Em 23 de outubro, a iRTE2026 Conferência de Inteligência em Tempo Real foi realizada em Pequim. Zhao Bin, fundador e CEO da Agora, proferiu um discurso no fórum principal intitulado "Diálogo com AGI: O Próximo Capítulo da Interação em Tempo Real", no qual revisou as principais mudanças do último ano em interação em tempo real, IA conversacional e infraestrutura de base, e propôs o framework das "Cinco Níveis de Capacidade de Diálogo", delineando o caminho evolutivo da IA conversacional, desde respostas básicas até a compreensão profunda e a comunicação relacional.
Zhao Bin acredita que, à medida que a IA avança de responder perguntas para manter conversas contínuas, compreender contextos e executar tarefas, o objeto da interação em tempo real está se expandindo de pessoa para pessoa para pessoa para Agent. O papel da tecnologia de interação em tempo real também se estende: não apenas tornar a transmissão de informações mais estável e fluida, mas também fornecer suporte em tempo real para a percepção, compreensão, expressão e ação da IA.
De "perguntar e responder" à comunicação relacional profunda: as cinco etapas evolutivas do diálogo com AGI
Na visão de Zhao Bin, o progresso da IA conversacional não deve ser medido apenas pela velocidade de resposta e naturalidade da linguagem. Mais importante é se ela consegue compreender a intenção, a situação e a relação do interlocutor, se consegue se expressar adequadamente em cenários complexos e se pode gradualmente formar uma compreensão profunda e de longo prazo.
Com base nessa avaliação, Zhao Bin propôs no discurso o framework das "Cinco Níveis de Capacidade de Diálogo", dividindo a capacidade de diálogo em cinco níveis:
L1, Expressão baseada na própria perspectiva: predominância de autoexpressão e continuidade passiva, realizando "perguntar e responder".
L2: Expressão baseada em padrões de interação: passando da resposta passiva para a expressão proativa, tornando o diálogo mais natural e coerente.
L3: Comunicação baseada na cognição individual: compreender a identidade, intenção e situação do indivíduo, realizando uma comunicação personalizada.
L4: Comunicação baseada na cognição grupal: compreender relações sociais e diferenças de papéis, adaptando-se a cenários complexos de comunicação com múltiplas pessoas.
L5: Comunicação baseada em relações profundas: compreender contextos de longo prazo e a evolução das relações, formando uma compreensão mais profunda e sintonia de pensamento, fazendo com que a comunicação passe de compreender o momento para compreender uma pessoa.
O que esses cinco níveis mostram não é apenas o fortalecimento gradual da tecnologia de diálogo, mas também a mudança na relação entre a IA e as pessoas: de completar um ciclo de perguntas e respostas, para compreender uma pessoa, e então compreender as relações entre as pessoas, culminando em uma comunicação profunda que transcende tempo e contexto.
Zhao Bin apontou que a IA conversacional está evoluindo da interação passiva inicial para um diálogo full-duplex mais proativo e natural, e começando a tentar compreender a personalidade, a situação, as emoções e as relações das pessoas. Voltada para o futuro, a IA ainda precisa superar a divisão de papéis e a ordem comunicacional em cenários sociais complexos, compreendendo mais profundamente o contexto acumulado individualmente ao longo do tempo. Esta é também uma importante direção de desenvolvimento do diálogo com AGI: a IA não apenas consegue entender uma frase, mas também combinar o contexto completo para compreender a verdadeira intenção de uma pessoa e responder adequadamente.
Real-Time AI Infra: a infraestrutura-chave que sustenta o diálogo com AGI
A evolução contínua da capacidade de diálogo também impõe exigências maiores à tecnologia de base. Zhao Bin mencionou no discurso que, no último ano, a adoção aprofundada da tecnologia WebRTC por empresas como a OpenAI impulsionou a tecnologia de interação em tempo real a ganhar atenção e aplicação mais amplas no campo da IA conversacional. À medida que a IA avança de perguntas e respostas únicas para interações contínuas, a infraestrutura de interação em tempo real está se tornando um importante suporte técnico que conecta modelos, frameworks de execução de agentes e usuários.
Comparado com aplicações tradicionais de IA, os cenários de diálogo têm requisitos mais rigorosos de latência, estabilidade e interação bidirecional. A IA precisa, ao mesmo tempo, receber a entrada do usuário, compreender o contexto, organizar a resposta e, quando necessário, lidar com interrupções a qualquer momento, além de continuamente invocar ferramentas e avançar tarefas. Qualquer latência significativa em qualquer etapa pode comprometer a naturalidade do diálogo e até afetar a conclusão da tarefa.
Para atender a essas demandas, Zhao Bin apresentou a direção da infraestrutura voltada para a interação inteligente em tempo real: por meio de rede global de transmissão em tempo real, inferência distribuída conjunta cloud-edge-device, orquestração em tempo real e capacidade de interação full-duplex, permitir que modelos e Agents colaborem continuamente em cenários reais. O motor de IA conversacional da Agora também tem a interação full-duplex como núcleo, conectando modelos, frameworks de execução de Agent e usuários, sustentando uma experiência de diálogo em tempo real estável e sincronizada.
Ao mesmo tempo, a Agora continua aprimorando ferramentas e kits de desenvolvimento de IA conversacional para desenvolvedores, combinando SDK, Skills, ferramentas CLI e Recipes, entre outras capacidades, para ajudar os desenvolvedores a construir com mais eficiência Agents com lógica completa e capacidade de execução.
Do atendimento ao cliente e educação até o acompanhamento com IA e wearables inteligentes, Zhao Bin acredita que a IA conversacional está entrando em mais cenários reais. Se a IA pode realmente criar valor não depende apenas de o modelo "saber falar", mas também de sua capacidade de compreender necessidades, comunicar-se naturalmente e concluir tarefas de forma contínua. A tecnologia de interação em tempo real desempenhará um papel cada vez mais importante nesse processo.
Em seguida, Andrey Norkin, arquiteto-chefe da NVIDIA e copresidente do Grupo de Trabalho de Codec de Vídeo da AOMedia, apresentou uma palestra sobre a tecnologia de codec de vídeo AV2.
Mesa-redonda: Os agentes pessoais se tornarão a próxima geração de入口 pessoal?
Na primeira mesa-redonda, mediada por Tony Wang, cofundador da Agora, Eugene Wei, gerente de produto de mídia interativa e blogueiro de tecnologia, Pan Luan, criador de mídia tecnológica e apresentador do podcast "Luan Fan Shu", e Hua Jianxin, empreendedor de hardware AIoT e criador de mídia de IA em dispositivos, discutiram em torno do tema "Agentes pessoais: de nova ferramenta a novo入口?".
De celulares, óculos e fones de ouvido a mais dispositivos vestíveis, os agentes pessoais estão reacendendo na indústria a reflexão sobre a próxima geração de入口 de interação humano-computador. Pan Luan acredita que os agentes pessoais podem trazer uma mudança de paradigma: o valor dos produtos de IA está migrando da disputa pela atenção do usuário para ajudar o usuário a concluir tarefas com mais eficiência. O agente pessoal do futuro não apenas deve responder a comandos explícitos, mas também assumir tarefas proativamente, ajudando o usuário a lidar com aquelas questões que têm objetivos claros, mas não merecem investir muito tempo.
Sobre o hardware pessoal da próxima geração, Hua Jianxin propôs que o futuro入口 não será necessariamente dominado por um único tipo de dispositivo; óculos, fones de ouvido e outros hardwares capazes de perceber o ambiente e executar tarefas têm oportunidades. Ele acredita que o agente pessoal não só precisa entender o usuário, mas também perceber continuamente o mundo real por meio de dispositivos físicos e agir, o que traz novo espaço de desenvolvimento para diferentes formas de hardware.
Eugene Wei direcionou a discussão para o valor do "contexto": se o agente pessoal pode realmente compreender os interesses, registros de comunicação e relações sociais do usuário influenciará sua capacidade de se tornar um入口 pessoal valioso. Ao avaliar se um novo入口 se sustenta, ele também sugeriu observar a interação diária dos usuários com o Agent, e se são mais os usuários que procuram o Agent ou o Agent que procura os usuários. A mesa-redonda aprofundou então a discussão sobre o valor de produto dos agentes pessoais, as formas de hardware e os futuros critérios de avaliação.
Mesa-redonda: De "saber conversar" a "saber resolver", como a IA conversacional cria valor real?
Na segunda mesa-redonda, mediada por Cui Bo, diretor comercial da Agora, Chen Wei, fundador da Xieyue Intelligent, Geng Xianglei, fundador da Guanke Technology, Cai Guoxiang, cofundador e responsável pelo ecossistema da Rokid Leqi, e Wu Kan, CEO da Titan Qiming, partiram de diferentes cenários como inteligência incorporada, wearables inteligentes, marketing empresarial e recrutamento com IA, para discutir como a IA conversacional impulsiona a próxima geração de interação entre pessoas e Agents.
Chen Wei acredita que a chave da inteligência incorporada é transformar verdadeiramente a intenção humana em ação do robô. O robô não só precisa entender comandos de voz, mas também integrar informações multimodais como visão, voz e seu próprio estado, para completar a percepção, planejamento e decisão sobre o ambiente físico, ajustando continuamente a execução da tarefa conforme as mudanças ambientais após a ação. Mais importante do que concluir tarefas de demonstração predefinidas, o robô precisa compreender continuamente as necessidades reais das pessoas em ambientes abertos, mantendo as ações sempre alinhadas com a intenção humana. A Xieyue Intelligent está desenvolvendo o Duplex Reasoning, um novo paradigma de modelo de base incorporado, com o objetivo de integrar interação e ação robótica.
Cai Guoxiang, partindo da prática com óculos de IA, enfatizou que a experiência de diálogo é a competência central dos dispositivos vestíveis de IA. Ele afirmou que, por mais poderosos que sejam o hardware e as capacidades de IA por trás dele, se o diálogo não for natural o suficiente, a experiência do usuário será diretamente afetada. No futuro, os dispositivos vestíveis de IA precisarão, por meio de interação em tempo real de baixa latência e estável, além da compreensão semântica e de contextos de longo prazo, fazer com que os usuários gradualmente deixem de perceber que estão conversando com uma IA. Ele também compartilhou a prática do assistente de IA Rokid Leqi adotando o serviço de link RTC da Agora, e demonstrou otimismo de que os óculos de IA se tornarão um importante入口 pessoal na era da IA.
Em cenários de aplicação empresarial, Geng Xianglei apontou que, para que os agentes de voz com IA realizem entregas de negócios confiáveis, é necessário resolver questões como latência, momento de interrupção e humanização, sendo que a latência pode até afetar diretamente o resultado da tarefa. Para o marketing B2B, a IA também precisa se combinar com o sistema de conhecimento do setor e a colaboração humana para melhor garantir os resultados do negócio. Wu Kan, com base na prática de recrutamento com IA, afirmou que a IA conversacional pode ajudar o recrutamento a alcançar candidatos em larga escala e melhorar a eficiência do serviço, em vez de simplesmente substituir o trabalho humano. Para formar um ciclo completo de negócios, ainda é necessário acumular dados do setor, organizar os negócios tendo o candidato como sujeito, ajudar o Agent a construir memória de longo prazo e, em torno de eventos reais como entrevistas e contratações, auxiliar a IA a avaliar e otimizar continuamente a qualidade do serviço.
A partir das contribuições dos quatro convidados, é possível observar que, embora as exigências de diferentes setores em relação à IA conversacional variem, todas apontam para uma mesma direção: a IA não apenas precisa se comunicar, mas também compreender cenários reais, integrar-se aos processos de negócios existentes e concluir tarefas de forma confiável. Com o desenvolvimento contínuo da interação em tempo real, da percepção multimodal e da capacidade de execução dos Agents, a IA conversacional tem potencial para se tornar, além de uma ferramenta de interação, uma importante força que conecta o mundo digital ao mundo físico e impulsiona a operação dos negócios.
Da interação em tempo real à inteligência em tempo real, abrindo o próximo capítulo do diálogo com AGI
Do framework das cinco capacidades de diálogo proposto por Zhao Bin às duas mesas-redondas sobre agentes pessoais e implementação em negócios reais, o fórum principal da iRTE2026 apresentou uma clara tendência da indústria: a competição em IA conversacional está se estendendo da capacidade de modelos básicos para a compreensão de contexto, interação em tempo real, cognição de relações complexas e execução de tarefas.
Quando a IA deixa de se limitar a respostas passivas e passa a compreender continuamente as pessoas, participar ativamente da comunicação e concluir tarefas em cenários reais, a tecnologia de interação em tempo real também assumirá uma missão mais profunda.
Voltada para a próxima etapa do diálogo com AGI, a Agora continuará explorando em conjunto com desenvolvedores e parceiros do setor a fusão entre interação em tempo real e IA generativa, promovendo experiências de interação em tempo real mais naturais e eficientes entre pessoas, e entre pessoas e Agents.
