10月23日，在iRTE2026实时智能大会上，声网（API）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。他说道，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，实时互动技术也正从“实时互动”走向“实时智能”。
赵斌认为，对话式AI的进步不应只用回答速度、语言自然度来衡量，更重要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。基于这一判断，他提出“五级对话能力”框架：L1基于自身视角的表达，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；L5基于深度关系的沟通，理解长期上下文与关系演变，形成更深层次的思维默契。
在赵斌看来，这五个层次不仅体现对话技术的逐级增强，更折射出AI与人关系的变化：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。他指出，对话式AI正在从早期被动接续的交互，向更主动、更自然的全双工对话发展，并开始尝试理解人的个性、处境、情绪与关系。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的重要方向：AI不仅能听懂一句话，还能结合完整语境理解一个人的真实意图，并作出恰当回应。
对话能力的持续进化，也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和应用。随着AI从单轮问答走向持续交互，实时互动基础设施正在成为连接模型、智能体运行框架与用户的重要技术支撑。与传统AI应用相比，对话场景对延迟、稳定性和双向交互有着更严格要求。AI需要一边接收用户输入，一边理解上下文、组织回应，必要时还要应对打断，并持续调用工具、推进任务，任何环节出现明显延迟，都可能破坏对话的自然性。
为支撑这些需求，赵斌介绍了面向实时智能交互的基础设施方向：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，让模型和Agent在真实场景中持续协同。声网（API）对话式AI引擎也以全双工交互为核心，连接模型、Agent运行框架与用户，支撑稳定、同步的实时对话体验。同时，声网（API）持续完善对话式AI开发工具与开发套件，结合SDK、Skills、CLI工具及Recipes等能力，帮助开发者更高效地构建具备完整逻辑与执行能力的Agent。
从客服、教育到AI陪伴与智能穿戴（885454），赵斌认为，对话式AI正在进入更多真实场景。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。随着实时互动、多模态感知与Agent执行能力持续发展，对话式AI的竞争正从基础模型能力延伸至上下文理解、实时交互、复杂关系认知与任务执行。面向对话AGI的下一阶段，声网（API）将继续与开发者和行业伙伴共同探索实时互动与生成式AI的融合，推动人与人、人与Agent之间更加自然、高效的实时交互体验。(图片由主办方提供发布)
【以上内容为推广信息，所涉及内容不代表本网观点，不构成投资建议、消费（883434）建议。】
【责任编辑：张瑨瑄】
