iRTE2026：声网提出对话AGI五级能力框架，实时互动技术重塑人机交互范式

事件概述

10月23日，iRTE2026实时智能大会在北京举行。声网创始人兼CEO赵斌在主论坛发表演讲，回顾了过去一年实时互动、对话式AI及底层基础设施的变化，并正式提出“五级对话能力”框架，勾勒出对话式AI从基础应答走向深度理解与关系沟通的演进路径。会议还通过两场圆桌讨论，聚焦个人智能体的入口价值及对话式AI在具身智能、智能穿戴和企业应用中的实际落地。

核心信息：对话AGI的五级进化框架

赵斌指出，衡量对话式AI进步的标准不应仅局限于回答速度或语言自然度，更在于其是否具备对意图、处境、关系的深层理解及长期上下文记忆。为此，他提出了五个层级的对话能力标准：

• L1 基于自身视角的表达：以自我表达和被动接续为主，实现基础的“问一句、答一句”。
• L2 基于互动规律的表达：从被动回应转向主动表达，提升对话的自然度与连贯性。
• L3 基于个体认知的沟通：能够理解个体的身份、意图与具体处境，实现因人而异的个性化沟通。
• L4 基于群体认知的沟通：理解社会关系与角色差异，适应复杂的多人沟通场景。
• L5 基于深度关系的沟通：理解长期上下文与关系演变，形成思维默契，实现对“一个人”的深度理解而非仅是对当下语句的理解。

这一框架标志着AI与人之间关系的变化：从完成一轮问答，到理解个体，再到理解人际关系，最终实现跨越时间与情境的深度沟通。

基础设施：Real-Time AI Infra

对话能力的升级对底层技术提出了更高要求。随着OpenAI等公司深入采用WebRTC技术，实时互动基础设施正成为连接模型、智能体运行框架（Agent Framework）与用户的关键支撑。

• 技术挑战：对话场景对延迟、稳定性和双向交互有严苛要求。AI需具备一边接收输入、一边理解上下文、组织回应并随时应对打断的能力，同时持续调用工具推进任务。
• 解决方案：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，支撑模型和Agent在真实场景中的持续协同。声网对话式AI引擎以全双工交互为核心，结合SDK、Skills、CLI工具及Recipes等开发套件，帮助开发者构建具备完整逻辑与执行能力的Agent。

行业洞察：圆桌讨论焦点

会议期间举行了两场圆桌对话，探讨了对话式AI在不同维度的价值。

1. 个人智能体：下一代个人入口？
嘉宾认为，个人智能体的价值正从争夺注意力转向帮助用户高效完成任务。未来的入口未必由单一设备独占，眼镜、耳机等能感知环境并执行任务的硬件均有机会。判断其是否成为有价值入口的关键指标，包括用户与Agent的交互频率，以及是用户主动发起更多，还是Agent主动服务更多。

2. 从“能聊天”到“能办事”：真实业务落地
不同行业对对话式AI的要求虽有差异，但共同指向理解真实场景、融入业务流程并可靠完成任务：

• 具身智能：关键在于将人的意图转化为机器人行动，需融合视觉、语音等多模态信息，在开放环境中持续调整任务执行。斜跃智能提出的Duplex Reasoning范式旨在实现交互与行动一体化。
• 智能穿戴：低延迟、稳定的实时交互及对语义和长期上下文的理解是核心竞争力，目标是让用户感受不到在与AI对话。Rokid乐奇已采用声网RTC链路服务实践此路径。
• 企业应用：AI语音座席需解决延迟、打断时机与拟人化问题；AI招聘则需沉淀行业数据，建立长期记忆，围绕到面、入职等业务事件辅助评估和优化服务质量，而非简单替代人工。