El 23 de octubre se celebró en Pekín la conferencia iRTE2026 sobre inteligencia en tiempo real. Zhao Bin, fundador y CEO de Shengwang, pronunció en el foro principal una ponencia titulada «Diálogo con la AGI: el próximo capítulo de la interacción en tiempo real», en la que repasó los cambios clave del último año en la interacción en tiempo real, la IA conversacional y la infraestructura subyacente, y propuso el marco de las «cinco niveles de capacidad de diálogo», que traza la ruta evolutiva de la IA conversacional desde la respuesta básica hacia la comprensión profunda y la comunicación relacional.
Zhao Bin considera que, a medida que la IA pasa de responder preguntas a mantener conversaciones continuas, comprender el contexto y ejecutar tareas, el objeto de la interacción en tiempo real se está expandiendo de persona a persona hacia persona y Agent. El papel de la tecnología de interacción en tiempo real también se extiende: no solo debe hacer que la transmisión de información sea más estable y fluida, sino que también debe ofrecer soporte en tiempo real a la percepción, comprensión, expresión y acción de la IA.
De «preguntar y responder» a la comunicación relacional profunda: la evolución en cinco niveles del diálogo hacia la AGI
En opinión de Zhao Bin, el progreso de la IA conversacional no debe medirse solo por la velocidad de respuesta o la naturalidad del lenguaje. Más importante es si puede comprender la intención, la situación y la relación de su interlocutor, si puede expresarse de manera apropiada en escenarios complejos y si puede formar gradualmente una comprensión profunda y duradera.
En torno a este juicio, Zhao Bin presentó en su ponenciael marco de los «cinco niveles de capacidad de diálogo», que divide la capacidad de diálogo en cinco niveles:
L1:Expresión basada en la propia perspectiva: centrada principalmente en la autoexpresión y la continuación pasiva, logrando «preguntar una frase, responder una frase».
L2:Expresión basada en las reglas de la interacción: de la respuesta pasiva a la expresión activa, haciendo el diálogo más natural y coherente.
L3:Comunicación basada en la cognición del individuo: comprender la identidad, la intención y la situación de cada individuo, logrando una comunicación diferenciada según la persona.
L4:Comunicación basada en la cognición del grupo: comprender las relaciones sociales y las diferencias de roles, adaptándose a escenarios complejos de comunicación multiable.
L5:Comunicación basada en relaciones profundas: comprender el contexto a largo plazo y la evolución de las relaciones, formando una comprensión más profunda y una sintonía mental, llevando la comunicación del entendimiento del presente al entendimiento de una persona.
Estos cinco niveles muestran no solo el fortalecimiento escalonado de la tecnología de diálogo, sino también un cambio en la relación entre la IA y las personas: de completar una ronda de preguntas y respuestas, a comprender a una persona, luego a comprender las relaciones entre las personas y, finalmente, a formar una comunicación profunda que trasciende el tiempo y las situaciones.
Zhao Bin señaló que la IA conversacional está pasando de la interacción pasiva temprana a un diálogo dúplex más activo y natural, y comienza a intentar comprender la personalidad, la situación, las emociones y las relaciones de las personas. De cara al futuro, la IA también deberá superar el reparto de roles y el orden comunicativo en escenarios sociales complejos, y comprender aún mejor el contexto acumulado a largo plazo de cada individuo. Esta es una dirección importante de desarrollo del diálogo con la AGI: la IA no solo debe entender una frase, sino que también debe comprender la intención real de una persona combinando el contexto completo y responder de manera apropiada.
Real-Time AI Infra: la infraestructura clave que soporta el diálogo con la AGI
La evolución continua de la capacidad de diálogo también impone mayores exigencias a la tecnología subyacente.
Zhao Bin mencionó en su ponencia que, en el último año, la adopción profunda de la tecnología WebRTC por parte de empresas como OpenAI ha impulsado una mayor atención y aplicación de la tecnología de interacción en tiempo real en el ámbito de la IA conversacional. A medida que la IA pasa del diálogo de una sola ronda a la interacción continua,la infraestructura de interacción en tiempo realse está convirtiendo en un importante soporte técnico que conecta los modelos, los marcos de ejecución de agentes y los usuarios.
En comparación con las aplicaciones de IA tradicionales, los escenarios de diálogo imponen requisitos más estrictos de latencia, estabilidad e interacción bidireccional. La IA necesita recibir la entrada del usuario mientras comprende el contexto y organiza la respuesta, responder en cualquier momento a las interrupciones cuando sea necesario, y seguir invocando herramientas y avanzando en las tareas. Cualquier retraso notable en cualquier eslabón puede romper la naturalidad de la conversación e incluso afectar a si la tarea puede completarse.
Para soportar estas necesidades, Zhao Bin presentó una orientación de infraestructura para la interacción inteligente en tiempo real: mediante una red global de transmisión en tiempo real, la inferencia conjunta distribuida entre nube, borde y dispositivo, y capacidades de orquestación en tiempo real e interacción dúplex, permitir que los modelos y los Agent colaboren de manera continua en escenarios reales. El motor de IA conversacional de Shengwang también tiene como núcleo la interacción dúplex, conectando los modelos, los marcos de ejecución de Agent y los usuarios, y soportando una experiencia de diálogo en tiempo real estable y sincronizada.
Al mismo tiempo, Leifeng (cuenta pública: Leifeng) supo que Shengwang sigue perfeccionando para los desarrolladores las herramientas y kits de desarrollo de IA conversacional, combinando capacidades como el SDK, las Skills, las herramientas CLI y las Recipes, para ayudar a los desarrolladores a construir de manera más eficiente Agent con lógica completa y capacidad de ejecución.
Desde la atención al cliente y la educación hasta la compañía de IA y los dispositivos vestibles inteligentes, Zhao Bin considera que la IA conversacional está entrando en más escenarios reales. Que la IA pueda crear valor de verdad no depende solo de si el modelo «sabe hablar», sino de si puede comprender las necesidades, comunicarse con naturalidad y completar las tareas de forma continua. La tecnología de interacción en tiempo real desempeñará un papel cada vez más importante en este proceso.
A continuación, Andrey Norkin, arquitecto jefe de NVIDIA y copresidente del grupo de trabajo de códec de video de AOMedia, ofreció una ponencia sobre la tecnología de códec de video AV2.
Mesa redonda: ¿Los agentes personales se convertirán en la próxima puerta de entrada personal?
En la primera mesa redonda, moderada por el cofundador de Agora, Tony Wang, participaron el gerente de productos de medios interactivos y bloguero tecnológico Eugene Wei, el creador de medios tecnológicos independientes y anfitrión del podcast «乱翻书» Pan Lun, y el emprendedor de hardware AIoT y creador de contenido de IA en el dispositivo Hua Jianxin, quienes debatieron en torno a «Agentes personales: ¿de nuevas herramientas a nuevas puertas de entrada?».
Desde teléfonos, gafas y auriculares hasta más dispositivos portátiles, los agentes personales están provocando de nuevo que la industria reflexione sobre la puerta de entrada de la próxima generación de interacción humano-máquina. Pan Lun considera que los agentes personales podrían traer un cambio de paradigma: el valor de los productos de IA está pasando de competir por la atención de los usuarios a ayudarlos a completar tareas de manera más eficiente. Los agentes personales del futuro no solo deberán responder a instrucciones explícitas, sino también asumir tareas de forma proactiva, ayudando a los usuarios con aquellos asuntos que tienen objetivos claros pero que no merecen invertir mucho tiempo.
Sobre el hardware personal de próxima generación, Hua Jianxin planteó que la futura puerta de entrada no necesariamente estará monopolizada por un solo tipo de dispositivo: las gafas, los auriculares y otros equipos capaces de percibir el entorno y ejecutar tareas tienen todas las oportunidades. Según él, los agentes personales no solo necesitan comprender al usuario, sino también percibir continuamente el mundo físico y actuar a través de dispositivos físicos, lo que abre un nuevo espacio de desarrollo para hardware de distintas formas.
Eugene Wei, por su parte, orientó la discusión hacia el valor del «contexto»: que un agente personal pueda realmente comprender los intereses, los registros de comunicación y las relaciones sociales del usuario determinará si puede convertirse en una puerta de entrada personal valiosa. Para medir si una nueva puerta de entrada se consolida, también propuso prestar atención a las interacciones diarias de los usuarios con el Agent, y a si es el usuario quien busca más al Agent o el Agent quien busca más al usuario. A partir de ahí, la mesa redonda profundizó en el valor de producto de los agentes personales, sus formas de hardware y sus futuros criterios de medición.
Mesa redonda: De «saber conversar» a «hacer cosas»: ¿cómo puede la IA conversacional crear valor real?
En la segunda mesa redonda, moderada por el director comercial de Agora (声网), Cui Bo, participaron Chen Wei, fundador de 斜跃智能, Geng Xianglei, fundador de 冠客科技, Cai Guoxiang, cofundador y responsable del ecosistema de Rokid 乐奇, y Wu Kan, CEO de 泰坦启明, quienes, partiendo de escenarios como la inteligencia corporal (embodied), el wearables inteligentes, el marketing empresarial y la contratación con IA, exploraron la IA conversacional: el motor de la interacción entre personas y Agent de la próxima generación.
Chen Wei considera que la clave de la inteligencia corporal es que la intención humana se convierta realmente en acciones del robot. El robot no solo debe entender instrucciones de voz, sino también integrar información multimodal como la visión, la voz y su propio estado, para completar la percepción, la planificación y la toma de decisiones sobre el entorno físico, y ajustar continuamente la ejecución de las tareas según los cambios del entorno tras cada acción. En lugar de limitarse a completar tareas de demostración preestablecidas, lo más importante para un robot es comprender continuamente las necesidades reales de las personas en entornos abiertos, manteniendo sus acciones siempre alineadas con las intenciones humanas. 斜跃智能 está desarrollando Duplex Reasoning, un nuevo paradigma de modelo fundacional corporal (embodied) que busca lograr la integración de la interacción y la acción del robot.
Cai Guoxiang, desde la práctica de las gafas de IA, subrayó que la experiencia conversacional es la competencia central de los dispositivos vestibles de IA. Señaló que, por más potentes que sean el hardware y las capacidades de IA que hay detrás, si la conversación no es suficientemente natural, la experiencia del usuario se verá directamente afectada. En el futuro, los dispositivos vestibles de IA deberán, mediante interacciones en tiempo real de baja latencia y estables, así como la comprensión de la semántica y del contexto a largo plazo, hacer que el usuario deje de notar gradualmente que está conversando con una IA. También compartió la práctica del asistente de IA de Rokid 乐奇, que utiliza el servicio de enlaces RTC de Agora (声网), y se mostró optimista sobre el potencial de las gafas de IA como importante puerta de entrada personal en la era de la IA.
En escenarios de aplicaciones empresariales, Geng Xianglei señaló que, para que un agente de voz con IA logre una entrega comercial fiable, debe resolver problemas como la latencia, el momento de las interrupciones y el antropomorfismo, y la latencia incluso puede afectar directamente el resultado de la tarea. Para el marketing To B, la IA también debe combinarse con los sistemas de conocimiento del sector y con la colaboración humana para garantizar mejor los resultados del negocio. Wu Kan, basándose en su práctica de reclutamiento con IA, afirmó que la IA conversacional puede ayudar al negocio de reclutamiento a alcanzar a los candidatos a gran escala y a mejorar la eficiencia del servicio, en lugar de simplemente reemplazar el trabajo humano. Para formar un ciclo comercial cerrado, también es necesario acumular datos del sector, organizar el negocio tomando al candidato como eje central, ayudar al Agent a construir memoria a largo plazo y, en torno a eventos comerciales reales como la asistencia a entrevistas y la incorporación, apoyar a la IA en la evaluación y optimización continuas de la calidad del servicio.
De las exposiciones de los cuatro invitados se puede ver que, aunque los requisitos de la IA conversacional difieren entre sectores, todos apuntan a una misma dirección: la IA no solo debe poder conversar, sino también comprender escenarios reales, integrarse en los flujos de negocio existentes y completar tareas de manera fiable. Con el desarrollo continuo de la interacción en tiempo real, la percepción multimodal y la capacidad de ejecución de los Agent, la IA conversacional tiene el potencial de pasar de ser una herramienta de interacción a convertirse en una fuerza importante que conecte el mundo digital con el mundo físico e impulse el funcionamiento de los negocios.
De la interacción en tiempo real a la inteligencia en tiempo real: abrir el próximo capítulo del AGI conversacional
Desde el marco de cinco niveles de capacidad conversacional propuesto por Zhao Bin, hasta las dos mesas redondas sobre agentes personales e implementación en negocios reales, el foro principal de iRTE2026 presentó una tendencia industrial clara: la competencia de la IA conversacional se está extendiendo desde la capacidad de los modelos base hacia la comprensión del contexto, la interacción en tiempo real, el reconocimiento de relaciones complejas y la ejecución de tareas.
Cuando la IA ya no se limita a responder de forma pasiva, sino que puede comprender continuamente a las personas, participar activamente en la conversación y completar tareas en escenarios reales, la tecnología de interacción en tiempo real también asumirá una misión más profunda.
De cara a la próxima etapa del AGI conversacional, Agora (Shengwang) seguirá explorando junto con desarrolladores y socios del sector la fusión de la interacción en tiempo real y la IA generativa, impulsando experiencias de interacción en tiempo real más naturales y eficientes entre personas y entre personas y Agent.
Artículo original de Leiphone, prohibida su reproducción sin autorización. Para más detalles, consulteAviso de reproducción。