ون له من أومو سي
موقع QbitAI | الحساب الرسمي QbitAI
لا أقولها من عندي، فالذكاء الاصطناعي اليوم يكتب الشيفرة بسرعة فعلًا، ويُنجز الأبحاث بوتيرة مذهلة؛
لكن بمجرد أن يتعلق الأمر بالمحادثة الصوتية، أريد أن أسأل سؤالًا واحدًا:
ما الذي يستعجله إلى هذا الحد؟!!
أنت لم تُنهِ كلامك بعد، وهو يُسابقك ليبدأ الحديث؛ وКогда تنفعل مشاعرك، لا يزال يقرأ إجابته بتكلف رسمية؛ وتحاول مقاطعته لتغيير الموضوع، لكنه يُصر على إكمال جملته الأخيرة……
هذا ليس محادثة، بل صراع محض.
△ صورة مولّدة بالذكاء الاصطناعي
بصراحة، عقبة «القدرة على الكلام» تجاوزها الذكاء الاصطناعي منذ زمن، لكن «القدرة على المحادثة» ما تزال متأخرة بمسافة كبيرة.
لكي يكون محاورًا جيدًا، عليه أن يفهم المشاعر والمعاني الضمنية، وأن يواكب إيقاع كلامك، وأن يتنازل لك عن الدور في الكلام فورًا عندما تقاطعه.
هذه المضايقات الصغيرة في التجربة قد تبدو لا تُذكر، لكنها في الخلفية تمتد إلى سلسلة كاملة تشمل التعرف على الصوت، وفهم النموذج، والنقل الفوري، واستجابة الجهاز الطرفي.
إذا تباطأفت أي حلقة، تتداعى تجربة المحادثة بسهولة.
ولهذا السبب تحديدًا،أصبح التفاعل الفوري اتجاهًا تعمل فرق النماذج والتطبيقات والأجهزة على معالجته معًا。
وفيمؤتمر iRTE2026 للذكاء الفوريالذي انتهى للتو، اجتمعت كل هذه الفرق في مكان واحد:
الباحثون في نماذج التفاعل من الجيل التالي، ومطوّرو وكلاء خدمة العملاء، وصنّاع الأجهزة الذكية، يتحدثون جميعًا عن الأمر نفسه —
كيف نجعل الذكاء الاصطناعي يواكب التواصل الحقيقي。
مؤتمر بارومتر لاتجاهات الذكاء الاصطناعي الحواري
من منظور مراقب للصناعة، يمكن أن نلاحظ بوضوح أن الخط التطوري الرئيسي للذكاء الاصطناعي الحواري اليوم قدانتقل من «توليد إجابة على شكل جملة واحدة» فحسب، إلى «المشاركة المستمرة في التواصل الحقيقي» بعمق.
فنموذج GPT-Realtime من OpenAI أدى الاستدلال الفوري واستدعاء الأدوات إلى النماذج الصوتية، ليستطيع الذكاء الاصطناعي بعد فهم الطلب أن يقرر كيف يستجيب وأي أدوات يستدعي.
أما Gemini Live من Google فيتيح إجراء المحادثة والتفكير العميق بالتوازي؛ فعند معالجة المهام المعقدة في الخلفية، لا يزال المستخدم قادرًا على مواصلة الحوار؛ وGPT-Live مع Decisions يتيح للوكيل تنفيذ الإجراءات أثناء كلام المستخدم بناءً على النسخ التزايدي.
من الاستماع والكلام في آنٍ واحد (ثنائي الاتجاه الكامل)، إلى الحكم متعدد الوسائط الذي يجمع الصوت والصورة، يخرج الذكاء الاصطناعي تدريجيًا من نمط المناقشة التقليدي سؤال وجواب.
كبرى الشركات تواصل دفع التفاعل الفوري قدمًا، وأصبح مؤتمر iRTE نافذة لملاحظة كيفية انتقال هذه التقنيات إلى الصناعة.
فقد أُقيم هذا المؤتمر الصناعي عام 2020، وتمت ترقيته من RTC إلى RTE، وتوسعت محاوره من الاتصال الصوتي والمرئي الفوري إلى تجارب تفاعل فوري أكثر ثراءً؛
وفي هذا العام، أُضيف إلى RTE حرف «i» (اختصار Intelligent، أي الذكاء الفوري)، ليُرقّى رسميًا إلى iRTE، مع تركيز إضافي على دمج التفاعل الفوري مع الذكاء الاصطناعي التوليدي.
الاسم زاد حرفًا واحدًا فقط، لكن المهام المطلوبة زادت كثيرًا.
لا يصعب أن ندرك من مواضيع الجلسات الخاصة الاتجاه المحوري لهذه الدورة من مؤتمر iRTE، حيث يتناول أكثر من عشرة منتديات وأكثر من 100 جلسة مشاركة معمّقة الأسئلة الواقعية الثلاثة التي يجب تجاوزها لتنفيذ الذكاء الاصطناعي الحواري على أرض الواقع.
السؤال الأول هو المواءمة بين قدرات النموذج والنتائج التجارية.
ناقشت Meituan وAlibaba وMiniMax وAgora على منصة واحدة في الجلسة الخاصة بالوكلاء الأذكياء لخدمة العملاء على مستوى المؤسسات أنه مهما كان أداء النماذج اللغوية الكبيرة متميزًا في الحوار، فإنها لن تنتج قيمة تجارية إذا لم تكن قادرة على التكيف مع عمليات الأعمال الحقيقية.
يحتاج القطاع بشدة إلى سد الفجوة بين مسارات النماذج والتنفيذ الهندسي وأهداف الأعمال.
الفرضية الثانية: خلف الحوار السلس تكمن منظومة كاملة من البنية التحتية التقنية الأساسية التي لا يمكن غيابها.
لتحقيق حوار فوري طبيعي، لا يكفي الاعتماد على النموذج الكبير وحده. وقد ناقش خبراء تقنيون من شركات وجامعات ومؤسسات بينها StepFun، وجامعة الصينية في هونغ كونغ (شنتشن)، ومختبر تقنيات الصوت والكلام بجامعة تسينغهوا، وQwen Audio، وAnt Bai Ling، وشاومي، وSoul، في جلسة متخصصة في الذكاء الاصطناعي الحواري وتقنيات الذكاء الاصطناعي الصوتي، اتجاهات منها نماذج التفاعل، واستخراج الصوت المستهدف، والتعرف على المتحدثين المتعددين، وتوليد الكلام في الوقت الفعلي.
تشكّل القطاع إجماعاً على أن أي قصور في واحدة من هذه التقنيات الأساسية سيُفسد تجربة الحوار مباشرة.
أما الفرضية الثالثة، فهي الاختبار الواقعي بعد انتقال التقنية من المختبر إلى الأجهزة الطرفية.
حين تهبط قدرات الذكاء الاصطناعي إلى الأجهزة المادية، يجب على الحلول التقنية مواجهة بيئة فيزيائية معقدة وحقيقية.
وطرحت Rockchip وUniview وPETKIT في جلسة الأجهزة الذكية والذكاء المُجسَّد أن مجرد ربط النموذج الكبير بالجهاز لا يكفي إطلاقاً، إذ يجب أن يُعاد النظر في قيود القدرة الحاسوبية على الجهاز والإدراك للبيئة الواقعية في ضوء قيمة المنتج ذاتها.
بعد تجهيز الجهاز بالذكاء الاصطناعي، يجب أن يكتسب قدرات متمايزة تجعل المستخدم راغباً فعلاً في الاستمرار في استخدامه.
ودفعت طاولة مستديرة في المنتدى الرئيسي النقاش نحو مستوى التطبيق العملي.
يعتقد تشن وي، مؤسس Xieyue Intelligence، أن مفتاح الذكاء المُجسَّد هو تحويل نوايا الإنسان فعلياً إلى أفعال الروبوت. فالروبوت لا يجب أن يفهم الأوامر الصوتية فحسب، بل يحتاج أيضاً إلى دمج معلومات متعددة الوسائط كالرؤية والصوت وحالته الذاتية، لتنفيذ الإدراك والتخطيط واتخاذ القرار بشأن البيئة المادية، وتعديل تنفيذ المهام باستمرار وفقاً لتغيرات البيئة بعد كل فعل.
وطرح تساي قوه شيانغ، المؤسس المشارك في Rokid، أنّ طبيعية الحوار هي العامل الحاسم في تجربة مستخدم أجهزة الذكاء الاصطناعي القابلة للارتداء؛
بينما أشار غنغ شيانغ لي، مؤسس Guanke Technology، إلى أن تأخير مقاعد الصوت والتحكم الدقيق في توقيت المقاطعة التفاعلية يؤثران مباشرة في نتائج الأعمال. سواء كانت أجهزة ذكية أو سيناريوهات خدمة عملاء للمؤسسات، فإن جميع هذه الاختبارات تلتقي في نهاية المطاف في نافذة التفاعل القصيرة ذات الثواني القليلة بعد أن يفتح المستخدم فمه.
النموذج مسؤول عن الفهم والاستدلال، لكن الشبكة الفورية ومعالجة الصوت والفيديو وتنسيق التفاعل تحتاج جميعها أيضاً إلى التعاون والمواكبة.
المهندس المعماري الرئيسي في إنفيديا، والحاصل على جائزة إيمي للتقنيات والهندسة لعام 2025Andrey Norkinقدّم عرضاً حول ترميز الفيديو من الجيل الجديد AV2، لاستكمال حلقة تسليم الوسائط الحاسمة، واستكشاف سبل ضمان تجربة تفاعل فيديو عالية الجودة بكفاءة ضغط أعلى.
من قدرات النموذج إلى إغلاق حلقة الأعمال، ومن الأجهزة الطرفية إلى نقل الوسائط، تصبح اتجاهات القطاع التي عرضتها iRTE أوضح تدريجياً:
منافسة الذكاء الاصطناعي الحواري امتدت بالفعل إلى سلسلة التفاعل الحقيقي الكاملة。
أما البنية الأساسية الداعمة لهذه السلسلة، والمحدِّدة للحد الأدنى لتجربة التفاعل، والأكثر تطلباً للفورية، فهي بالضبطالمجال الذي تعمق فيهAgora.
ما تسعى Agora إليه هو بناء البنية التحتية الفورية لعصر الذكاء الاصطناعي التوليدي.
وبالنظر على طول هذه السلسلة، نجد أن المهام التي تتحملها Agora تتغير أيضاً.
في الماضي، كانت مؤتمرات الفيديو والفصول الدراسية عبر الإنترنت والمحادثات الصوتية الجماعية تحتاج أساساً إلى نقل أصوات الناس وصورهم بسلاسة فيما بينهم.
أما اليوم، فمع انضمام الـAgent، يحتاج التعرف على الكلام واستدلال النموذج واستدعاء الأدوات والتغذية الراجعة الطرفية جميعها إلى التنسيق في الوقت المناسب أثناء التواصل.
وقد توسّع إطار «خمسة مستويات من القدرة الحوارية» الذي طرحه تشاو بين، مؤسس Agora ومديرها التنفيذي، في المنتدى الرئيسي، في شرح هذا التغير:
من المستوى L1 حيث يجيب عن سؤال لكل سؤال، إلى L2 حيث يتقن قواعد التفاعل وينسق توقيت الاستماع والتحدث، ثم L3 حيث يفهم نوايا الفرد وظروفه، وL4 حيث يفهم العلاقات بين عدة أشخاص وحدود التواصل، وصولاً إلى L5 حيث يتواصل بعمق استناداً إلى سياق طويل الأمد.
وبموجب هذا الإطار، فإن سرعة الإجابة وطبيعية الصوت ليست سوى جزء من القدرات. إذ يحتاج الذكاء الاصطناعي أيضاً إلى أن يفهم مع من يتحدث، ولماذا قال الطرف الآخر ذلك، وأي رد يكون مناسباً.
الاختبار الأكثر مباشرة حالياً هو التعامل مع التوقفات والمقاطعات وتنفيذ المهام.
والتعاون بين «الدماغ السريع والبطيء»يعالج هذا النوع من المشكلات.
يتيح هذا الإطار للنموذج التفاعلي الحفاظ على حوار فوري، بينما يتولى النموذج الخلفي الاستدلال العميق والبحث واستدعاء الأدوات. ويمكن للمستخدم متابعة إضافة شروط وتعديل المتطلبات، فيعدّل النظام التنفيذ وفقاً لذلك.
لكن بعد التوازي، يجب أن تظل عدة نماذج متسقة: إذا قُبل الطلب الجديد في المقدمة، فلا يمكن أن يستمر التنفيذ في الخلف وفق المهمة القديمة.
عرضت شينغوانغ (Sound Network)Agora Conversational Modelوهو نظام حوار هجين يعتمد على تعاون نماذج متعددة، ينظّم إدراك الصوت والاستجابة ثنائية الاتجاه الكاملة والاستدلال والأدوات والذاكرة والتعبير الصوتي، وينسّق الاستماع المستمر وتقدير النية واتخاذ الإجراء.
كما امتد دور البنية التحتية في الوقت الفعلي من الاتصال والنقل إلى التنسيق بين النماذج أثناء الحوار.
أماConversational Agent Systemالذي قدّمه تشاو بين، فيجمع القدرات المذكورة مع الشبكة العالمية في الوقت الفعلي ومعالجة الصوت وبنية الاستدلال التحتية. فيجب أن يُنقل الصوت والصورة باستمرار، وأن تتم مزامنة الأدوار والسياق وحالة الأعمال في الوقت المناسب.
وقد طرح كذلك توجهالسحابة الموزعة للاستدلال في الوقت الفعليالذي يشمل أيضاً جعل النماذج تعمل قرب المستخدمين، واختيار النماذج والأدوات والمسارات ديناميكياً وفقاً لزمن التأخير والحمل والسيناريو.
ولدخول هذه القدرات إلى الأعمال والأجهزة الطرفية، توجد منتجات مقابلة تستوعبها.
محرك ذكاء اصطناعي محادثييربط النماذج وأطر تشغيل الوكلاء (Agent) بالمستخدمين، ويتوافق مع البنية المتتالية (cascaded) والبنية من الطرف إلى الطرف (end-to-end)، ويوفر قدرات مثل إدارة الأدوار والتعامل مع المقاطعات وتثبيت الانتباه؛
حزمة التطويرتساعد الأجهزة على التوسع من المحادثة الصوتية إلى التفاعل البصري والحركي؛
Call Agentموجه للأعمال الهاتفية، ويوفر أدوات مثل إعداد الخطوط وتنسيق سير العمليات واختبار النشر والمراقبة.
أما المطورون فيمكنهم من خلال SDK وSkills وCLI وRecipes الحصول على دعم للوصول والمساعدة في البرمجة بالذكاء الاصطناعي وأمثلة للسيناريوهات، وبالاستعانة بمشاريع مفتوحة المصدر مثل TEN Framework يمكنهم دمج النماذج والأدوات والذاكرة، مما يقلل من التكرار في بناء العناصر الأساسية.
فمن الشبكة ومعالجة التفاعل إلى المنتجات والأدوات، تعمل Shengwang (Agora) على تنظيم القدرات اللازمة للتواصل بين البشر والوكلاء في شكل بنية تحتية قابلة لإعادة الاستخدام.
وهذا يتماشى مع تحول المؤتمر من RTE إلى iRTE.
حيث بدأ التفاعل في الوقت الفعلي يحمل الذكاء، أصبحت الأنظمة الأساسية بحاجة إلى تمكين الفهم والاستدلال والعمل لدى النماذج من التعاون باستمرار في التواصل الحقيقي.
أما المستخدم العادي، فقد لا يهتم بعدد النماذج المتعاونة في الخلفية أو عدد عقد الشبكة التي تمر عبرها البيانات. فمطلبنا كان دائماً بسيطاً:
أن يستمع إليك قبل أن تنتهي من الكلام، وأن يواكب تغيير رأيك، وأن ينجز ما كلّفته به بشكل جيد——
وبما أن الذكاء الاصطناعي أصبح بهذه الذكاء، فمن المفترض أن يجعل الحديث معه مرتاحاً للناس أيضاً.