对话 AGI 五级进化背后：从听懂一句话，到真正理解一个人

速途网讯过去一年，AI行业最明显的变化之一，是人们开始不满足于让模型回答问题，而是希望它能够听懂自己、记住自己，甚至主动把事情办完。但当AI从屏幕里的聊天框走向电话、耳机、眼镜乃至机器人时，一个此前容易被忽视的问题也随之浮出水面：如果AI要像人一样持续交流，底层技术需要发生什么变化？

10月23日，iRTE2026实时智能大会在北京举行。与过去聚焦实时音视频、人与人在线连接的RTE（Real-Time Engagement，实时互动）相比，今年大会将主题进一步延伸至实时智能（iRTE），背后是整个行业正在发生的变化：当AI从回答问题走向持续对话、理解场景乃至执行任务，实时互动技术也不再只是连接人与人的工具，而开始成为连接人与AI、让AI进入真实场景的基础设施。

从“问一句、答一句”到理解一个人，对话AI正在进化

回顾过去一年，RTE行业的变化并不局限于AI应用的增加

声网创始人兼CEO赵斌表示，过去12个月是实时互动领域定位和使命发生深刻变化的一年。OpenAI对实时对话模型与WebRTC的持续结合，让实时通信技术在AI领域获得了更广泛的关注；对话式AI开始进入企业工作流，AI眼镜等新型硬件也逐渐将语音对话作为重要交互方式。与此同时，生成式视频、数字人和实时音视频体验的持续改善，进一步拓宽了实时互动的应用边界。

这些变化背后，是人机交互方式正在发生转变。

过去，聊天机器人主要围绕一轮轮问答展开，AI更像一个等待调用的工具，而不是能够持续参与任务的助手。

如今，行业开始尝试让AI主动表达、理解上下文、记住交互历史，并在对话过程中执行任务。评价一个对话系统的标准，也就不再只是回答是否正确、语音是否自然，而是它能否真正理解对话对象，以及能否在不同情境下作出合适的回应。

赵斌在分享中，将对话式AI的进步概括为“对话AGI的五级进化”。

L1是基于自身视角的表达，主要表现为被动接续，实现“问一句、答一句”；L2是基于互动规律的表达，AI开始主动参与交流，让对话更加自然、连贯；L3是基于个体认知的沟通，系统能够理解一个人的身份、意图与处境，提供更有针对性的回应。

再往上，L4要求AI理解群体关系与角色差异，能够适应多人参与、分工复杂的沟通场景；L5则指向基于深度关系的沟通，AI需要理解长期上下文与关系的变化，逐步形成跨越时间和情境的理解能力。

这五个层次并不是简单的性能排名，而是对人机关系变化的一种描述：从听懂一句话，到理解一个人的处境，再到理解人与人之间的关系。

赵斌强调，对话AI未来需要进一步突破复杂社会场景中的角色分工和沟通秩序，并理解个人长期积累的上下文。

这也解释了为什么如今行业开始重视全双工对话。传统的轮次式交互通常要求一方说完，另一方再回应；更自然的对话则需要AI在接收信息的同时组织回应，能够处理打断、调整表达，并在交流中继续思考和执行任务。

模型在进化，实时互动基础设施也要跟上

要实现这样的交互，光靠模型能力还不够。

当前，许多实际应用仍采用语音识别、语言模型和语音合成相结合的级联架构，便于控制成本、定位问题和调整各个环节。与此同时，端到端多模态模型也在探索更自然的实时对话体验。模型不仅要听懂和回答，还需要逐步具备边听边说、连续处理信息的能力。

这两条路径并不是简单的替代关系。前者更容易在生产系统中进行工程化控制，后者则在拓展对话体验的上限。未来的对话系统还可能由多个具备不同能力的模型协同工作，并通过Agent运行框架统一调度记忆、工具和任务流程。

模型架构越复杂，对实时基础设施的要求也越高。过去，WebRTC等实时通信技术主要解决人与人之间的音视频连接；如今，它们也开始承担人与AI实时交互的任务。延迟、连接稳定性、双向通信和端云协同，都会直接影响用户感受到的智能程度。

这正是赵斌所提出的Real-Time AI Infra（实时AI基础设施）的核心方向：将全球实时传输网络、分布式云边端联合推理、实时编排和全双工交互能力结合起来，为AI与人的持续互动提供支撑。

为此，声网围绕实时互动推出了 Conversational AI Engine、TEN Framework 等产品和开发工具，试图降低开发者构建实时对话智能体的门槛。背后的行业逻辑是：模型能力决定AI能做什么，实时基础设施则影响它能否及时、稳定地把事情做出来。

当AI从单轮回答走向持续交互，竞争也就不再局限于模型本身，而是延伸到模型、通信、记忆、工具调用和开发生态的协同。

从能聊天到能办事，对话AI开始接受商业检验

技术进步最终要落到具体场景。对话AI能否商业化，关键不是声音有多像真人，而是能否解决真实问题，并持续产生价值。

在AI眼镜等消费场景中，语音可以成为比触屏更自然的交互入口；结合摄像头和环境信息，AI有机会进一步理解用户正在经历什么。不过，只有当响应足够及时、理解足够准确，交互体验才可能真正成立。

在企业服务、招聘和销售等场景中，AI能够承担大量重复沟通和初步筛选工作，把更有价值的线索交给人类继续跟进。但企业真正关心的不是AI能打多少通电话，而是沟通是否有效、线索是否准确、业务流程能否闭环。行业知识、长期记忆和效果评估，因而成为落地的重要环节。

具身智能的要求则更进一步。机器人需要同时理解视觉、语音和其他传感器信息，根据环境变化及时调整动作。此时，实时交互不只是让对话更流畅，还关系到系统能否理解现实世界，并对行动结果作出反馈。

与此同时，AI情感陪伴等应用也开始面对更明确的治理要求。国内推出相关国家级监管规则，意味着产业发展不能只追求交互黏性，还需要重视安全、责任与长期影响。规则并不必然意味着发展放缓，也有助于推动行业从追逐短期热度走向更健康的产品与商业模式。

从RTE到iRTE，实时智能正在走向更广阔的场景

从RTE到iRTE，变化的不只是一个字母，而是行业关注点的迁移。

过去，实时互动解决的是人与人如何顺畅连接；现在，当AI开始成为对话的参与者，技术还要回答一个更复杂的问题：如何让AI及时理解人和环境，并在真实业务中完成有价值的任务。

未来的实时智能，不只存在于语音助手里，也可能成为AI眼镜、企业智能体和具身机器人的共同底座。模型会继续进步，但要让智能真正走出屏幕，还需要通信基础设施、开发工具、场景知识和产业治理共同完善。

iRTE中的“i”，代表智能，也代表实时互动行业正在打开的新空间。AI能否真正进入现实生活，不只取决于它有多聪明，还取决于它能否在恰当的时间理解正确的信息，并给出可靠的行动。

对话 AGI 五级进化背后：从听懂一句话，到真正理解一个人

从“问一句、答一句”到理解一个人，对话AI正在进化

模型在进化，实时互动基础设施也要跟上

从能聊天到能办事，对话AI开始接受商业检验

从RTE到iRTE，实时智能正在走向更广阔的场景

相关推荐

发表评论