从“问一句答一句”到“理解一个人”：声网赵斌提出对话AGI五级对话能力框架

过去，人们评价AI助手，主要看它回答得准不准、反应快不快，以及说话像不像“人”。

现在，人们不再只满足于这些基本要求，还希望AI能记住此前的交流、理解自己的真实意图，甚至主动帮忙把事情办完。

要支撑这些变化，光靠模型本身还远远不够，声音传输、上下文衔接和工具调用等底层能力也需要跟上。

为此，声网创始人兼CEO赵斌在iRTE2026实时智能大会上给出了自己的判断：对话AGI的目标，不只是让AI变得更聪明，还要让它真正“理解一个人”。

围绕这一判断，赵斌还提出“五级对话能力”框架，并进一步给出Real-Time AI Infra的基础设施方向。

01 对话AGI五级进化：从“问一句答一句”到“理解一个人”

10月23日，iRTE2026实时智能大会在北京举行，与以往大会相比，声网此次将大会议题从实时互动的“连通”进一步延伸到了“承载智能”。

回望实时互动近一年的变化，声网创始人兼CEO赵斌认为，这一领域的定位和使命出现了明显的改变。

比如OpenAI在实时对话模型中深入采用WebRTC，推动实时通信技术与对话式AI融合；对话式AI加速融入到各种工作流，甚至生成式数字人和生成式视频在实时推理上的进展；对话式人机界面也在多个领域加速落地。

这些变化也将一个更深层的问题推到台前：当AI开始持续参与交流、进入真实业务，它还需要具备怎样的对话能力？

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，并逐步形成深入的理解。

基于这一变化，赵斌提出了“五级对话能力”框架。L1是基于自身视角的表达，主要表现为“问一句、答一句”；L2开始理解互动规律，从被动接续走向主动表达。

尤其是L3，作为分水岭，要求“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。这不仅需要长期记忆结构化、用户画像动态更新，还需要更加精细地理解意图。

也就是说，AI能否跨过L3，主要体现在能否记住用户上次说过的话、判断用户此刻的状态、甚至能否根据对象调整不同的表达方式。

要让这些体验真正实现，底层交互链路同样关键。声网的实时交互能力在这里充当了记忆和意图的传动通道，也就是把上下文稳定地送进模型，将回应稳定地送还给用户。

到了L4，AI需要进入多人交流，理解群体中的角色分工、社会关系和表达边界；L5则把时间维度加入其中，要求系统理解长期上下文与关系演变，形成基于深度关系的沟通。

从这个角度看，声网提出的并不只是五个技术等级，也是一条从“表达”走向“沟通”的路径，指向的行业变化是，对话式AI的竞争开始从“谁更会回答”，转向“谁更理解交流”。

这也是对话AGI的重要发展方向和目标，AI不仅能听懂一句话，还要结合完整语境理解一个人的真实意图，并作出恰当回应。

02 对话能力向上走，基础设施成为关键

需要看到的是，从理解一句话到理解一段关系，达到人与AI之间的深度互动，不是只靠模型升级就能实现的。

一次持续的语音互动，背后有可能同时运行着终端采集、网络传输、模型推理、记忆管理、工具调用和语音生成等多个环节。

用户一边表达，系统就要一边理解，用户随时插话，系统需要及时调整，涉及实际任务时，还要保证模型、工具和业务系统之间的状态同步。

整条链路不仅环节多、协同复杂，还需要企业投入大量时间和研发人力。任何一个环节出现明显延迟，用户感受到的都不是某个技术模块出了问题，而是“这个AI没有理解我”。

这些问题也会随着对话能力的升级进一步放大。从L3到L5，AI需要理解的上下文越来越多，对话持续的时间也越来越长。

此时，决定体验的就不只是模型能否给出一次好的回答，还包括每一次输入、状态和回应能否被稳定承接。那么支撑这种持续交互的底座到底是什么？

赵斌给出的方向是Real-Time AI Infra，即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。

同时，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。

不过，基础设施方向要真正进入产业，还需要进一步降低开发门槛。对许多企业而言，并不缺少场景和产品创意，难点在于缺少实时通信、模型接入和语音工程的经验。如果每个团队都要从头搭建一遍底层链路，对话式AI的应用速度或许就会受到限制。

为此，声网在大会上发布实时互动AI开发工具包，并持续完善对话式AI引擎、SDK、Skills、CLI和场景化Recipes等能力，尝试把模型、语音、通道和会话管理等环节封装起来，让开发者更快完成从Demo到真实业务部署的验证。

03 以“AI眼镜”为矛，打开对话式AI的应用空间

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。

在体验区，声网工作人员向笔者演示了对话式AI引擎的接入过程，服务端接收到App请求后唤起智能聊天能力，客户端再进入相应的“AI房间”与Agent对话。模型、语音与通道能力由此被接入同一套交互流程，企业可以在此基础上继续开发自己的应用。

在这样的技术支撑下，对话式AI的应用边界也在不断拓展，从客服、教育到AI陪伴与智能穿戴，开始进入更多真实场景。

这种变化首先体现在AI陪伴赛道。随着用户对情感交互和个性化陪伴的需求增加，AI玩具与陪伴产品正在成为对话式AI的重要应用方向。

用户不必局限于预置指令，可以连续表达、随时追问，产品则结合上下文作出回应。

角色、内容和互动能力也可以在产品售出后持续更新，让企业更快地去印证其商业化是否成功。

值得关注的是，国内针对AI拟人化互动服务出台的专门监管规则，将个人信息保护、防止沉迷依赖和科技伦理审查等纳入其中。

在AI眼镜上，对话式AI有了新的个人入口，用户可以直接说出需求，并结合设备获取的环境信息获得回应，语音也有机会从一种辅助操作方式，转变为连接用户与智能服务的重要界面。

赵斌认为，AI眼镜和AR眼镜正在把对话式人机界面变成提供服务的默认方式和主流使用形态。

Rokid乐奇联合创始人、生态负责人蔡国祥也在圆桌中分享了相关实践，声网RTC链路已为Rokid乐奇AI助手提供服务。

也需要看到的是，对于AI眼镜行业而言，接下来还需要继续丰富应用生态，并协调好续航、重量、显示与隐私保护等产品设计，让交互能力转化为更完整的日常使用体验。

在翻译、客服和招聘等业务场景中，对话式AI则可以更直接地参与工作流程，能够协助跨语言沟通，承担部分重复交流，也可帮助工作人员整理信息、跟进任务。

具身智能将这一应用边界继续向物理世界延伸。机器人需要把语音指令与视觉、位置及自身状态结合起来，再根据环境变化调整行动。

实时交互帮助人与机器保持沟通，而行业还需要持续推进多模态模型、硬件能力和安全机制的发展，让更多任务从演示环境走向实际应用。

结语

相比过去以信息连接为主的实时互动，实时智能更强调持续理解、主动参与和协同执行，不仅要给出回答，还要能够结合语境理解需求，并在真实场景中推进任务。

从实时互动走向实时智能，是iRTE2026传递出的重要信号。声网此次展示的技术框架与应用实践，背后也呈现出产业的趋势，即对话式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。

未来，随着更多应用场景被打开，实时智能能否推动AI从“听懂一句话”真正走向“理解一个人”，并进入更多人的工作与生活，笔者将持续关注。