对话式AI如何迈向AGI？声网赵斌提出五级对话能力框架

10月23日，在 iRTE2026 实时智能大会主论坛上，声网创始人兼 CEO 赵斌发表题为《对话 AGI：实时互动的下一章》的演讲。他回顾了过去一年实时互动、对话式 AI 与底层基础设施的演化，并提出“五级对话能力”框架，系统阐述对话式 AI 从机械应答走向深度认知与长期关系沟通的演进路线。

赵斌认为，AI 正在从单次解答问题延伸至持续交流、理解上下文并执行复杂任务，实时互动的对象逐步从“人与人”扩展到“人与 Agent”。实时互动技术的角色也随之改变：它不仅要保障低延迟、高稳定的信息传递，更要为 AI 的感知、理解、表达与行动提供端到端支持。

对话 AGI 的五级演进框架

赵斌指出，衡量对话式 AI 的成熟度，不能仅关注推理速度或语言流利度，更核心的是其能否理解用户的真实意图、身处情境与长远关系。对此，他提出了对话能力的五个演进层级：

• L1（基于自身视角的表达）：以自我表达与被动接续为主，表现为传统的“一问一答”。
• L2（基于互动规律的表达）：具备主动表达能力，让多轮交互显得更自然、连贯。
• L3（基于个体认知的沟通）：能够识别交流对象的个性、意图与当下处境，实现因人而异的差异化互动。
• L4（基于群体认知的沟通）：理解复杂的社会关系网络与角色分工，适应多人协作与多方会话场景。
• L5（基于深度关系的沟通）：掌握长周期上下文与关系沉淀，与用户形成思维默契，实现从“理解单次输入”到“理解整个人”的跃迁。

这一框架清晰反映了人机关系的变化。当前对话式 AI 正在迈向全双工交互阶段，逐步攻关多模态情绪感知与长期记忆管理，推动通用人工智能（AGI）在沟通层面的真正落地。

实时智能基础设施：连接模型与落地场景

过去一年，OpenAI 等头部机构深度拥抱 WebRTC 等技术，驱动实时交互底座成为对话式 AI 领域不可或缺的一环。

与非实时推理不同，对话场景对双向交互的延迟极其敏感。AI 需要在接收音频流的同时同步理解语义、组织应答，并随时支持打断响应与后台工具调用。任何明显的延迟波动，都会迅速瓦解对话的临场感。

为应对这些挑战，声网正发力“实时智能基础设施”（Real-Time AI Infra）：依托全球实时传输网络、云边端协同推理、实时事件编排与全双工引擎，构建起大语言模型、Agent 架构与最终用户之间的低延迟纽带。此外，声网还面向开发者提供包含 SDK、Skills 及 CLI 工具链在内的对话式 AI 套件，降低复杂 Agent 的工程门槛。

英伟达首席架构师、AOMedia 视频编解码工作组联合主席 Andrey Norkin 也在会上深入解读了新一代 AV2 视频编解码标准在高效传输中的关键作用。

行业探讨：硬件入口变革与业务落地闭环

在大会的圆桌讨论中，与会嘉宾就“个人智能体是否会成为下一代入口”展开深度研讨。嘉宾们认为，个人智能体正推动范式转移，产品的核心指标正从抢占用户时长转变为协助高效解决任务。随身硬件方面，未来的入口大概率不会被单一形态垄断，智能眼镜、无线耳机等具备环境感知能力的硬件均拥有广阔空间，而智能体对个人历史上下文的沉淀深度，将决定该入口的生命力。

另一场圆桌则聚焦“从聊天走向执行”。在具身智能领域，行业正探索双工推理范式，打通机器人的环境感知、决策规划与物理执行；在 AI 眼镜端，低延迟 RTC 链路与全双工对话已成为衡量穿戴设备沉浸感的核心体验标准；在企业级座席与招聘等 B 端场景中，AI 更是必须攻克精准打断、行业私有数据结合及长期状态追踪，才能实现真正可靠的业务交付。

从单轮问答到长时交互，从纯文本界面到软硬协同的具身载体，对话式 AI 正在演进为连接数字世界与物理世界的实时神经中枢。