGI 的下一章從趙斌提出的五級對話能力框架，到兩場圓桌對個人智能體與真實業務落地的探討，iRTE2026 主論壇呈現出一個清晰的產業趨勢：對話式 AI 的競爭正在從基礎模型能力，延伸至上下文理解、實時交互、複雜關係認知與任務執行。當 AI 不再侷限於被動回答，而是能夠持續理解人、主動參與交流，並在真實場景中完成任務，實時互動技術也將承擔更深層的使命。面向對話 AGI 的下一階段，聲網將繼續與開發者和行業夥伴共同探索實時互動與生成式 AI 的融合，推動人與人、人與 Agent 之間更加自然、高效的實時交互體驗。