10月23日、iRTE2026リアルタイムインテリジェンス大会が北京で開催された。声網の創業者兼CEO・趙斌氏は基調フォーラムで「対話AGI：リアルタイムインタラクションの次の章」と題する講演を行い、この1年間のリアルタイムインタラクション、対話型AI、基盤インフラの重要な変化を振り返るとともに、「5段階会話能力」フレームワークを提起し、対話型AIが基礎的な応答から深い理解と関係性のコミュニケーションへと進化する道筋を描いた。
趙斌氏は、AIが質問への回答から継続的な対話、文脈の理解、タスクの実行へと進むにつれ、リアルタイムインタラクションの対象が人と人の間から人とAgentへと拡大していると述べた。リアルタイムインタラクション技術の役割もそれに伴って拡張している。それは情報伝達をより安定しスムーズにするだけでなく、AIの知覚、理解、表現、行動にリアルタイムの支援を提供しなければならない。
「一問一答」から深い関係性のコミュニケーションへ：対話AGIの5段階進化
趙斌氏によれば、対話型AIの進歩は、回答速度や言語の自然さだけで測るべきではない。より重要なのは、対話相手の意図、状況、関係性を理解できるか、複雑なシーンで適切に表現できるか、そして長期にわたる深い理解を徐々に形成できるかである。
この判断に基づき、趙斌氏は講演で提起した「5段階会話能力」フレームワークにより、会話能力を5つのレベルに分類した。
L1：自己視点に基づく表現：自己表現と受動的な受け答えが中心で、「一問一答」を実現する。
L2：インタラクションの法則に基づく表現：受動的な応答から能動的な表現へと進み、対話をより自然で一貫性のあるものにする。
L3：個人の認知に基づくコミュニケーション：個人のアイデンティティ、意図、状況を理解し、人それぞれに応じたコミュニケーションを実現する。
L4：集団の認知に基づくコミュニケーション：社会的関係と役割の違いを理解し、複雑な多人数コミュニケーションのシーンに適応する。
L5：深い関係性に基づくコミュニケーション：長期的な文脈と関係の変化を理解し、より深い理解と思考の默契を形成し、コミュニケーションを現在の理解から一人の人間の理解へと進める。
この5つのレベルが示すのは、会話技術の段階的な強化だけではなく、AIと人間の関係の変化でもある。一連の質疑応答の完了から、一人の人間の理解へ、さらに人と人との関係の理解へと進み、最終的に時間と状況を超えた深いコミュニケーションを形成する。
趙斌氏は、対話型AIが初期の受動的な受け答え型のインタラクションから、より能動的で自然な全二重対話へと発展し、人の個性、状況、感情、関係性の理解を試み始めていると指摘した。将来に向けて、AIは複雑な社会的シーンにおける役割分担とコミュニケーションの秩序を突破し、個人が長期にわたって蓄積した文脈をさらに理解する必要がある。これも対話AGIの重要な発展方向である。AIは一言を聞き取れるだけでなく、完全な文脈と結びつけて一人の人間の真の意図を理解し、適切な応答を行えなければならない。
Real-Time AI Infra：対話AGIを支える基盤インフラ
会話能力の持続的な進化は、基盤技術にもより高い要求を課している。
趙斌氏は講演で、この1年間、OpenAIなどの企業によるWebRTC技術の深い採用が、リアルタイムインタラクション技術の対話型AI分野におけるより広範な注目と応用を推進したと述べた。AIが単発の質疑応答から継続的なインタラクションへと進むにつれ、リアルタイムインタラクションインフラは、モデル、エージェント実行フレームワーク、ユーザーをつなぐ重要な技術的支柱となりつつある。
従来のAIアプリケーションと比較して、対話シーンは遅延、安定性、双方向インタラクションに対してより厳格な要求がある。AIはユーザーの入力を受け取りながら、文脈を理解し、応答を組み立て、必要に応じていつでも割り込みに対応し、ツールを継続的に呼び出してタスクを推進しなければならない。どの段階で明らかな遅延が生じても、対話の自然さを損ない、ひいてはタスクの達成に影響を与える可能性がある。
これらの要求を支えるため、趙斌氏はリアルタイムインテリジェントインタラクション向けのインフラの方向性を紹介した。グローバルリアルタイム伝送ネットワーク、分散クラウド・エッジ・端末の協調推論、リアルタイムオーケストレーションと全二重インタラクション能力を通じて、モデルとAgentが実際のシーンで持続的に協働できるようにする。声網の対話型AIエンジンも全二重インタラクションを中核とし、モデル、Agent実行フレームワーク、ユーザーをつなぎ、安定した同期のリアルタイム対話体験を支える。
同時に、雷峰網（公式アカウント：雷峰網）が把握したところによると、声網は開発者に向けた対話型AIの開発ツールと開発キットの整備を継続しており、SDK、Skills、CLIツール、Recipesなどの能力と組み合わせ、開発者が完全なロジックと実行能力を備えたAgentをより効率的に構築できるよう支援している。
カスタマーサービス、教育からAIコンパニオン、スマートウェアラブルまで、趙斌氏は、対話型AIがより多くの実際のシーンに参入しつつあると述べた。AIが真に価値を創造できるかは、モデルが「話せる」かどうかだけでなく、ニーズを理解し、自然にコミュニケーションし、タスクを継続的に完遂できるかどうかにもかかっている。リアルタイムインタラクション技術はこの過程でますます重要な役割を果たすだろう。
続いて、NVIDIAチーフアーキテクトでAOMediaビデオコーデック作業部会共同議長のAndrey Norkin氏が、AV2ビデオコーデック技術に関する講演を行った。
円卓対話：パーソナルエージェントは次世代のパーソナルエントリーになるのか？
声網（Agora）の共同創業者 Tony Wang がモデレーターを務めた最初の円卓セッションでは、インタラクティブメディアプロダクトマネージャーでテックブロガーの Eugene Wei、テック系セルフメディア作者でポッドキャスト『乱翻書』のホストを務める潘乱（パン・ルアン）、そして AIoT ハードウェア起業家でエッジ AI 系セルフメディアのホストである華建新（ホア・ジェンシン）が、「パーソナルエージェント：新たなツールから新たなエントリーへ？」をテーマに議論を展開した。
スマートフォン、メガネ、イヤホンからその他のウェアラブルデバイスに至るまで、パーソナルエージェントは次世代のヒューマンマシンインタラクションの入り口について、業界の再考を引き起こしている。潘乱は、パーソナルエージェントがパラダイム変革をもたらす可能性があると考える。AI 製品の価値は、ユーザーの注意を奪い合うことから、ユーザーがより効率的にタスクを完了できるよう支援することへと移行しつつあるという。未来のパーソナルエージェントは、明示的な指示に応答するだけでなく、自発的にタスクを引き受け、目標は明確だが多くの時間をかける価値のない事柄をユーザーの代わりに処理する助けとなるべきだという。
次世代のパーソナルハードウェアについて、華建新は、未来の入り口は必ずしも特定の一台のデバイスが独占するとは限らず、メガネ、イヤホン、その他環境を感知しタスクを実行できるハードウェアすべてに機会があると提起した。彼は、パーソナルエージェントはユーザーを理解するだけでなく、物理デバイスを通じて現実世界を継続的に感知し行動を取る必要があり、これが異なる形態のハードウェアに新たな発展の空間をもたらすと考えている。
Eugene Wei は議論を「コンテキスト」の価値へと導いた。パーソナルエージェントがユーザーの興味、コミュニケーション履歴、社会的関係を本当に理解できるかどうかは、価値あるパーソナルエントリーになれるかどうかに影響するという。新しい入り口が成り立っているかを測るにあたっては、ユーザーが毎日 Agent とどのようにやり取りしているか、そしてユーザーが Agent に能動的に接触する方が多いのか、それとも Agent がユーザーに能動的に接触する方が多いのかに注目できると彼は述べた。円卓セッションはここから、パーソナルエージェントの製品価値、ハードウェア形態、そして未来の評価基準についてさらに議論を深めた。
円卓対話：「会話できる」から「仕事ができる」へ、対話型 AI はいかに真の価値を創造するのか？
声網の最高商務責任者 崔博（ツイ・ボー）がモデレーターを務めた第二回円卓セッションでは、斜跃智能の創業者 陳偉（チェン・ウェイ）、冠客科技の創業者 耿祥磊（ゲン・シャンレイ）、Rokid 楽奇の共同創業者兼エコシステム責任者 蔡国祥（ツァイ・グォシャン）、そして泰坦啓明の CEO 呉侃（ウー・カン）が、具身知能、スマートウェアラブル、企業マーケティング、AI 採用などの異なるシーンから、対話型 AI：次世代の人と Agent のインタラクションを牽引するについて議論した。
陳偉は、具身知能の鍵は人間の意図をロボットの行動へと真に変換することだと考える。ロボットは音声コマンドを理解するだけでなく、視覚、音声、自身の状態といったマルチモーダル情報を統合し、物理環境の知覚、計画、意思決定を行い、行動後の環境変化に応じてタスク実行を継続的に調整する必要がある。あらかじめ設定されたデモタスクを完了することよりも、ロボットにとってより重要なのは、オープンな環境において人間の真のニーズを継続的に理解し、行動を常に人間の意図と一致させ続けることだという。斜跃智能が発展させている Duplex Reasoning という全新パラダイムの具身基盤モデルは、ロボットのインタラクションと行動の一体化の実現を目指している。
蔡国祥は AI メガネの実践から発言し、対話体験が AI ウェアラブルデバイスの中核的な競争力であることを強調した。彼は、ハードウェアとその裏にある AI 能力がどれほど強力であっても、対話が十分に自然でなければ、ユーザー体験は直接影響を受けると述べた。未来の AI ウェアラブルデバイスは、低遅延で安定したリアルタイムインタラクション、そして意味論的および長期的なコンテキストの理解を通じて、ユーザーが AI と対話していることを次第に意識しないようにする必要があるという。彼はさらに、Rokid 楽奇の AI アシスタントが声網の RTC リンクサービスを採用した実践を紹介し、AI メガネが AI 時代の重要なパーソナルエントリーになることへの期待を示した。
企業向けアプリケーションのシーンにおいて、耿祥磊（こうしょうらい）氏は、AI音声オペレータ（座席）が信頼できる業務遂行を実現するには、レイテンシ、割り込みのタイミング、擬人化などの問題を解決しなければならず、なかでもレイテンシはタスクの結果に直接影響し得ると指摘した。To Bマーケティングにおいては、AIが業界の知識体系および人との協働と結びついてこそ、業務結果をより良く保障できるという。呉侃（ごかん）氏はAI採用の実践に即して、対話型AIは採用業務において求職者へ大規模にリーチし、サービス効率を向上させるものであって、単純に人間を代替するものではないと述べた。業務のクローズドループを形成するには、業界データを蓄積し、求職者を主体として業務を整理し、Agentに長期記憶を構築させ、面談や入社といった実際の業務イベントを軸に、AIがサービス品質を継続的に評価・最適化できるよう支援する必要があるという。
4名の登壇者の共有から見て取れるのは、業界ごとに対話型AIへの要求には差があるものの、共通して一つの方向を指しているということだ。すなわち、AIはコミュニケーションができるだけでなく、実際のシーンを理解し、既存の業務プロセスに溶け込み、タスクを確実に完遂できなければならない。リアルタイムインタラクション、マルチモーダル知覚、Agentの実行能力が発展し続けるにつれ、対話型AIはインタラクションツールからさらに進み、デジタル世界と物理世界をつなぎ、業務の運行を推進する重要な力になると期待されている。
リアルタイムインタラクションからリアルタイムインテリジェンスへ、対話AGIの次章を開く
趙斌（ちょうひん）氏が提唱した五段階の対話能力フレームワークから、パーソナルエージェントと実ビジネスでの実装をめぐる2つの円卓討議まで、iRTE2026メインフォーラムには明確な産業トレンドが示された。すなわち、対話型AIの競争は基盤モデルの能力から、コンテキスト理解、リアルタイムインタラクション、複雑な関係性の認識、タスク実行へと広がりつつあるということだ。
AIが受動的に回答するだけの存在ではなく、人を継続的に理解し、主体的にコミュニケーションに参加し、実際のシーンでタスクを完遂できる存在になるとき、リアルタイムインタラクション技術はより深い使命を担うことになる。
対話AGIの次の段階に向けて、声網（Agora）は開発者や業界パートナーとともにリアルタイムインタラクションと生成AIの融合を引き続き探求し、人と人、人とAgentの間の、より自然で効率的なリアルタイムコミュニケーション体験の実現を推進していく。
雷峰網（LeiFeng）のオリジナル記事。許可なく転載を禁じます。詳細は転載に関する注意事項。