Am 23. Oktober fand die iRTE2026 Konferenz für Echtzeit-Intelligenz in Peking statt. Zhao Bin, Gründer und CEO von Shengwang, hielt in der Hauptveranstaltung eine Rede mit dem Titel „Dialogische AGI: Das nächste Kapitel der Echtzeit-Interaktion“, in der er die wichtigsten Veränderungen im Bereich Echtzeit-Interaktion, dialogische KI und zugrunde liegende Infrastruktur des vergangenen Jahres Revue passieren ließ und einen „fünfstufigen Rahmen für dialogische Fähigkeiten“ vorstellte, der den Entwicklungsweg der dialogischen KI von grundlegenden Antworten hin zu tiefem Verständnis und Beziehungskommunikation skizziert.
Zhao Bin ist der Ansicht, dass sich mit dem Wandel der KI vom Beantworten von Fragen hin zu kontinuierlichem Austausch, Kontextverständnis und Aufgaben ausführung das Objekt der Echtzeit-Interaktion vom Menschen-zu-Mensch auf Mensch-zu-Agent erweitert. Damit verändert sich auch die Rolle der Echtzeit-Interaktionstechnologie: Sie muss nicht nur die Übertragung von Informationen stabiler und flüssiger machen, sondern auch die Wahrnehmung, das Verständnis, den Ausdruck und das Handeln der KI in Echtzeit unterstützen.
Von „eine Frage, eine Antwort“ zu tiefer Beziehungskommunikation: Die fünfstufige Evolution der dialogischen AGI
Nach Zhao Bins Auffassung sollte der Fortschritt der dialogischen KI nicht allein an Antwortgeschwindigkeit und sprachlicher Natürlichkeit gemessen werden. Entscheidender ist, ob sie die Absichten, Umstände und Beziehungen des Gesprächspartners versteht, ob sie sich in komplexen Situationen angemessen ausdrücken kann und ob sie schrittweise ein langfristiges, tiefes Verständnis aufbaut.
Um diese These herum stellte Zhao Bin in seiner Rede den „fünfstufigen Rahmen für dialogische Fähigkeiten“ vor, der die Dialogfähigkeit in fünf Ebenen unterteilt:
L1, Ausdruck aus eigener Perspektive: überwiegend Selbstdarstellung und passives Anknüpfen, um „eine Frage zu stellen und eine Antwort zu geben“.
L2: Ausdruck auf Grundlage von Interaktionsmustern: vom passiven Reagieren hin zum aktiven Ausdruck, um das Gespräch natürlicher und kohärenter zu gestalten.
L3: Kommunikation auf Grundlage individueller Kognition: Verstehen der Identität, Absichten und Umstände des Individuums, um eine personenspezifische Kommunikation zu ermöglichen.
L4: Kommunikation auf Grundlage kollektiver Kognition: Verstehen sozialer Beziehungen und Rollenunterschiede, um sich an komplexe Kommunikationsszenarien mit mehreren Personen anzupassen.
L5: Kommunikation auf Grundlage tiefer Beziehungen: Verstehen langfristiger Kontexte und Beziehungsentwicklungen, um ein tieferes Verständnis und gedankliches Einverständnis aufzubauen und die Kommunikation vom Verstehen des Moments hin zum Verstehen eines Menschen zu führen.
Diese fünf Ebenen zeigen nicht nur eine stufenweise Verbesserung der Dialogtechnologie, sondern auch eine Veränderung der Beziehung zwischen KI und Mensch: von der Vollendung einer Frage-Antwort-Runde, über das Verstehen eines Menschen, bis zum Verstehen der Beziehungen zwischen Menschen und schließlich zu einer tiefen Kommunikation, die Zeit und Situationen überbrückt.
Zhao Bin wies darauf hin, dass die dialogische KI von frühen, passiven Interaktionen hin zu aktiveren und natürlicheren Vollduplex-Gesprächen fortschreitet und begonnen hat, die Persönlichkeit, Umstände, Emotionen und Beziehungen von Menschen zu verstehen. In Zukunft muss die KI auch Rollenverteilungen und Kommunikationsordnungen in komplexen sozialen Szenarien bewältigen und die langfristig aufgebauten Kontexte von Personen besser verstehen. Dies ist auch eine wichtige Entwicklungsrichtung der dialogischen AGI: Die KI soll nicht nur einen Satz verstehen, sondern in Verbindung mit dem vollständigen Kontext die echte Absicht eines Menschen erfassen und angemessen reagieren.
Real-Time AI Infra: Die entscheidende Infrastruktur zur Unterstützung der dialogischen AGI
Die kontinuierliche Evolution der Dialogfähigkeit stellt auch höhere Anforderungen an die zugrunde liegende Technologie. Zhao Bin erwähnte in seiner Rede, dass die tiefgreifende Übernahme der WebRTC-Technologie durch Unternehmen wie OpenAI im vergangenen Jahr dazu beigetragen hat, dass Echtzeit-Interaktionstechnologie im Bereich der dialogischen KI breitere Aufmerksamkeit und Anwendung findet. Da die KI von einstufigen Frage-Antwort-Interaktionen zu kontinuierlichen Interaktionen übergeht, wird die Echtzeit-Interaktionsinfrastruktur zu einer wichtigen technologischen Stütze, die Modelle, Agenten-Ausführungsframeworks und Nutzer verbindet.
Im Vergleich zu herkömmlichen KI-Anwendungen stellen Dialogszenarien strengere Anforderungen an Latenz, Stabilität und bidirektionale Interaktion. Die KI muss die Eingaben des Nutzers empfangen und gleichzeitig den Kontext verstehen, Antworten formulieren, bei Bedarf jederzeit Unterbrechungen bewältigen und kontinuierlich Werkzeuge aufrufen sowie Aufgaben vorantreiben. Jede spürbare Verzögerung kann die Natürlichkeit des Gesprächs beeinträchtigen und sogar den Erfolg der Aufgabe gefährden.
Um diese Anforderungen zu erfüllen, stellte Zhao Bin Infrastrukturrichtungen für die Echtzeit-Intelligente Interaktion vor: Durch ein globales Echtzeit-Übertragungsnetzwerk, verteilte Cloud-Edge-End-Gemeinschaftsinferenz, Echtzeit-Orchestrierung und Vollduplex-Interaktionsfähigkeiten sollen Modelle und Agenten in realen Szenarien kontinuierlich zusammenarbeiten können. Die dialogische KI-Engine von Shengwang stellt die Vollduplex-Interaktion in den Mittelpunkt, verbindet Modelle, Agenten-Ausführungsframeworks und Nutzer und ermöglicht stabile, synchronisierte Echtzeit-Gesprächserlebnisse.
Gleichzeitig verbessert Shengwang kontinuierlich Entwicklungswerkzeuge und Entwicklungskits für die dialogische KI und unterstützt Entwickler mit SDK, Skills, CLI-Tools und Recipes dabei, Agenten mit vollständiger Logik und Ausführungsfähigkeit effizienter zu entwickeln.
Vom Kundendienst über Bildung bis zu KI-Begleitung und intelligenten Wearables: Zhao Bin ist überzeugt, dass die dialogische KI in immer mehr reale Szenarien vordringt. Ob KI wirklich Mehrwert schafft, hängt nicht nur davon ab, ob das Modell „sprechen kann“, sondern auch davon, ob es Anforderungen versteht, natürlich kommuniziert und Aufgaben kontinuierlich abschließt. Die Echtzeit-Interaktionstechnologie wird dabei eine immer wichtigere Rolle spielen.
Anschließend hielt Andrey Norkin, Chefarchitekt bei NVIDIA und Co-Vorsitzender der Video-Codec-Arbeitsgruppe der AOMedia, eine Präsentation über die AV2 Videocodierungs- und Decodierungstechnologie.
Rundes Tischgespräch: Wird der persönliche Agent zum nächsten persönlichen Einstiegspunkt?
In der ersten Runde, moderiert von Shengwang-Mitgründer Tony Wang, diskutierten der Produktmanager für interaktive Medien und Tech-Blogger Eugene Wei, der Tech-Selbstmediener und Betreiber des Podcasts „乱翻书“ Pan Lun sowie der AIoT-Hardware-Unternehmer und Betreiber des Edge-AI-Selbstmediums Hua Jianxin über das Thema „Persönliche Agenten: vom neuen Werkzeug zum neuen Einstiegspunkt?“.
Vom Smartphone über Brillen und Kopfhörer bis zu weiteren tragbaren Geräten regen persönliche Agenten die Branche erneut zum Nachdenken über den nächsten Einstiegspunkt der Mensch-Maschine-Interaktion an. Pan Lun meint, dass persönliche Agenten einen Paradigmenwechsel bewirken könnten: Der Wert von KI-Produkten verschiebt sich vom Kampf um die Aufmerksamkeit der Nutzer hin zur effizienteren Erledigung von Aufgaben. Künftige persönliche Agenten sollen nicht nur auf klare Anweisungen reagieren, sondern auch aktiv Aufgaben übernehmen und den Nutzern bei Angelegenheiten helfen, die ein klares Ziel haben, aber keine große Zeitinvestition wert sind.
Zur nächsten Generation persönlicher Hardware stellte Hua Jianxin fest, dass der künftige Einstiegspunkt nicht zwangsläufig von einem einzigen Gerätett besetzt sein wird; Brillen, Kopfhörer und andere Hardware, die die Umgebung wahrnehmen und Aufgaben ausführen kann, hätten alle Chancen. Er ist der Ansicht, dass persönliche Agenten nicht nur den Nutzer verstehen müssen, sondern auch über physische Geräte die reale Welt kontinuierlich wahrnehmen und handeln müssen – was neuen Entwicklungsraum für verschiedene Hardware-Formen eröffnet.
Eugene Wei lenkte die Diskussion auf den Wert des „Kontexts“: Ob ein persönlicher Agent die Interessen, Kommunikationsaufzeichnungen und sozialen Beziehungen des Nutzers wirklich versteht, wird darüber entscheiden, ob er zu einem wertvollen persönlichen Einstiegspunkt werden kann. Zur Beurteilung, ob ein neuer Einstiegspunkt tatsächlich existiert, schlug er vor, darauf zu achten, wie oft Nutzer täglich mit dem Agenten interagieren – und ob Nutzer häufiger von sich aus zum Agenten gehen oder der Agent häufiger aktiv auf Nutzer zugeht. Die Runde diskutierte daraufhin weiter über Produktwert, Hardware-Formen und künftige Bewertungsmaßstäbe persönlicher Agenten.
Rundes Tischgespräch: Vom „Reden können“ zum „Dinge erledigen können“ – wie schafft die dialogische KI echten Mehrwert?
In der zweiten Runde, moderiert von Shengwang-Chief Commercial Officer Cui Bo, diskutierten Chen Wei, Gründer von Xieyue Intelligence, Geng Xianglei, Gründer von Guanke Technology, Cai Guoxiang, Mitgründer und Leiter des Ökosystems von Rokid Leqi, sowie Wu Kan, CEO von Titan Qiming, ausgehend von Szenarien wie verkörperter Intelligenz, intelligenten Wearables, Unternehmensmarketing und KI-Rekrutierung über das Thema: Dialogische KI – Antrieb für die nächste Generation der Mensch-Agent-Interaktion.
Chen Wei meint, der Schlüssel der verkörperten Intelligenz liege darin, menschliche Absichten wirklich in das Handeln von Robotern umzuwandeln. Roboter müssen nicht nur Sprachbefehle verstehen, sondern auch multimodale Informationen aus Vision, Sprache und eigenem Zustand integrieren, Wahrnehmung, Planung und Entscheidungsfindung in der physischen Umgebung abschließen und die Aufgabenausführung fortlaufend an die Veränderungen der Umgebung nach dem Handeln anpassen. Statt vorgegebene Demonstrationsaufgaben zu erledigen ist es wichtiger, dass Roboter in offenen Umgebungen kontinuierlich die echten Bedürfnisse des Menschen verstehen und ihr Handeln stets an den menschlichen Absichten ausrichten. Duplex Reasoning, ein neues Paradigma eines verkörperten Basismodells, das Xieyue Intelligence entwickelt, zielt darauf ab, die Interaktion und das Handeln von Robotern zu einer Einheit zu verschmelzen.
Cai Guoxiang ging von der Praxis der KI-Brillen aus und betonte, dass das Dialogerlebnis der entscheidende Wettbewerbsvorteil von KI-Wearable-Geräten ist. Er erklärte, so leistungsfähig die Hardware und die zugrunde liegende KI auch seien – wenn das Gespräch nicht natürlich genug sei, leide das Nutzererlebnis unmittelbar. Künftige KI-Wearable-Geräte müssten durch latenzarme, stabile Echtzeit-Interaktion sowie das Verstehen von Semantik und langfristigem Kontext es den Nutzern allmählich vergessen lassen, dass sie mit einer KI sprechen. Er teilte auch die Praxis von Rokid Leqi, den KI-Assistenten über RTC-Verbindungsdienste von Shengwang zu betreiben, und ist optimistisch, dass KI-Brillen zu einem wichtigen persönlichen Einstiegspunkt im KI-Zeitalter werden.
In Unternehmensanwendungsszenarien wies Geng Xianglei darauf hin, dass KI-Sprachagenten zur zuverlässigen Geschäftserbringung Probleme wie Latenz, den Zeitpunkt von Unterbrechungen und Humanisierung lösen müssen, wobei die Latenz sogar direkt das Ergebnis der Aufgabe beeinflussen kann. Für das B2B-Marketing muss KI zudem mit branchenspezifischen Wissenssystemen und menschlicher Zusammenarbeit kombiniert werden, um Geschäftsergebnisse besser abzusichern. Wu Kan erklärte anhand der Praxis der KI-Rekrutierung, dass die dialogische KI helfen kann, Bewerber in großem Maßstab zu erreichen und die Effizienz des Service zu steigern – nicht aber einfach menschliche Arbeit zu ersetzen. Um einen geschlossenen Geschäftskreislauf zu bilden, müssten zudem Branchendaten aufgebaut, das Geschäft mit dem Bewerber als Kern strukturiert und dem Agenten ein Langzeitgedächtnis vermittelt werden. Auch sollten anhand tatsächlicher Geschäftsereignisse wie Vorstellungsgesprächen und Einstellungen die KI bei der fortlaufenden Bewertung und Optimierung der Servicequalität unterstützt werden.
Aus den Beiträgen der vier Gäste lässt sich erkennen, dass die Anforderungen verschiedener Branchen an dialogorientierte KI zwar unterschiedlich sind, aber alle in eine gemeinsame Richtung weisen: KI muss nicht nur kommunizieren können, sondern auch reale Szenarien verstehen, sich in bestehende Geschäftsprozesse einfügen und Aufgaben zuverlässig erledigen. Mit der kontinuierlichen Weiterentwicklung von Echtzeit-Interaktion, multimodaler Wahrnehmung und Agent-Ausführungsfähigkeiten dürfte dialogorientierte KI sich vom Interaktionswerkzeug zu einer wichtigen Kraft entwickeln, die die digitale Welt mit der physischen Welt verbindet und den Geschäftsbetrieb vorantreibt.
Von der Echtzeit-Interaktion zur Echtzeit-Intelligenz – das nächste Kapitel des dialogorientierten AGI wird eröffnet
Von dem von Zhao Bin vorgeschlagenen Fünf-Stufen-Rahmenwerk für dialogische Fähigkeiten bis hin zu zwei Podiumsrunden über persönliche Agenten und die Umsetzung in realen Geschäften zeichnete das iRTE2026-Hauptforum einen klaren Industrietrend: Der Wettbewerb im Bereich dialogorientierter KI erstreckt sich zunehmend von den Fähigkeiten basaler Modelle auf Kontextverständnis, Echtzeit-Interaktion, das Erkennen komplexer Zusammenhänge und die Aufgabenausführung.
Wenn KI sich nicht mehr auf passives Antworten beschränkt, sondern Menschen kontinuierlich versteht, aktiv an der Kommunikation teilnimmt und Aufgaben in realen Szenarien erledigen kann, wird die Technologie der Echtzeit-Interaktion auch eine tiefere Mission übernehmen.
In Hinblick auf die nächste Phase des dialogorientierten AGI wird Agora weiterhin gemeinsam mit Entwicklern und Branchenpartnern die Verschmelzung von Echtzeit-Interaktion und generativer KI erforschen und eine natürlichere und effizientere Echtzeit-Interaktionserfahrung zwischen Menschen sowie zwischen Mensch und Agent vorantreiben.
Dieser Artikel wurde von Agora bereitgestellt; QbitAI hat ihn mit Genehmigung nachgedruckt. Die Ansichten liegen beim Originalautor.