对话AI如何迈向AGI？声网CEO赵斌给出五级对话能力框架

10月23日，iRTE2026实时智能大会在北京举行。声网创始人兼 CEO 赵斌在主论坛上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。

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：它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。

会上，现场嘉宾还分别围绕“个人智能体能否成为下一代个人入口”以及“对话AI如何实现从聊天到办事的商业价值”两大话题，进行了深入讨论。

一个清晰的产业趋势已经形成：对话式 AI 的竞争正在从基础模型能力，延伸至上下文理解、实时交互、复杂关系认知与任务执行。当 AI 不再局限于被动回答，而是能够持续理解人、主动参与交流，并在真实场景中完成任务，实时互动技术也将承担更深层的使命。

从“问一句答一句”到深度关系沟通：对话 AGI 的五级进化

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。更重要的是，它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地表达，并逐步形成长期、深入的理解。

围绕这一判断，赵斌在演讲中提出了“五级对话能力”框架，将对话能力划分为五个层次：

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，让对话更自然、连贯。

L3：基于个体认知的沟通：理解个体的身份、意图与处境，实现因人而异的沟通。

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，形成更深层次的理解与思维默契，让沟通从理解当下走向理解一个人。

这五个层次展现的，不只是对话技术的逐级增强，更是 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，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 还需要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：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。

Real-Time AI Infra：支撑对话 AGI 的关键基础设施

对话能力的持续进化，也对底层技术提出了更高要求。赵斌在演讲中提到，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 领域获得更广泛的关注和应用。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的要求。AI 需要一边接收用户输入，一边理解上下文、组织回应，必要时还要随时应对打断，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，甚至影响任务能否完成。

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 能够在真实场景中持续协同。声网对话式 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。

与此同时，声网持续面向开发者完善对话式 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，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。实时互动技术将在这一过程中发挥越来越重要的作用。

随后，英伟达首席架构师、AOMedia 视频编解码工作组联合主席 Andrey Norkin 带来了关于 AV2 视频编解码技术的演讲。

个人智能体，会成为下一代个人入口吗？

在由声网联合创始人 Tony Wang 主持的第一场圆桌中，互动媒体产品经理、科技博主 Eugene Wei，科技自媒体人、播客《乱翻书》主理人潘乱，以及 AIoT 硬件创业者、端侧 AI 自媒体主理人华建新，围绕“个人智能体：从新工具到新入口？”展开讨论。

从手机、眼镜、耳机到更多随身设备，个人智能体正在重新引发行业对下一代人机交互入口的思考。潘乱认为，个人智能体可能带来一场范式变革：AI 产品的价值正在从争夺用户注意力，转向帮助用户更高效地完成任务。未来的个人智能体不仅要响应明确指令，还应主动承担任务，帮助用户处理那些目标明确、却不值得投入大量时间的事务。

对于下一代个人硬件，华建新提出，未来的入口未必由某一种设备独占，眼镜、耳机及其他能够感知环境、执行任务的硬件都有机会。他认为，个人智能体不仅需要理解用户，还需要通过物理设备持续感知现实世界并采取行动，这为不同形态的硬件带来了新的发展空间。

Eugene Wei 则将讨论引向“上下文”的价值：个人智能体能否真正理解用户的兴趣、沟通记录与社会关系，将影响它能否成为有价值的个人入口。在衡量新入口是否成立时，他也提出，可以关注用户每天与 Agent 的交互情况，以及究竟是用户主动找 Agent 更多，还是 Agent 主动找用户更多。圆桌由此进一步讨论了个人智能体的产品价值、硬件形态与未来衡量标准。

从“能聊天”到“能办事”，对话式 AI 如何创造真实价值？

在由声网首席商业官崔博主持的第二场圆桌中，斜跃智能创始人陈伟、冠客科技创始人耿祥磊、Rokid 乐奇联合创始人兼生态负责人蔡国祥，以及泰坦启明 CEO 吴侃，从具身智能、智能穿戴、企业营销与 AI 招聘等不同场景出发，探讨对话式 AI：驱动下一代的人与 Agent 交互。

陈伟认为，具身智能的关键是让人的意图真正转化为机器人的行动。 机器人不仅要理解语音指令，还需要融合视觉、语音及自身状态等多模态信息，完成对物理环境的感知、规划与决策，并根据行动后的环境变化持续调整任务执行。相比完成预设的演示任务，机器人更重要的是在开放环境中持续理解人的真实需求，让行动始终与人的意图保持一致。斜跃智能正在发展的Duplex Reasoning全新范式的具身基础模型，旨在实现机器人交互和行动的一体化。

蔡国祥则从 AI 眼镜的实践出发，强调对话体验是 AI 穿戴设备的核心竞争力。 他表示，无论硬件和背后的 AI 能力多么强大，如果对话不够自然，用户体验就会受到直接影响。未来，AI 穿戴设备需要通过低延迟、稳定的实时交互，以及对语义和长期上下文的理解，让用户逐渐感受不到自己是在与 AI 对话。他还分享了 Rokid 乐奇 AI 助手采用声网 RTC 链路服务的实践，并看好 AI 眼镜成为 AI 时代重要的个人入口。

在企业应用场景中，耿祥磊指出，AI 语音座席要实现可靠的业务交付，必须解决延迟、打断时机与拟人化等问题，其中延迟甚至可能直接影响任务结果。对于 To B 营销，AI 还需要与行业知识体系及人工协作相结合，才能更好地保障业务结果。吴侃则结合 AI 招聘实践表示，对话式 AI 能帮助招聘业务大规模触达求职者、提升服务效率，而不是简单替代人工。要形成业务闭环，还需沉淀行业数据，以求职者为本体梳理业务，帮助 Agent 建立长期记忆，并围绕到面、入职等实际业务事件，辅助 AI 持续评估和优化服务质量。

不同行业对对话式 AI 的要求虽有差异，但共同指向一个方向：AI 不仅要能交流，还要能够理解真实场景、融入现有业务流程，并可靠地完成任务。业界观察，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 有望从交互工具进一步成为连接数字世界与物理世界、推动业务运行的重要力量。