Le 23 octobre, la conférence iRTE2026 sur l'intelligence en temps réel s'est tenue à Pékin. Zhao Bin, fondateur et PDG de Shengwang, a prononcé lors du forum principal un discours intitulé « AGI conversationnel : le prochain chapitre de l'interaction en temps réel », dans lequel il a passé en revue les changements clés de l'année écoulée en matière d'interaction en temps réel, d'IA conversationnelle et d'infrastructure sous-jacente, et a proposé un cadre de « capacités de dialogue en cinq niveaux », esquissant le chemin évolutif de l'IA conversationnelle, des réponses de base vers la compréhension profonde et la communication relationnelle.
Selon Zhao Bin, à mesure que l'IA passe de la réponse aux questions à l'échange continu, à la compréhension du contexte et à l'exécution de tâches, l'objet de l'interaction en temps réel s'étend des relations entre personnes aux relations entre humains et Agents. Le rôle des technologies d'interaction en temps réel s'étend également : elles doivent non seulement rendre la transmission de l'information plus stable et plus fluide, mais aussi fournir un soutien en temps réel à la perception, à la compréhension, à l'expression et à l'action de l'IA.
De « une question, une réponse » à la communication relationnelle profonde : l'évolution en cinq niveaux de l'AGI conversationnel
Aux yeux de Zhao Bin, les progrès de l'IA conversationnelle ne devraient pas être mesurés uniquement par la vitesse de réponse ou le naturel du langage. Plus important encore, elle doit pouvoir comprendre les intentions, la situation et les relations de son interlocuteur, s'exprimer de manière appropriée dans des scénarios complexes, et progressivement développer une compréhension durable et approfondie.
Autour de ce constat, Zhao Bin a proposé dans son discours un cadre de « capacités de dialogue en cinq niveaux », divisant la capacité de dialogue en cinq niveaux :
L1, l'expression fondée sur sa propre perspective : principalement centrée sur l'auto-expression et l'enchaînement passif, réalisant « une question, une réponse ».
L2 : l'expression fondée sur les règles de l'interaction : passer de la réponse passive à l'expression active, rendant le dialogue plus naturel et cohérent.
L3 : la communication fondée sur la cognition individuelle : comprendre l'identité, les intentions et la situation de l'individu, réalisant une communication adaptée à chaque personne.
L4 : la communication fondée sur la cognition de groupe : comprendre les relations sociales et les différences de rôles, s'adapter à des scénarios de communication multi-personnes complexes.
L5 : la communication fondée sur les relations profondes : comprendre le contexte à long terme et l'évolution des relations, développer une compréhension plus profonde et une complicité de pensée, faisant passer la communication de la compréhension du présent à la compréhension d'une personne.
Ces cinq niveaux ne montrent pas seulement le renforcement progressif des technologies de dialogue, mais aussi l'évolution de la relation entre l'IA et l'humain : de l'accomplissement d'un échange de questions-réponses, à la compréhension d'une personne, puis à la compréhension des relations entre personnes, aboutissant finalement à une communication profonde qui traverse le temps et les contextes.
Zhao Bin a souligné que l'IA conversationnelle évolue d'interactions passives et séquentielles des débuts vers un dialogue full-duplex plus actif et plus naturel, et commence à tenter de comprendre la personnalité, la situation, les émotions et les relations des personnes. Pour l'avenir, l'IA devra encore surmonter la répartition des rôles et l'ordre de communication dans des scénarios sociaux complexes, et mieux comprendre le contexte accumulé à long terme de chaque personne. C'est là une direction de développement importante de l'AGI conversationnel : l'IA doit non seulement comprendre une phrase, mais aussi, en s'appuyant sur le contexte complet, comprendre la véritable intention d'une personne et y répondre de manière appropriée.
Real-Time AI Infra : l'infrastructure clé soutenant l'AGI conversationnel
L'évolution continue des capacités de dialogue impose également des exigences plus élevées aux technologies sous-jacentes. Zhao Bin a mentionné dans son discours qu'au cours de l'année écoulée, l'adoption approfondie des technologies WebRTC par OpenAI et d'autres entreprises a suscité une attention et des applications plus larges des technologies d'interaction en temps réel dans le domaine de l'IA conversationnelle. À mesure que l'IA passe des questions-réponses en tour unique aux interactions continues, l'infrastructure d'interaction en temps réel devient un support technologique important reliant les modèles, les cadres d'exécution des agents et les utilisateurs.
Par rapport aux applications d'IA traditionnelles, les scénarios de dialogue imposent des exigences plus strictes en matière de latence, de stabilité et d'interaction bidirectionnelle. L'IA doit recevoir les entrées de l'utilisateur tout en comprenant le contexte et en organisant ses réponses, gérer à tout moment les interruptions si nécessaire, et appeler continuellement des outils pour faire avancer les tâches. Tout retard notable dans un maillon de la chaîne peut compromettre le naturel du dialogue, voire empêcher l'accomplissement de la tâche.
Pour soutenir ces besoins, Zhao Bin a présenté une orientation d'infrastructure dédiée à l'interaction intelligente en temps réel : grâce à un réseau mondial de transmission en temps réel, à l'inférence distribuée conjointe cloud-edge-terminal, à l'orchestration en temps réel et aux capacités d'interaction full-duplex, les modèles et les Agents peuvent collaborer continuellement dans des scénarios réels. Le moteur d'IA conversationnelle de Shengwang prend également l'interaction full-duplex comme cœur de son fonctionnement, reliant les modèles, les cadres d'exécution des Agents et les utilisateurs, afin de soutenir une expérience de dialogue en temps réel stable et synchronisée.
Parallèlement, Shengwang continue d'améliorer pour les développeurs ses outils et kits de développement d'IA conversationnelle, combinant le SDK, les Skills, les outils CLI et les Recipes, afin d'aider les développeurs à construire plus efficacement des Agents dotés d'une logique complète et de capacités d'exécution.
Du service client à l'éducation, en passant par la compagnie IA et les objets connectés portables intelligents, Zhao Bin estime que l'IA conversationnelle entre dans davantage de scénarios réels. La capacité de l'IA à créer réellement de la valeur ne dépend pas seulement de savoir si le modèle « sait parler », mais aussi de sa capacité à comprendre les besoins, à communiquer naturellement et à accomplir les tâches de façon continue. Les technologies d'interaction en temps réel joueront un rôle de plus en plus important dans ce processus.
Ensuite, Andrey Norkin, architecte en chef chez NVIDIA et coprésident du groupe de travail sur le codage vidéo de l'AOMedia, a présenté un discours sur la technologie de codage-décodage vidéo AV2.
Table ronde : les agents personnels deviendront-ils le prochain point d'entrée personnel ?
Dans la première table ronde animée par Tony Wang, cofondateur de Shengwang, Eugene Wei, gestionnaire de produits médias interactifs et blogueur technologique, Pan Luan, créateur de contenus technologiques et animateur du podcast « Luàn Fān Shū », ainsi que Hua Jianxin, entrepreneur en matériel AIoT et animateur d'un média sur l'IA embarquée, ont discuté du thème « Agents personnels : du nouvel outil au nouveau point d'entrée ? ».
Des téléphones, lunettes et écouteurs à d'autres appareils personnels, les agents personnels relancent la réflexion du secteur sur le prochain point d'entrée de l'interaction homme-machine. Pan Luan estime que les agents personnels pourraient entraîner un changement de paradigme : la valeur des produits d'IA passe de la conquête de l'attention des utilisateurs à l'aide aux utilisateurs pour accomplir leurs tâches plus efficacement. Les agents personnels du futur ne devront pas seulement répondre à des instructions explicites, mais aussi prendre en charge activement des tâches, aidant les utilisateurs à traiter les affaires aux objectifs clairs mais qui ne méritent pas d'y consacrer beaucoup de temps.
Concernant le matériel personnel de nouvelle génération, Hua Jianxin a proposé que le point d'entrée du futur ne soit pas nécessairement monopolisé par un seul type d'appareil : les lunettes, les écouteurs et tout autre matériel capable de percevoir l'environnement et d'exécuter des tâches ont leur chance. Selon lui, les agents personnels devront non seulement comprendre les utilisateurs, mais aussi percevoir continuellement le monde réel et agir via des dispositifs physiques, ce qui ouvre un nouvel espace de développement aux matériels de différentes formes.
Eugene Wei a orienté la discussion vers la valeur du « contexte » : la capacité d'un agent personnel à comprendre réellement les intérêts, les historiques de communication et les relations sociales de l'utilisateur déterminera s'il peut devenir un point d'entrée personnel à valeur ajoutée. Pour évaluer la viabilité d'un nouveau point d'entrée, il a également suggéré d'observer les interactions quotidiennes des utilisateurs avec l'Agent, et de déterminer si c'est l'utilisateur qui sollicite davantage l'Agent ou l'Agent qui sollicite davantage l'utilisateur. La table ronde a ainsi poursuivi la discussion sur la valeur produit des agents personnels, leurs formes matérielles et leurs futurs critères d'évaluation.
Table ronde : de « savoir discuter » à « savoir agir », comment l'IA conversationnelle crée-t-elle une valeur réelle ?
Dans la deuxième table ronde animée par Cui Bo, directeur commercial en chef de Shengwang, Chen Wei, fondateur de Xieyue Intelligence, Geng Xianglei, fondateur de Guanke Technology, Cai Guoxiang, cofondateur et responsable de l'écosystème de Rokid Leqi, ainsi que Wu Kan, PDG de Titan Qiming, ont exploré, à partir de scénarios variés tels que l'intelligence incarnée, les objets portables intelligents, le marketing d'entreprise et le recrutement IA, le thème de l'IA conversationnelle : moteur de l'interaction humain-Agent de la prochaine génération.
Chen Wei estime que la clé de l'intelligence incarnée est de transformer réellement les intentions humaines en actions du robot. Le robot doit non seulement comprendre les instructions vocales, mais aussi fusionner des informations multimodales telles que la vision, la voix et son propre état, accomplir la perception, la planification et la prise de décision dans l'environnement physique, et ajuster continuellement l'exécution des tâches en fonction des changements de l'environnement après l'action. Plutôt que d'accomplir des tâches de démonstration prédéfinies, il est plus important que le robot comprenne continuellement les besoins réels des humains en environnement ouvert, en gardant l'action toujours alignée sur l'intention humaine. Xieyue Intelligence développe le Duplex Reasoning, un nouveau paradigme de modèle fondamental incarné, visant à réaliser l'unification de l'interaction et de l'action du robot.
Cai Guoxiang, quant à lui, partant de la pratique des lunettes IA, souligne que l'expérience de dialogue est la compétence centrale des dispositifs IA portables. Il a déclaré que, quelle que soit la puissance du matériel et des capacités d'IA sous-jacentes, si le dialogue n'est pas suffisamment naturel, l'expérience utilisateur en sera directement affectée. À l'avenir, les dispositifs IA portables devront, grâce à une interaction en temps réel à faible latence et stable, ainsi qu'à la compréhension de la sémantique et du contexte à long terme, faire en sorte que l'utilisateur ne perçoive plus progressivement qu'il dialogue avec une IA. Il a également partagé la pratique de l'assistant IA de Rokid Leqi utilisant les services de liaison RTC de Shengwang, et se dit convaincu que les lunettes IA deviendront un point d'entrée personnel important de l'ère de l'IA.
Dans les scénarios d'application en entreprise, Geng Xianglei a souligné que, pour qu'un agent vocal IA assure une livraison commerciale fiable, il faut résoudre les problèmes de latence, de timing d'interruption et d'anthropomorphisme, la latence pouvant même affecter directement le résultat de la tâche. Pour le marketing B2B, l'IA doit également se combiner aux systèmes de connaissances sectorielles et à la collaboration humaine afin de mieux garantir les résultats commerciaux. Wu Kan, s'appuyant sur sa pratique du recrutement IA, a déclaré que l'IA conversationnelle peut aider les activités de recrutement à toucher les candidats à grande échelle et à améliorer l'efficacité du service, plutôt que de simplement remplacer l'humain. Pour former une boucle commerciale complète, il faut encore accumuler des données sectorielles, structurer l'activité autour du candidat comme sujet central, aider l'Agent à établir une mémoire à long terme, et, autour d'événements commerciaux réels tels que les entretiens et l'embauche, aider l'IA à évaluer et optimiser continuellement la qualité du service.
Comme le montrent les partages des quatre intervenants, bien que les exigences des différents secteurs en matière d'IA conversationnelle diffèrent, elles convergent toutes vers une même direction : l'IA doit non seulement pouvoir communiquer, mais aussi comprendre des scénarios réels, s'intégrer aux processus métier existants et accomplir les tâches de manière fiable. Avec le développement continu de l'interaction en temps réel, de la perception multimodale et des capacités d'exécution des agents, l'IA conversationnelle devrait passer du statut d'outil d'interaction à celui de force majeure reliant le monde numérique au monde physique et faisant tourner les activités commerciales.
De l'interaction en temps réel à l'intelligence en temps réel : ouvrir le prochain chapitre de l'AGI conversationnelle
Du cadre des cinq niveaux de capacité conversationnelle proposé par Zhao Bin aux deux tables rondes consacrées aux agents personnels et au déploiement réel en entreprise, le forum principal iRTE2026 a mis en évidence une tendance industrielle claire : la concurrence dans l'IA conversationnelle s'étend désormais des capacités des modèles de base à la compréhension du contexte, à l'interaction en temps réel, à la reconnaissance des relations complexes et à l'exécution des tâches.
Lorsque l'IA ne se limite plus à répondre passivement, mais qu'elle est capable de comprendre les personnes en continu, de participer activement aux échanges et d'accomplir des tâches dans des scénarios réels, les technologies d'interaction en temps réel porteront également une mission plus profonde.
Pour la prochaine étape de l'AGI conversationnelle, Agora continuera d'explorer avec les développeurs et les partenaires industriels la fusion entre l'interaction en temps réel et l'IA générative, afin de promouvoir des expériences d'interaction en temps réel plus naturelles et plus efficaces entre les personnes et entre les personnes et les agents.
Cet article est fourni par Agora ; QbitAI est autorisé à le republier, et les opinions exprimées appartiennent à l'auteur d'origine.