10月23日、iRTE2026リアルタイムインテリジェンスカンファレンスが北京で開催された。アゴラ（声網）の創設者兼CEOである趙斌（Zhao Bin）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、過去1年間のリアルタイムインタラクション、対話型AIおよび基盤インフラの重要な変化を振り返るとともに、「五段階対話能力」フレームワークを提唱し、対話型AIが基礎的な応答から深い理解と関係のコミュニケーションへと進化する道筋を描いた。
趙斌は、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は人と人の間から人とエージェント（Agent）の間へと拡大していると述べた。それに伴い、リアルタイムインタラクション技術の役割も広がっている。情報伝達をより安定かつ滑らかにするだけでなく、AIの知覚、理解、表現、行動にリアルタイムの支えを提供する必要があるという。
「一問一答」から深い関係のコミュニケーションへ：対話AGIの五段階進化
趙斌の見解では、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。
この判断を踏まえ、趙斌は講演の中で「五段階対話能力」フレームワークを提唱し、対話能力を五つのレベルに分類した。
L1：自己の視点に基づく表現：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：対話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：個人の認識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、人に応じたコミュニケーションを実現する。
L4：集団の認識に基づくコミュニケーション：社会的関係や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共感を形成し、コミュニケーションを「その場の理解」から「その人の理解」へと進める。
これら五つのレベルが示すのは、対話技術の段階的な強化だけではなく、AIと人との関係の変化でもある。一連の質疑応答をこなすことから、一人の人間を理解することへ、さらに人と人との関係を理解することへ、そして最終的には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ことへ。
趙斌は、対話型AIが初期の受動的な受け答え型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ており、人の個性、状況、感情、関係の理解を試み始めていると指摘した。今後に向けては、AIが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克服し、個人に蓄積された長期的な文脈をさらに理解する必要がある。これこそが対話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、完全な文脈と組み合わせてその人の真の意図を理解し、適切に応答できるようになるべきだという。
Real-Time AI Infra：対話AGIを支える基盤インフラ
対話能力の継続的な進化は、基盤技術にもより高い要求を突きつけている。趙斌は講演で、過去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分野における注目と応用の拡大を後押ししたと述べた。AIが単発の一問一答から継続的な対話へと進むにつれ、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えになりつつある。
従来のAIアプリケーションと比較して、対話シーンはレイテンシ、安定性、双方向インタラクションに対してより厳しい要求を持つ。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、ツールを呼び出し続けてタスクを進めなければならない。どの段階で顕著な遅延が生じても、対話の自然さを損ない、タスクの達成可否にまで影響しかねない。
こうした要求を支えるため、趙斌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、分散型クラウド・エッジ・端末連携推論、リアルタイムオーケストレーション、全二重インタラクション能力を通じて、モデルとAgentが実際のシーンで継続的に協調できるようにするという。アゴラの対話型AIエンジンも全二重インタラクションを核とし、モデル、Agent実行フレームワークとユーザーをつなぎ、安定した同期型のリアルタイム対話体験を支える。
同時に、アゴラは開発者向けに対話型AI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て、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、スマートウォリアブルまで、趙斌は対話型AIがより多くの実场景に入りつつあると考えている。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、自然に対話し、タスクを継続的に完遂できるかにもかかっている。この過程において、リアルタイムインタラクション技術はますます重要な役割を果たすだろうという。
続いて、NVIDIAのチーフアーキテクトでAOMediaビデオコーデック作業部会の共同議長を務める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。
パネルディスカッション：パーソナルエージェントは次世代の個人エントリーになるのか？
アゴラの共同創設者Tony Wang氏が司会を務めた第一回パネルディスカッションでは、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氏、テック系セルフメディア人でポッドキャスト「乱翻書」主宰の潘乱氏、AIoTハードウェア起業家で端末側AIセルフメディア主宰の華建新氏が、「パーソナルエージェント：新しいツールから新しいエントリーへ？」をテーマに議論した。
スマートフォン、メガネ、イヤホンからその他の携帯デバイスまで、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入口についての業界の考察を再び呼び起こしている。潘乱氏は、パーソナルエージェントは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りつつあるという。将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、能動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務処理をユーザーの代わりに処理するべきだという。
次世代の個人向けハードウェアについて、華建新氏は、将来の入口は必ずしも特定のデバイスが独占するものではなく、メガネ、イヤホン、環境を感知しタスクを実行できるその他のハードウェアにも機会があると提唱した。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する必要があり、これが異なる形態のハードウェアに新たな発展の余地をもたらすと述べた。
Eugene Wei氏は議論を「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記録、社会的関係を真に理解できるかどうかが、価値ある個人入口になれるかを左右するという。新しい入口が成立し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を積極的に探すことが多いのか、それともAgentがユーザーに積極的に働きかけることが多いのかに注目できると提案した。パネルではここから、パーソナルエージェントの製品価値、ハードウェア形態、将来の評価基準についてさらに議論が進んだ。
パネルディスカッション：「会話できる」から「仕事ができる」へ、対話型AIはいかにして真の価値を創造するのか？
アゴラのチーフコマーシャルオフィサー崔博氏が司会を務めた第二回パネルディスカッションでは、斜躍智能（Xieyue Intelligence）創設者の陳偉氏、冠客科技創設者の耿祥磊氏、Rokid楽奇の共同創設者兼エコシステム責任者の蔡国祥氏、タイタン啓明（Taitan Qiming）CEOの呉侃氏が、具身知能（エンボディッドAI）、スマートウォリアブル、企業マーケティング、AI採用など異なるシーンから、「対話型AI：次世代の人とAgentのインタラクションを駆動する」をテーマに議論した。
陳偉氏は、具身知能の鍵は人の意図を真にロボットの行動へと転換することだと考える。ロボットは音声指示を理解するだけでなく、視覚、音声、自己状態など複数のモダリティ情報を融合し、物理環境の知覚、計画、意思決定を完成させ、行動後の環境変化に基づいてタスクの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こなすことより、ロボットにとってより重要なのは、オープンな環境で人の真のニーズを継続的に理解し、行動が常に人の意図と一致するようにすることだ。斜躍智能が開発を進めている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。
蔡国祥氏はAIメガネの実践から出発し、対話体験こそがAIウェアラブルデバイスの中核的競争力であると強調した。彼は、ハードウェアと背後のAI能力がどれほど強力でも、対話が自然でなければユーザー体験が直接損なわれると述べた。将来のAIウェアラブルデバイスは、低レイテンシで安定したリアルタイムインタラクション、および意味論と長期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感じなくなるようにする必要があるという。彼はさらに、Rokid楽奇のAIアシスタントがアゴラのRTCリンクサービスを採用した実践を共有し、AIメガネがAI時代の重要な個人入口になることに期待を示した。
企業向けアプリケーションのシーンにおいて、耿祥磊氏は、AI音声オペレータが信頼性の高い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、レイテンシはタスクの結果に直接影響しかねないと指摘した。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初めて、業務結果をよりよく保障できるという。呉侃氏はAI採用の実践を踏まえ、対話型AIは採用業務において求職者への大規模なリーチやサービス効率の向上を支援するものであり、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、面接、入社などの実際の業務イベントを中心に、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名登壇者の共有から見えるように、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示している：AIは単に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、既存の業務フローに組み込まれ、タスクを確実に完了できなければならない。リアルタイムインタラクション、マルチモーダル認識、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、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となることが期待される。
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、対話型AGIの次章を切り拓く
趙斌が提起した5段階の対話能力フレームワークから、個人インテリジェントエージェントと実際のビジネス実装に関する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：対話型AIの競争は、基盤モデルの能力から、文脈理解、リアルタイムインタラクション、複雑な関係の認識、タスク実行へと広がりつつある。
AIが受動的に答えるだけの存在ではなく、人を継続的に理解し、能動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ようになるとき、リアルタイムインタラクション技術もまた、より深層の使命を担うことになる。
対話型AGIの次の段階に向けて、聲網（Agora）は引き続き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インタラクション体験の実現を推進していく。
本記事は聲網（Agora）の提供によるもので、量子位が許諾を得て転載しています。見解は原作者に帰属します。