۱۰ اکتبر ۲۰۲۶، کنفرانس هوش مصنوعی بلادرنگ iRTE2026 در پکن برگزار شد. ژائو بین، بنیان‌گذار و مدیرعامل声网، در مجمع اصلی سخنرانی‌ای با عنوان «گفت‌وگو با AGI: فصل بعدی تعامل بلادرنگ» ایراد کرد و در آن تغییرات کلیدی سال گذشته در تعامل بلادرنگ، هوش مصنوعی محاوره‌ای و زیرساخت‌های پایه را مرور نمود و چارچوب «پنج سطح توانایی گفت‌وگو» را ارائه داد و مسیر تکامل هوش مصنوعی محاوره‌ای از پاسخ‌دهی پایه به سوی درک عمیق و ارتباط رابطه‌محور را ترسیم کرد.
ژائو بین معتقد است با حرکت هوش مصنوعی از پاسخ به سؤال به سوی ارتباط مستمر، درک زمینه و اجرای وظایف، موضوع تعامل بلادرنگ در حال گسترش از انسان به انسان به انسان به Agent است. نقش فناوری تعامل بلادرنگ نیز به تبع آن گسترش می‌یابد: نه تنها باید انتقال اطلاعات را پایدارتر و روان‌تر کند، بلکه باید پشتیبانی بلادرنگ برای ادراک، درک، بیان و اقدام هوش مصنوعی فراهم آورد.
از «یک سؤال، یک پاسخ» تا ارتباط عمیق رابطه‌محور: پنج سطح تکامل گفت‌وگو با AGI
از دیدگاه ژائو بین، پیشرفت هوش مصنوعی محاوره‌ای نباید تنها با سرعت پاسخ و طبیعی بودن زبان سنجیده شود. مهم‌تر آن است که آیا می‌تواند نیت، موقعیت و رابطه طرف گفت‌وگو را درک کند، در موقعیت‌های پیچیده به‌شکل مناسب بیان کند و به‌تدریج درک بلندمدت و عمیق شکل دهد.
بر اساس این داوری، ژائو بین در سخنرانی خود چارچوب «پنج سطح توانایی گفت‌وگو» را ارائه کرد و توانایی گفت‌وگو را به پنج سطح تقسیم نمود:
L1، بیان مبتنی بر دیدگاه خود: عمدتاً بیان خود و پیوستن منفعلانه، تحقق «یک سؤال، یک پاسخ».
L2: بیان مبتنی بر قواعد تعامل: حرکت از پاسخ منفعلانه به بیان فعالانه، طبیعی‌تر و منسجم‌تر کردن گفت‌وگو.
L3: ارتباط مبتنی بر شناخت فردی: درک هویت، نیت و موقعیت فرد، تحقق ارتباط متناسب با هر فرد.
L4: ارتباط مبتنی بر شناخت گروهی: درک روابط اجتماعی و تفاوت نقش‌ها، سازگاری با موقعیت‌های پیچیده ارتباط چندنفره.
L5: ارتباط مبتنی بر رابطه عمیق: درک زمینه بلندمدت و تحول رابطه، شکل‌دهی درک عمیق‌تر و هماهنگی فکری، تا ارتباط از درک لحظه به درک یک انسان برسد.
این پنج سطح نه تنها تقویت تدریجی فناوری گفت‌وگو، بلکه تغییر رابطه بین هوش مصنوعی و انسان را نشان می‌دهند: از تکمیل یک دور پرسش و پاسخ، به درک یک فرد، سپس درک روابط بین افراد، و در نهایت شکل‌دهی ارتباط عمیق فراتر از زمان و موقعیت.
ژائو بین اشاره کرد که هوش مصنوعی محاوره‌ای در حال حرکت از تعامل منفعلانه اولیه به سوی گفت‌وگوی تمام‌دوطرفه فعال‌تر و طبیعی‌تر است و شروع به تلاش برای درک شخصیت، موقعیت، احساسات و روابط افراد کرده است. در آینده، هوش مصنوعی باید در موقعیت‌های اجتماعی پیچیده تقسیم نقش‌ها و نظم ارتباط را بشکند و زمینه‌های انباشته بلندمدت فردی را عمیق‌تر درک کند. این نیز جهت توسعه مهم گفت‌وگو با AGI است: هوش مصنوعی نه تنها می‌تواند یک جمله را بفهمد، بلکه می‌تواند با ترکیب بافت کامل، نیت واقعی یک فرد را درک کند و پاسخ مناسب دهد.
زیرساخت هوش مصنوعی بلادرنگ: زیرساخت کلیدی پشتیبان گفت‌وگو با AGI
تکامل مستمر توانایی گفت‌وگو، الزامات بالاتری نیز برای فناوری پایه ایجاد کرده است. ژائو بین در سخنرانی خود اشاره کرد که در سال گذشته، پذیرش عمیق فناوری WebRTC توسط شرکت‌هایی مانند OpenAI، توجه و کاربرد فناوری تعامل بلادرنگ را در حوزه هوش مصنوعی محاوره‌ای به‌طور گسترده‌تری گسترش داده است. با حرکت هوش مصنوعی از پرسش و پاسخ تک‌دوره‌ای به تعامل مستمر، زیرساخت تعامل بلادرنگ در حال تبدیل شدن به پشتیبانی فنی مهمی برای اتصال مدل‌ها، چارچوب‌های اجرای Agent و کاربران است.
در مقایسه با برنامه‌های سنتی هوش مصنوعی، موقعیت‌های گفت‌وگو الزامات سخت‌گیرانه‌تری برای تأخیر، پایداری و تعامل دوسویه دارند. هوش مصنوعی باید همزمان با دریافت ورودی کاربر، زمینه را درک کند، پاسخ را سازماندهی کند، در صورت لزوم随时 با وقفه مقابله کند و به‌طور مستمر ابزارها را فراخوانی و وظایف را پیش ببرد. هرگونه تأخیر قابل توجه در هر حلقه ممکن است طبیعی بودن گفت‌وگو را مختل کند و حتی بر تکمیل وظیفه تأثیر بگذارد.
برای پشتیبانی از این نیازها، ژائو بین جهت زیرساخت تعامل هوشمند بلادرنگ را معرفی کرد: از طریق شبکه انتقال بلادرنگ جهانی، استنتاج مشترک توزیع‌شده ابر-لبه-دستگاه، هماهنگی بلادرنگ و توانایی تعامل تمام‌دوطرفه، مدل‌ها و Agentها بتوانند در موقعیت‌های واقعی به‌طور مستمر همکاری کنند. موتور هوش مصنوعی محاوره‌ای声网 نیز با تعامل تمام‌دوطرفه به‌عنوان هسته، مدل‌ها، چارچوب‌های اجرای Agent و کاربران را متصل می‌کند و تجربه گفت‌وگوی بلادرنگ پایدار و همزمان را پشتیبانی می‌نماید.
در همین حال،声网 به‌طور مستمر ابزارها و کیت‌های توسعه هوش مصنوعی محاوره‌ای را برای توسعه‌دهندگان بهبود می‌بخشد و با ترکیب قابلیت‌هایی مانند SDK، Skills، ابزارهای CLI و Recipes به توسعه‌دهندگان کمک می‌کند Agentهایی با منطق کامل و توانایی اجرا را به‌شکل کارآمدتر بسازند.
از خدمات مشتریان و آموزش تا همراهی هوش مصنوعی و پوشیدنی‌های هوشمند، ژائو بین معتقد است هوش مصنوعی محاوره‌ای در حال ورود به موقعیت‌های واقعی بیشتری است. اینکه آیا هوش مصنوعی می‌تواند واقعاً ارزش ایجاد کند، نه تنها به این بستگی دارد که آیا مدل «می‌تواند حرف بزند»، بلکه به این نیز بستگی دارد که آیا می‌تواند نیازها را درک کند، به‌طور طبیعی ارتباط برقرار کند و به‌طور مستمر وظایف را تکمیل کند. فناوری تعامل بلادرنگ در این فرآیند نقش فزاینده‌ای ایفا خواهد کرد.
سپس آندری نورکین، معمار ارشد انویدیا و رئیس مشترک گروه کاری کدگذاری ویدئو AOMedia، سخنرانی‌ای درباره فناوری کدگذاری ویدئو AV2 ارائه داد.
گفت‌وگوی میزگرد: آیا Agent شخصی به ورودی نسل بعدی فردی تبدیل خواهد شد؟
در اولین میزگرد که توسط تونی وانگ، هم‌بنیان‌گذار声网، اداره می‌شد، یوجین وی، مدیر محصول رسانه‌های تعاملی و وبلاگ‌نویس فناوری، پان لوان، فعال رسانه‌های فناوری و مجری پادکست «لوانفوشو»، و هوا جیان‌شین، کارآفرین سخت‌افزار AIoT و مدیر رسانه خودرسانه‌ای هوش مصنوعی لبه‌ای، حول محور «Agent شخصی: از ابزار جدید تا ورودی جدید؟» به بحث پرداختند.
از گوشی، عینک، هدفون تا دستگاه‌های همراه بیشتر، Agent شخصی دوباره تفکر صنعت درباره ورودی نسل بعدی تعامل انسان و ماشین را برانگیخته است. پان لوان معتقد است Agent شخصی ممکن است یک تغییر پارادایم ایجاد کند: ارزش محصولات هوش مصنوعی در حال حرکت از رقابت برای جلب توجه کاربر به کمک به کاربر برای تکمیل کارآمدتر وظایف است. Agent شخصی آینده نه تنها باید به دستورات صریح پاسخ دهد، بلکه باید فعالانه وظایف را بر عهده بگیرد و به کاربران در رسیدگی به اموری که هدف مشخصی دارند اما ارزش صرف زمان زیاد را ندارند، کمک کند.
درباره سخت‌افزار شخصی نسل بعدی، هوا جیان‌شین مطرح کرد که ورودی آینده لزوماً توسط یک نوع دستگاه انحصار نخواهد داشت؛ عینک، هدفون و سایر سخت‌افزارهایی که می‌توانند محیط را درک کنند و وظایف را اجرا کنند، همگی فرصت دارند. او معتقد است Agent شخصی نه تنها باید کاربر را درک کند، بلکه باید از طریق دستگاه‌های فیزیکی به‌طور مستمر دنیای واقعی را ادراک کرده و اقدام کند، که این امر فضای توسعه جدیدی برای اشکال مختلف سخت‌افزار فراهم می‌کند.
یوجین وی بحث را به سوی ارزش «زمینه» هدایت کرد: اینکه آیا Agent شخصی می‌تواند واقعاً علایق، سوابق ارتباطی و روابط اجتماعی کاربر را درک کند، بر اینکه آیا می‌تواند به ورودی شخصی ارزشمندی تبدیل شود تأثیر خواهد گذاشت. او در سنجش اینکه آیا ورودی جدید معتبر است، پیشنهاد کرد می‌توان به تعامل روزانه کاربران با Agent توجه کرد و اینکه آیا کاربران بیشتر فعالانه به سراغ Agent می‌روند یا Agent بیشتر فعالانه به سراغ کاربران می‌رود. میزگرد از اینجا بحث را درباره ارزش محصول، شکل سخت‌افزار و معیارهای سنجش آینده Agent شخصی ادامه داد.
گفت‌وگوی میزگرد: از «توانایی گپ زدن» تا «توانایی انجام کار»، هوش مصنوعی محاوره‌ای چگونه ارزش واقعی ایجاد می‌کند؟
در دومین میزگرد که توسط کوی بو، مدیر ارشد تجاری声网، اداره می‌شد، چن وی، بنیان‌گذار شی‌یوئه هوشمند، گنگ شیانگ‌لی، بنیان‌گذار گوانکه فناوری، کای گوئوژیانگ، هم‌بنیان‌گذار و رئیس اکوسیستم Rokid乐奇، و وو کان، مدیرعامل تایتان چیمینگ، از منظر موقعیت‌های مختلف مانند هوش تجسمی، پوشیدنی هوشمند، بازاریابی سازمانی و استخدام با هوش مصنوعی، به بررسی هوش مصنوعی محاوره‌ای: محرک تعامل نسل بعدی انسان و Agent پرداختند.
چن وی معتقد است کلید هوش تجسمی تبدیل واقعی نیت انسان به اقدام ربات است. ربات نه تنها باید دستورات صوتی را درک کند، بلکه باید اطلاعات چندوجهی مانند بینایی، صدا و وضعیت خود را ادغام کند، ادراک، برنامه‌ریزی و تصمیم‌گیری درباره محیط فیزیکی را کامل کند و بر اساس تغییرات محیطی پس از اقدام، اجرای وظیفه را به‌طور مستمر تنظیم کند. در مقایسه با تکمیل وظایف نمایشی از پیش تعیین‌شده، برای ربات مهم‌تر آن است که در محیط باز به‌طور مستمر نیازهای واقعی انسان را درک کند و اقدام را همیشه با نیت انسان هماهنگ نگه دارد. شی‌یوئه هوشمند در حال توسعه مدل پایه تجسمی با پارادایم جدید Duplex Reasoning است که هدف آن تحقق یکپارچگی تعامل و اقدام ربات است.
کای گوئوژیانگ از تجربه عینک هوش مصنوعی شروع کرد و تأکید کرد که تجربه گفت‌وگو核心竞争力 اصلی دستگاه‌های پوشیدنی هوش مصنوعی است. او گفت مهم نیست سخت‌افزار و توانایی هوش مصنوعی پشت آن چقدر قوی باشد، اگر گفت‌وگو به‌اندازه کافی طبیعی نباشد، تجربه کاربر به‌طور مستقیم تحت تأثیر قرار می‌گیرد. در آینده، دستگاه‌های پوشیدنی هوش مصنوعی باید از طریق تعامل بلادرنگ با تأخیر کم و پایدار، و درک معنایی و زمینه بلندمدت، کاربران به‌تدریج احساس نکنند که در حال گفت‌وگو با هوش مصنوعی هستند. او همچنین تجربه استفاده دستیار هوش مصنوعی Rokid乐奇 از خدمات لینک RTC声网 را به اشتراک گذاشت و به تبدیل عینک هوش مصنوعی به ورودی شخصی مهم در عصر هوش مصنوعی خوش‌بین بود.
در موقعیت‌های کاربردی سازمانی، گنگ شیانگ‌لی اشاره کرد که برای تحقق تحویل قابل اعتماد کسب‌وکار توسط نماینده صوتی هوش مصنوعی، باید مشکلاتی مانند تأخیر، زمان وقفه و انسان‌نمایی حل شود، که تأخیر حتی ممکن است به‌طور مستقیم بر نتیجه وظیفه تأثیر بگذارد. برای بازاریابی B2B، هوش مصنوعی همچنین باید با سیستم دانش صنعت و همکاری انسانی ترکیب شود تا بتواند بهتر نتایج کسب‌وکار را تضمین کند. وو کان با ترکیب تجربه استخدام با هوش مصنوعی گفت که هوش مصنوعی محاوره‌ای می‌تواند به کسب‌وکار استخدام در دسترسی گسترده به متقاضیان و بهبود کارایی خدمات کمک کند، نه اینکه صرفاً جایگزین نیروی انسانی شود. برای شکل‌دهی حلقه بسته کسب‌وکار، همچنین باید داده‌های صنعت را انباشته کرد، کسب‌وکار را با متقاضی به‌عنوان محور سازماندهی کرد، به Agent کمک کرد حافظه بلندمدت بسازد و حول رویدادهای واقعی کسب‌وکار مانند مصاحبه و استخدام، به هوش مصنوعی در ارزیابی و بهینه‌سازی مستمر کیفیت خدمات کمک کرد.
از اشتراک‌گذاری چهار مهمان می‌توان دید که الزامات صنایع مختلف به هوش مصنوعی محاوره‌ای هرچند متفاوت است، اما همگی به یک جهت اشاره دارند: هوش مصنوعی نه تنها باید بتواند ارتباط برقرار کند، بلکه باید بتواند موقعیت‌های واقعی را درک کند، در فرآیندهای موجود کسب‌وکار ادغام شود و وظایف را به‌طور قابل اعتماد تکمیل کند. با توسعه مستمر تعامل بلادرنگ، ادراک چندوجهی و توانایی اجرای Agent، هوش مصنوعی محاوره‌ای انتظار می‌رود از یک ابزار تعاملی به نیروی مهمی برای اتصال دنیای دیجیتال و دنیای فیزیکی و پیشبرد عملیات کسب‌وکار تبدیل شود.
از تعامل بلادرنگ به سوی هوش بلادرنگ، آغاز فصل بعدی گفت‌وگو با AGI
از چارچوب پنج سطح توانایی گفت‌وگو که ژائو بین ارائه کرد، تا بحث دو میزگرد درباره Agent شخصی و اجرای واقعی کسب‌وکار، مجمع اصلی iRTE2026 روند صنعتی روشنی را نشان می‌دهد: رقابت در هوش مصنوعی محاوره‌ای در حال گسترش از توانایی مدل پایه به درک زمینه، تعامل بلادرنگ، شناخت روابط پیچیده و اجرای وظایف است.
وقتی هوش مصنوعی دیگر محدود به پاسخ منفعلانه نباشد، بلکه بتواند به‌طور مستمر انسان را درک کند، فعالانه در ارتباط شرکت کند و وظایف را در موقعیت‌های واقعی تکمیل کند، فناوری تعامل بلادرنگ نیز مأموریت عمیق‌تری بر عهده خواهد گرفت.
در آستانه مرحله بعدی گفت‌وگو با AGI،声网 به همراه توسعه‌دهندگان و شرکای صنعت به کاوش در همگرایی تعامل بلادرنگ و هوش مصنوعی مولد ادامه خواهد داد و تجربه تعامل بلادرنگ طبیعی‌تر و کارآمدتر بین انسان و انسان، و انسان و Agent را پیش خواهد برد.
