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，回顾了过去一年实时互动、对话式AI与底层基础设施的关键变化，并提出“五级对话能力”框架，将对话式AI从基础应答走向深度理解与关系沟通的演进路径划分为五个层次。
赵斌认为，随着AI从回答问题走向持续交流、理解上下文并执行任务，实时互动的对象正在从人与人扩展到人与Agent。实时互动技术的角色也随之延伸，不仅要让信息传递更稳定、更流畅，还要为AI的感知、理解、表达与行动提供实时支撑。
在赵斌看来，对话式AI的进步不应只用回答速度、语言自然度来衡量，更关键的是能否理解对话对象的意图、处境与关系，能否在复杂场景中恰当表达，并逐步形成长期、深入的理解。据此，他提出的五级框架包括：L1基于自身视角的表达，以自我表达和被动接续为主，实现“问一句、答一句”；L2基于互动规律的表达，从被动回应走向主动表达；L3基于个体认知的沟通，理解个体身份、意图与处境；L4基于群体认知的沟通，理解社会关系与角色差异，适应多人沟通场景；L5基于深度关系的沟通，理解长期上下文与关系演变，形成更深层次的理解与思维默契。
这五个层次对应的是AI与人之间关系的变化：从完成一轮问答，到理解一个人，再到理解人与人之间的关系，最终形成跨越时间与情境的深度沟通。赵斌指出，面向未来，AI还需突破复杂社会场景下的角色分工与沟通秩序，进一步理解个人长期积累的上下文，这也是对话AGI的重要发展方向。
对话能力的持续进化对底层技术提出更高要求。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。与传统AI应用相比，对话场景对延迟、稳定性和双向交互要求更严格，AI需要一边接收用户输入，一边理解上下文、组织回应，并随时应对打断、持续调用工具推进任务。为支撑这些需求，声网介绍了通过全球实时传输网络、分布式云边端联合推理、实时编排与全双工交互能力构建的基础设施方向，其对话式AI引擎以全双工交互为核心，连接模型、Agent运行框架与用户。同时，声网持续面向开发者完善SDK、Skills、CLI工具及Recipes等对话式AI开发工具与套件。
大会还设置了两场圆桌讨论。围绕“个人智能体：从新工具到新入口”，与会嘉宾就AI产品价值从争夺注意力转向帮助用户高效完成任务、下一代硬件形态的多元化以及上下文理解对个人入口价值的影响展开讨论。围绕“从能聊天到能办事”，来自具身智能、智能穿戴、企业营销与AI招聘领域的从业者分别就多模态感知与行动一体化、AI眼镜的对话体验、AI语音座席的延迟与拟人化问题，以及对话式AI在招聘场景中规模化触达与人工协作的结合进行了分享。
从客服、教育到AI陪伴与智能穿戴，对话式AI正在进入更多真实场景。赵斌认为，AI能否真正创造价值，不只取决于模型是否“会说话”，还取决于它能否理解需求、自然沟通并持续完成任务，实时互动技术将在这一过程中发挥越来越重要的作用。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
