Հոկտեմբերի 23-ին Պեկինում տեղի ունեցավ iRTE2026 իրական ժամանակի ինտելեկտի համաժողովը։ Agora-ի հիմնադիր և գործադիր տնօրեն Չժաո Բինը հիմնական ֆորումում հանդես եկավ «Երկխոսություն AGI-ի հետ. իրական ժամանակի փոխազդեցության հաջորդ գլուխը» խորագրով ելույթով՝ վերանայելով անցած տարվա ընթացքում իրական ժամանակի փոխազդեցության, երկխոսական AI-ի և հիմնային ենթակառուցվածքների առանցքային փոփոխությունները և ներկայացրեց «երկխոսության հինգ մակարդակի կարողությունների» շրջանակը՝ ուրվագծելով երկխոսական AI-ի զարգացման ուղին՝ հիմնական պատասխաններից դեպի խորը ընկալում և հարաբերությունների վրա հիմնված հաղորդակցություն։
Չժաո Բինի կարծիքով՝ քանի որ AI-ն հարցերին պատասխանելուց անցնում է շարունակական շփման, համատեքստի ընկալման և առաջադրանքների կատարման, իրական ժամանակի փոխազդեցության օբյեկտը մարդուց մարդ ընդլայնվում է դեպի մարդ և Agent։ Իրական ժամանակի փոխազդեցության տեխնոլոգիայի դերը նույնպես ընդլայնվում է. այն պետք է ոչ միայն ապահովի տեղեկատվության ավելի կայուն և հարթ փոխանցում, այլև ապահովի իրական ժամանակի աջակցություն AI-ի ընկալմանը, հասկացմանը, արտահայտմանը և գործողություններին։
«Մեկ հարց՝ մեկ պատասխան»-ից դեպի խորը հարաբերությունների հաղորդակցություն. երկխոսական AGI-ի հինգ մակարդակի էվոլյուցիան
Չժաո Բինի տեսանկյունից՝ երկխոսական AI-ի առաջընթացը չպետք է չափվի միայն պատասխանի արագությամբ կամ լեզվի բնականությամբ։ Ավելի կարևոր է, թե արդյոք այն կարող է հասկանալ զրուցակցի մտադրությունը, իրավիճակը և հարաբերությունները, կարող է համապատասխան արտահայտվել բարդ սցենարներում և աստիճանաբար ձևավորել երկարաժամկետ, խորը ընկալում։
Այս դատողության շուրջ Չժաո Բինը ելույթում ներկայացրեց «երկխոսության հինգ մակարդակի կարողությունների» շրջանակը՝ երկխոսության կարողությունը բաժանելով հինգ մակարդակի.
L1՝ սեփական տեսանկյունից արտահայտում. հիմնականում ինքնարտահայտում և պասիվ շարունակում՝ իրականացնելով «մեկ հարց՝ մեկ պատասխան»։
L2՝ փոխազդեցության օրինաչափությունների վրա հիմնված արտահայտում. պասիվ արձագանքից անցում դեպի ակտիվ արտահայտում՝ երկխոսությունն ավելի բնական և համահունչ դարձնելով։
L3՝ անհատական ճանաչողության վրա հիմնված հաղորդակցություն. անհատի ինքնության, մտադրության և իրավիճակի ընկալում՝ անհատին համապատասխան հաղորդակցության իրականացում։
L4՝ խմբային ճանաչողության վրա հիմնված հաղորդակցություն. սոցիալական հարաբերությունների և դերային տարբերությունների ընկալում՝ բազմամարդ հաղորդակցության բարդ սցենարներին հարմարվելով։
L5՝ խորը հարաբերությունների վրա հիմնված հաղորդակցություն. երկարաժամկետ համատեքստի և հարաբերությունների զարգացման ընկալում՝ ձևավորելով ավելի խորը ընկալում և մտքի փոխըմբռնում՝ հաղորդակցությունը ներկան հասկանալուց տանելով դեպի մարդուն հասկանալը։
Այս հինգ մակարդակները ցույց են տալիս ոչ միայն երկխոսության տեխնոլոգիայի աստիճանական հզորացումը, այլև AI-ի և մարդու միջև հարաբերությունների փոփոխությունը՝ մեկ փուլ հարցուպատասխան ավարտելուց մինչև մարդուն հասկանալը, ապա մարդկանց միջև հարաբերությունները հասկանալը, և վերջում ժամանակի ու համատեքստի սահմանները հատող խորը հաղորդակցության ձևավորումը։
Չժաո Բինը նշեց, որ երկխոսական AI-ն վաղ շրջանի պասիվ շարունակվող փոխազդեցությունից զարգանում է դեպի ավելի ակտիվ, ավելի բնական լրիվ դուպլեքս երկխոսություն և սկսում է փորձել հասկանալ մարդու անհատականությունը, իրավիճակը, հույզերը և հարաբերությունները։ Ապագային ուղղված՝ AI-ն դեռ պետք է հաղթահարի բարդ սոցիալական սցենարներում դերերի բաժանման և հաղորդակցության կարգի մարտահրավերները՝ ավելի խորացնելով անհատի երկարաժամկետ կուտակված համատեքստի ընկալումը։ Սա նաև երկխոսական AGI-ի զարգացման կարևոր ուղղությունն է. AI-ն կարողանա ոչ միայն հասկանալ մեկ նախադասություն, այլև ամբողջական համատեքստի հետ համադրելով հասկանալ մարդու իրական մտադրությունը և տալ համապատասխան պատասխան։
Real-Time AI Infra. երկխոսական AGI-ին աջակցող հիմնական ենթակառուցվածքը
Երկխոսության կարողությունների շարունակական էվոլյուցիան ավելի բարձր պահանջներ է դնում նաև հիմնային տեխնոլոգիաների առջև։ Ելույթում Չժաո Բինը նշեց, որ անցած տարվա ընթացքում OpenAI-ի և այլ ընկերությունների կողմից WebRTC տեխնոլոգիայի խորը կիրառումը նպաստեց, որ իրական ժամանակի փոխազդեցության տեխնոլոգիան ավելի լայն ուշադրություն և կիրառություն ստանա երկխոսական AI-ի ոլորտում։ Քանի որ AI-ն մեկ փուլ հարցուպատասխանից անցնում է շարունակական փոխազդեցության, իրական ժամանակի փոխազդեցության ենթակառուցվածքը դառնում է կարևոր տեխնոլոգիական հենք՝ միացնելով մոդելները, ինտելեկտուալ գործակալների գործարկման շրջանակները և օգտատերերին։
Ավանդական AI հավելվածների համեմատ՝ երկխոսության սցենարները ավելի խիստ պահանջներ են դնում ուշացման, կայունության և երկկողմ փոխազդեցության նկատմամբ։ AI-ն պետք է միաժամանակ ընդունի օգտատիրոջ մուտքագրումը, հասկանա համատեքստը, կազմակերպի պատասխանը, անհրաժեշտության դեպքում ցանկացած պահի դիմակայի ընդհատումներին և շարունակաբար կանչի գործիքներ ու առաջ մղի առաջադրանքները։ Ցանկացած օղակում նկատելի ուշացումը կարող է խաթարել երկխոսության բնականությունը և նույնիսկ ազդել առաջադրանքի կատարման վրա։
Այս պահանջներին աջակցելու համար Չժաո Բինը ներկայացրեց իրական ժամանակի ինտելեկտուալ փոխազդեցությանն ուղղված ենթակառուցվածքի ուղղությունը. գլոբալ իրական ժամանակի փոխանցման ցանցի, բաշխված ամպ-եզր-սարք համատեղ ինֆերենսի, իրական ժամանակի նվագախմբավորման և լրիվ դուպլեքս փոխազդեցության կարողությունների միջոցով հնարավոր դարձնել մոդելների և Agent-ների շարունակական համագործակցությունը իրական սցենարներում։ Agora-ի երկխոսական AI շարժիչը նույնպես լրիվ դուպլեքս փոխազդեցությունը որպես առանցք՝ միացնում է մոդելները, Agent-ի գործարկման շրջանակները և օգտատերերին՝ ապահովելով կայուն, համաժամանակյա իրական ժամանակի երկխոսության փորձ։
Միևնույն ժամանակ Agora-ն շարունակաբար զարգացնում է ծրագրավորողների համար երկխոսական AI-ի մշակման գործիքներ և մշակման հավաքածուներ՝ համադրելով SDK, Skills, CLI գործիքներ և Recipes և այլ կարողություններ՝ օգնելով ծրագրավորողներին ավելի արդյունավետ կառուցել ամբողջական տրամաբանությամբ և կատարման կարողությամբ օժտված Agent-ներ։
Հաճախորդների սպասարկումից և կրթությունից մինչև AI ուղեկցում և խելացի կրելի սարքեր՝ Չժաո Բինը կարծում է, որ երկխոսական AI-ն մուտք է գործում ավելի շատ իրական սցենարներ։ Արդյոք AI-ն իսկապես կարող է արժեք ստեղծել, կախված է ոչ միայն նրանից, թե արդյոք մոդելը «կարողանում է խոսել», այլև նրանից, թե արդյոք այն կարող է հասկանալ կարիքները, բնական հաղորդակցվել և շարունակաբար ավարտին հասցնել առաջադրանքները։ Իրական ժամանակի փոխազդեցության տեխնոլոգիան այս գործընթացում կխաղա ավելի ու ավելի կարևոր դեր։
Այնուհետև NVIDIA-ի գլխավոր ճարտարապետ, AOMedia վիդեո կոդավորման աշխատանքային խմբի համանախագահ Andrey Norkin-ը հանդես եկավ AV2 վիդեո կոդավորման տեխնոլոգիայի մասին ելույթով։
Կլոր սեղան. անհատական ինտելեկտուալ գործակալը կդառնա՞ հաջորդ սերնդի անհատական մուտք։
Agora-ի համահիմնադիր Tony Wang-ի վարած առաջին կլոր սեղանի ընթացքում ինտերակտիվ մեդիա արտադրանքի մենեջեր և տեխնոլոգիական բլոգեր Eugene Wei-ը, տեխնոլոգիական մեդիա անձնավորություն և «Լուանֆանշու» փոդքասթի հաղորդավար Պան Լուանը, ինչպես նաև AIoT ապարատային ձեռներեց և եզրային AI մեդիա անձնավորություն Հուա Ցզյանսինը քննարկեցին «Անհատական ինտելեկտուալ գործակալ. նոր գործիքից նոր մուտք» թեման։
Հեռախոսներից, ակնոցներից, ականջակալներից մինչև ավելի շատ կրովի սարքեր՝ անհատական ինտելեկտուալ գործակալները կրկին արթնացնում են ոլորտի մտորումները հաջորդ սերնդի մարդ-մեքենա փոխազդեցության մուտքի շուրջ։ Պան Լուանը կարծում է, որ անհատական ինտելեկտուալ գործակալները կարող են բերել պարադիգմային փոփոխություն. AI արտադրանքների արժեքը օգտատերերի ուշադրության համար պայքարից տեղափոխվում է օգտատերերին առաջադրանքներն ավելի արդյունավետ ավարտելուն օգնելուն։ Ապագայի անհատական ինտելեկտուալ գործակալը պետք է ոչ միայն արձագանքի հստակ հրահանգներին, այլև ակտիվորեն ստանձնի առաջադրանքներ՝ օգնելով օգտատերերին զբաղվել այն գործերով, որոնք ունեն հստակ նպատակ, բայց արժանի չեն մեծ ժամանակ ներդնելու։
Ինչ վերաբերում է հաջորդ սերնդի անհատական ապարատայինին, Հուա Ցզյանսինը առաջարկեց, որ ապագայի մուտքը գուցե պարտադիր չէ, որ զբաղեցվի մեկ տեսակի սարքի կողմից. ակնոցները, ականջակալները և այլ ապարատային սարքեր, որոնք կարող են ընկալել միջավայրը և կատարել առաջադրանքներ, բոլորն էլ հնարավորություն ունեն։ Նա կարծում է, որ անհատական ինտելեկտուալ գործակալը պետք է ոչ միայն հասկանա օգտատիրոջը, այլև ֆիզիկական սարքերի միջոցով շարունակաբար ընկալի իրական աշխարհը և ձեռնարկի գործողություններ, ինչը նոր զարգացման տարածք է բացում տարբեր ձևերի ապարատային սարքերի համար։
Eugene Wei-ը քննարկումն ուղղեց դեպի «համատեքստի» արժեքը. արդյոք անհատական ինտելեկտուալ գործակալը կարող է իսկապես հասկանալ օգտատիրոջ հետաքրքրությունները, հաղորդակցության գրառումները և սոցիալական հարաբերությունները, կազդի նրա վրա, թե արդյոք այն կարող է դառնալ արժեքավոր անհատական մուտք։ Գնահատելիս, թե արդյոք նոր մուտքը կայացած է, նա նաև առաջարկեց ուշադրություն դարձնել օգտատերերի՝ Agent-ի հետ ամենօրյա փոխազդեցությանը, ինչպես նաև նրան, թե արդյոք ավելի հաճախ օգտատերերն են ակտիվորեն դիմում Agent-ին, թե Agent-ն է ավելի հաճախ ակտիվորեն դիմում օգտատերերին։ Կլոր սեղանը այսպիսով ավելի խորը քննարկեց անհատական ինտելեկտուալ գործակալների արտադրանքի արժեքը, ապարատային ձևը և ապագայի գնահատման չափանիշները։
Կլոր սեղան. «խոսել կարողանալուց» դեպի «գործեր կատարել կարողանալը». ինչպե՞ս է երկխոսական AI-ն իրական արժեք ստեղծում։
Agora-ի գլխավոր առևտրային տնօրեն Ցույ Բոյի վարած երկրորդ կլոր սեղանի ընթացքում Xieve Intelligence-ի հիմնադիր Չեն Վեյը, Guanke Technology-ի հիմնադիր Գեն Սյանլեյը, Rokid-ի համահիմնադիր և էկոհամակարգի ղեկավար Ցայ Գոսյանը, ինչպես նաև Titan Qiming-ի գործադիր տնօրեն Ու Կանը՝ մարմնավորված ինտելեկտի, խելացի կրելի սարքերի, ձեռնարկությունների մարքեթինգի և AI հավաքագրման տարբեր սցենարներից ելնելով, քննարկեցին երկխոսական AI-ն. մարդ-Agent փոխազդեցության հաջորդ սերնդի շարժիչ ուժը։
Չեն Վեյը կարծում է, որ մարմնավորված ինտելեկտի բանալին մարդու մտադրությունը ռոբոտի գործողության իրական փոխակերպումն է։ Ռոբոտը պետք է ոչ միայն հասկանա ձայնային հրահանգները, այլև միավորի տեսողական, ձայնային և սեփական վիճակի մուլտիմոդալ տեղեկատվությունը՝ ավարտին հասցնելով ֆիզիկական միջավայրի ընկալումը, պլանավորումը և որոշումների կայացումը, ինչպես նաև գործողությունից հետո միջավայրի փոփոխություններին համապատասխան շարունակաբար ճշգրտի առաջադրանքի կատարումը։ Նախապես սահմանված ցուցադրական առաջադրանքները կատարելու համեմատ՝ ռոբոտի համար ավելի կարևոր է բաց միջավայրում շարունակաբար հասկանալ մարդու իրական կարիքները՝ գործողությունները մշտապես մարդու մտադրությանը համահունչ պահելով։ Xieve Intelligence-ը մշակում է Duplex Reasoning նոր պարադիգմի մարմնավորված հիմնային մոդել, որը նպատակ ունի իրականացնել ռոբոտի փոխազդեցության և գործողության ինտեգրումը։
Ցայ Գոսյանը, AI ակնոցների պրակտիկայից ելնելով, ընդգծեց, որ երկխոսության փորձը AI կրելի սարքերի հիմնական մրցունակությունն է։ Նա նշեց, որ անկախ նրանից, թե որքան հզոր են ապարատայինը և դրա հետևում գտնվող AI կարողությունները, եթե երկխոսությունը բավականաչափ բնական չէ, օգտատիրոջ փորձի վրա ուղղակիորեն կազդի։ Ապագայում AI կրելի սարքերը պետք է ցածր ուշացման, կայուն իրական ժամանակի փոխազդեցության, ինչպես նաև իմաստի և երկարաժամկետ համատեքստի ընկալման միջոցով օգտատերերին աստիճանաբար զգացնեն, որ այլևս չեն խոսում AI-ի հետ։ Նա նաև կիսվեց Rokid-ի AI օգնականի՝ Agora-ի RTC կապուղու ծառայությունների կիրառման պրակտիկայով և լավատեսորեն գնահատեց, որ AI ակնոցները կդառնան AI դարաշրջանի կարևոր անհատական մուտք։
Ձեռնարկությունների կիրառման սցենարներում Գեն Սյանլեյը նշեց, որ AI ձայնային օպերատորը հուսալի բիզնես մատակարարում ապահովելու համար պետք է լուծի ուշացման, ընդհատման պահի և մարդակերպության և այլ խնդիրներ, ընդ որում ուշացումը կարող է նույնիսկ ուղղակիորեն ազդել առաջադրանքի արդյունքի վրա։ To B մարքեթինգի համար AI-ն նաև պետք է համադրվի ոլորտի գիտելիքների համակարգի և մարդկային համագործակցության հետ, որպեսզի ավելի լավ ապահովի բիզնես արդյունքները։ Ու Կանը, AI հավաքագրման պրակտիկայի հետ համադրելով, նշեց, որ երկխոսական AI-ն կարող է օգնել հավաքագրման բիզնեսին մեծ մասշտաբով հասնել աշխատանք փնտրողներին և բարձրացնել սպասարկման արդյունավետությունը՝ առանց մարդկային աշխատուժը պարզապես փոխարինելու։ Բիզնեսի փակ ցիկլ ձևավորելու համար անհրաժեշտ է նաև կուտակել ոլորտի տվյալներ, աշխատանք փնտրողին որպես առարկա համակարգել բիզնեսը, օգնել Agent-ին ձևավորել երկարաժամկետ հիշողություն և հարցազրույցի, աշխատանքի անցնելու և այլ իրական բիզնես իրադարձությունների շուրջ աջակցել AI-ին շարունակաբար գնահատել և օպտիմալացնել ծառայության որակը։
Չորս հյուրերի կիսվելուց երևում է, որ տարբեր ոլորտների պահանջները երկխոսական AI-ի նկատմամբ թեև տարբերվում են, բայց համատեղ ուղղվում են մեկ ուղղության. AI-ն պետք է ոչ միայն կարողանա շփվել, այլև կարողանա հասկանալ իրական սցենարները, ինտեգրվել գոյություն ունեցող բիզնես գործընթացներին և հուսալիորեն ավարտին հասցնել առաջադրանքները։ Իրական ժամանակի փոխազդեցության, մուլտիմոդալ ընկալման և Agent-ի կատարողական կարողությունների շարունակական զարգացման հետ երկխոսական AI-ն ակնկալվում է, որ փոխազդեցության գործիքից կդառնա թվային աշխարհը ֆիզիկական աշխարհի հետ կապող և բիզնեսի գործարկումը խթանող կարևոր ուժ։
Իրական ժամանակի փոխազդեցությունից դեպի իրական ժամանակի ինտելեկտ՝ բացելով երկխոսական AGI-ի հաջորդ գլուխը
Չժաո Բինի առաջարկած երկխոսության հինգ մակարդակի կարողությունների շրջանակից մինչև երկու կլոր սեղանների քննարկումները անհատական ինտելեկտուալ գործակալների և իրական բիզնեսի ներդրման շուրջ՝ iRTE2026 հիմնական ֆորումը ներկայացրեց հստակ ոլորտային միտում. երկխոսական AI-ի մրցակցությունը հիմնական մոդելային կարողություններից ընդլայնվում է դեպի համատեքստի ընկալում, իրական ժամանակի փոխազդեցություն, բարդ հարաբերությունների ճանաչողություն և առաջադրանքների կատարում։
Երբ AI-ն այլևս չի սահմանափակվում պասիվ պատասխաններով, այլ կարողանում է շարունակաբար հասկանալ մարդուն, ակտիվորեն մասնակցել շփմանը և իրական սցենարներում ավարտին հասցնել առաջադրանքները, իրական ժամանակի փոխազդեցության տեխնոլոգիան նույնպես կստանձնի ավելի խորը առաքելություն։
Երկխոսական AGI-ի հաջորդ փուլին ուղղված՝ Agora-ն կշարունակի ծրագրավորողների և ոլորտի գործընկերների հետ միասին ուսումնասիրել իրական ժամանակի փոխազդեցության և գեներատիվ AI-ի ինտեգրումը՝ խթանելով մարդու և մարդու, մարդու և Agent-ի միջև ավելի բնական, արդյունավետ իրական ժամանակի փոխազդեցության փորձը։
