El 23 de octubre se celebró en Beijing la conferencia de inteligencia en tiempo real iRTE2026. Zhao Bin, fundador y CEO de Shengwang, pronunció en el foro principal una ponencia titulada «AGI conversacional: el próximo capítulo de la interacción en tiempo real», en la que repasó los cambios clave del último año en interacción en tiempo real, IA conversacional e infraestructura subyacente, y propuso el marco de «cinco niveles de capacidad de diálogo», delineando 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 ampliando de persona a persona a 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 también proporcionar soporte en tiempo real para la percepción, comprensión, expresión y acción de la IA.
De «una pregunta, una respuesta» a la comunicación relacional profunda: los cinco niveles evolutivos del AGI conversacional
En la 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 las relaciones de su interlocutor, si puede expresarse de manera apropiada en escenarios complejos, y si puede desarrollar gradualmente una comprensión profunda y duradera.
En torno a este planteamiento, Zhao Bin propuso en su ponencia el marco de «cinco niveles de capacidad de diálogo», que divide la capacidad de diálogo en cinco niveles:
L1, expresión basada en la propia perspectiva: centrada en la autoexpresión y la continuación pasiva, logrando «una pregunta, una respuesta».
L2: expresión basada en las reglas de la interacción: pasa de la respuesta pasiva a la expresión activa, haciendo el diálogo más natural y coherente.
L3: comunicación basada en la cognición individual: comprende la identidad, la intención y la situación del individuo, logrando una comunicación diferenciada según la persona.
L4: comunicación basada en la cognición grupal: comprende las relaciones sociales y las diferencias de roles, adaptándose a escenarios complejos de comunicación entre varias personas.
L5: comunicación basada en relaciones profundas: comprende el contexto a largo plazo y la evolución de las relaciones, formando una comprensión más profunda y una sintonía de pensamiento, haciendo que la comunicación pase de comprender el presente a comprender a una persona.
Lo que muestran estos cinco niveles no es solo el fortalecimiento progresivo de la tecnología de diálogo, sino también el cambio en la relación entre la IA y las personas: de completar una ronda de preguntas y respuestas, a comprender a una persona, luego comprender las relaciones entre personas y, finalmente, formar una comunicación profunda que trasciende el tiempo y las circunstancias.
Zhao Bin señaló que la IA conversacional está evolucionando desde las interacciones pasivas iniciales hacia un diálogo full-duplex más activo y natural, y ha comenzado a intentar comprender la personalidad, la situación, las emociones y las relaciones de las personas. De cara al futuro, la IA también necesita superar el reparto de roles y el orden comunicativo en escenarios sociales complejos, y comprender aún más el contexto acumulado a largo plazo de cada individuo. Esta es también una dirección importante del desarrollo del AGI conversacional: la IA no solo debe entender una frase, sino comprender la verdadera intención de una persona en el contexto completo y responder de manera apropiada.
Infraestructura de IA en tiempo real: la infraestructura clave que sostiene el AGI conversacional
La evolución continua de la capacidad de diálogo también impone mayores exigencias a la tecnología subyacente. Zhao Bin mencionó en su ponencia que, durante el último año, la adopción profunda de la tecnología WebRTC por parte de OpenAI y otras empresas impulsó 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 de la pregunta-respuesta de una sola ronda a la interacción continua, la infraestructura de interacción en tiempo real se está convirtiendo en un soporte tecnológico importante que conecta los modelos, los marcos de ejecución de agentes y los usuarios.
En comparación con las aplicaciones tradicionales de IA, los escenarios conversacionales plantean requisitos más estrictos en cuanto a latencia, estabilidad e interacción bidireccional. La IA necesita recibir la entrada del usuario mientras comprende el contexto y organiza la respuesta, responder en todo momento a las interrupciones cuando sea necesario, y seguir llamando a herramientas y avanzando en las tareas. Cualquier retraso notable en algún eslabón puede romper la naturalidad del diálogo e incluso afectar a si la tarea llega a completarse.
Para sostener estas necesidades, Zhao Bin presentó la orientación de infraestructura para la interacción inteligente en tiempo real: mediante una red global de transmisión en tiempo real, inferencia conjunta distribuida nube-borde-dispositivo, orquestación en tiempo real y capacidades de interacción full-duplex, permitir que los modelos y los Agent colaboren de forma continua en escenarios reales. El motor de IA conversacional de Shengwang también se centra en la interacción full-duplex, conectando modelos, marcos de ejecución de Agent y usuarios, y sosteniendo una experiencia de diálogo en tiempo real estable y sincronizada.
Al mismo tiempo, Shengwang sigue perfeccionando para los desarrolladores las herramientas y kits de desarrollo de IA conversacional, combinando SDK, Skills, herramientas CLI y Recipes, entre otras capacidades, para ayudar a los desarrolladores a construir de manera más eficiente Agent con lógica completa y capacidad de ejecución.
Desde atención al cliente y educación hasta compañía por IA y wearables inteligentes, Zhao Bin considera que la IA conversacional está entrando en más escenarios reales. Que la IA pueda crear verdadero valor no depende solo de que el modelo «sepa 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 vídeo de AOMedia, ofreció una ponencia sobre la tecnología de códec de vídeo AV2.
Diálogo de mesa redonda: ¿se convertirá el agente personal en la próxima puerta de entrada personal?
En la primera mesa redonda, moderada por el cofundador de Shengwang Tony Wang, el gerente de productos de medios interactivos y blogger tecnológico Eugene Wei, el creador de contenido tecnológico y responsable del podcast «Luan Fan Shu» Pan Lun, y el emprendedor de hardware AIoT y creador de contenido de IA en el dispositivo Hua Jianxin, debatieron en torno al tema «Agentes personales: ¿de nueva herramienta a nueva puerta de entrada?».
Desde teléfonos, gafas y auriculares hasta más dispositivos de uso personal, los agentes personales están reavivando la reflexión de la industria sobre la próxima puerta de entrada de la 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 del usuario a ayudarle a completar tareas con mayor eficiencia. Los agentes personales del futuro no solo deben responder a instrucciones explícitas, sino también asumir tareas de forma proactiva, ayudando al usuario con aquellos asuntos que tienen un objetivo claro pero que no merecen dedicar mucho tiempo.
Sobre el próximo hardware personal, Hua Jianxin planteó que la futura puerta de entrada no tiene por qué estar monopolizada por un único tipo de dispositivo: las gafas, los auriculares y otros dispositivos capaces de percibir el entorno y ejecutar tareas tienen todas las oportunidades. En su opinión, los agentes personales no solo deben 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 a hardware de distintas formas.
Eugene Wei, por su parte, dirigió la discusión hacia el valor del «contexto»: si un agente personal puede comprender realmente los intereses, los registros de comunicación y las relaciones sociales del usuario determinará si puede convertirse en una puerta de entrada personal valiosa. Al evaluar si una nueva puerta de entrada se consolida, también propuso prestar atención a la interacción diaria del usuario con el Agent, y a si el usuario busca más al Agent o el Agent busca más al usuario. La mesa redonda profundizó así en el valor de producto de los agentes personales, sus formas de hardware y los futuros criterios de evaluación.
Mesa redonda: de «saber conversar» a «resolver asuntos», ¿cómo crea valor real la IA conversacional?
En la segunda mesa redonda, moderada por el director comercial de Shengwang, Cui Bo, Chen Wei, fundador de Xieyue Intelligence, Geng Xianglei, fundador de Guanke Technology, Cai Guoxiang, cofundador y responsable del ecosistema de Rokid Leqi, y Wu Kan, CEO de Titan Qiming, partiendo de escenarios como la inteligencia encarnada, los wearables inteligentes, el marketing empresarial y el reclutamiento con IA, exploraron la IA conversacional: impulsando la interacción entre personas y Agent de la próxima generación.
Chen Wei considera que la clave de la inteligencia encarnada es convertir verdaderamente la intención humana en acciones del robot. El robot no solo debe comprender instrucciones de voz, sino también fusionar información multimodal como la visión, la voz y su propio estado, completar la percepción, planificación y toma de decisiones sobre el entorno físico, y ajustar continuamente la ejecución de la tarea según los cambios del entorno tras cada acción. En comparación con completar tareas de demostración predefinidas, es más importante que el robot comprenda continuamente las necesidades reales de las personas en entornos abiertos, manteniendo siempre sus acciones alineadas con la intención humana. Xieyue Intelligence está desarrollando el modelo fundamental encarnado de nuevo paradigma Duplex Reasoning, cuyo objetivo es lograr la integración de la interacción y la acción del robot.
Cai Guoxiang, por su parte, partiendo de la práctica de las gafas con IA, subrayó que la experiencia de diálogo es la competencia central de los dispositivos portables con IA. Señaló que, por potentes que sean el hardware y las capacidades de IA que hay detrás, si el diálogo no es suficientemente natural, la experiencia del usuario se ve directamente afectada. En el futuro, los dispositivos portables con IA deberán, mediante una interacción en tiempo real de baja latencia y estable, y la comprensión de la semántica y del contexto a largo plazo, hacer que el usuario deje gradualmente de percibir que está conversando con una IA. También compartió la práctica del asistente de IA de Rokid Leqi, que emplea los servicios de enlace RTC de Shengwang, y ve con buenos ojos que las gafas con IA se conviertan en una puerta de entrada personal importante de la era de la IA.
En los escenarios de aplicación empresarial, Geng Xianglei señaló que, para que los agentes de voz con IA logren una entrega fiable del negocio, deben resolverse problemas como la latencia, el momento de las interrupciones y la antropomorfización, y la latencia puede incluso afectar directamente al resultado de la tarea. Para el marketing To B, la IA también debe combinarse con el conocimiento del sector y la colaboración humana para garantizar mejor los resultados del negocio. Wu Kan, por su parte, basándose en la práctica del reclutamiento con IA, afirmó que la IA conversacional puede ayudar al negocio del reclutamiento a alcanzar a los candidatos a gran escala y mejorar la eficiencia del servicio, en lugar de reemplazar simplemente al personal humano. Para cerrar el ciclo del negocio, también es necesario acumular datos del sector, organizar el negocio tomando al candidato como sujeto central, ayudar al Agent a construir memoria a largo plazo, y, en torno a eventos reales del negocio como la asistencia a la entrevista y la incorporación, asistir 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 comunicarse, sino también comprender escenarios reales, integrarse en los procesos de negocio existentes y completar tareas de manera confiable. 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, abriendo el siguiente capítulo de la AGI conversacional
Desde el marco de cinco niveles de capacidad conversacional propuesto por Zhao Bin, hasta los debates de dos mesas redondas sobre los agentes personales personales y la implementación en negocios reales, el foro principal de iRTE2026 presentó una clara tendencia de la industria: la competencia de la IA conversacional se está extendiendo desde la capacidad de los modelos básicos 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 a las personas de manera continua, participar activamente en la comunicación y completar tareas en escenarios reales, la tecnología de interacción en tiempo real también asumirá una misión más profunda.
De cara a la siguiente etapa de la AGI conversacional, Agora seguirá explorando junto a los desarrolladores y socios de la industria la fusión de la interacción en tiempo real con la IA generativa, impulsando experiencias de interacción en tiempo real más naturales y eficientes entre personas y entre personas y Agent.
Este artículo fue proporcionado por Agora, y Quantum Bit lo republica con autorización; las opiniones pertenecen al autor original.