这标题含人名,我沿用之前的做法 —— 标题只保留公司与技术主线。先核实这场演讲或文章的出处、时间与核心观点。
这场演讲的核心不是又发了一个产品,是把 “对话” 这件事拆成了可以打分的五个台阶。2026 年 10 月 23 日,在 iRTE2026 实时智能大会北京主论坛上,声网创始人兼 CEO 赵斌以《对话 AGI:实时互动的下一章》为题,提出 “五级对话能力” 框架 —— 从 L1 基于自身视角的表达,到 L5 基于深度关系的沟通,把对话式 AI 的评价标准从 “答得快不快、像不像人” 推进到 “懂不懂这个人、懂不懂这段关系”。与之配套的是他对基础设施的判断:当交互对象从人扩展到 Agent,实时互动技术要从 “传得稳、传得清” 升级为支撑 AI 的感知、理解、表达与行动,也就是从 “实时互动” 走向 “实时智能”。一句话概括这场演讲的位置:它接在 2024 年 “RTE 是 AI Infra 关键部分”、2025 年 “RTE 从连通走向对话” 之后,把第三步落在了 “对话 AGI”。
一、演讲基本盘先对齐
| 项目 | 口径 |
|---|---|
| 场合 | iRTE2026 实时智能大会主论坛(原 RTE 实时互联网大会,2026 年升级更名) |
| 时间地点 | 2026 年 10 月 23 日,北京悠唐皇冠假日酒店 |
| 演讲题目 | 《对话 AGI:实时互动的下一章》 |
| 演讲人 | 声网创始人兼 CEO 赵斌 |
| 核心产出 | 五级对话能力框架 + 面向实时智能交互的基础设施方向 |
| 大会体量 | 15+ 论坛、100+ 场演讲,另设 RTE+AI 展区与 Voice Agent 工作坊 |
| 同期议题 | 个人智能体是否会成为下一代入口;对话式 AI 如何从 “能聊天” 到 “能办事” |
容易混淆的是会议名称:这是 iRTE2026(第十一届实时互联网大会升级版),不是声网的产品发布会,也不是各家模型厂商的模型发布场。
二、三年三级:从 “连通” 到 “对话” 再到 “实时智能”
把三届大会的提法排在一起,能看清这条主线是怎么一步步走过来的。
| 年份 | 大会 | 核心提法 | 关键词 |
|---|---|---|---|
| 2024 | RTE2024(第十届) | RTE 将成为生成式 AI 时代 AI Infra 的关键部分 | 基础设施化 |
| 2025 | Convo AI & RTE 2025(第十一届) | RTE 从 “连通” 走向 “对话”;年度服务分钟数首破 1 万亿 | 对话化 |
| 2026 | iRTE2026 实时智能大会 | 对话 AGI:实时互动的下一章;五级对话能力框架 | 实时智能化 |
这条线的逻辑是:先证明实时网络能承载 AI(基础设施化),再证明交互形态从传信息变成对话(对话化),最后回答 “对话要往哪儿走”(智能化)。三年三个词,一年一步,没有跳步。
三、五级对话能力,评的是 “关系” 而不是 “语速”
| 层级 | 名称 | 能力特征 | 典型表现 |
|---|---|---|---|
| L1 | 基于自身视角的表达 | 自我表达、被动接续 | 问一句、答一句 |
| L2 | 基于互动规律的表达 | 从被动回应走向主动表达 | 对话自然、连贯,会接话、会推进 |
| L3 | 基于个体认知的沟通 | 理解身份、意图与处境 | 因人而异,同一问题对不同人给不同答法 |
| L4 | 基于群体认知的沟通 | 理解社会关系与角色差异 | 适应多人场景,知道谁该说话、说什么 |
| L5 | 基于深度关系的沟通 | 理解长期上下文与关系演变 | 形成思维默契,从 “理解当下” 到 “理解一个人” |
这张表最关键的一列是 “典型表现”:L1 到 L2 解决的是 “像不像对话”,L3 到 L5 解决的是 “懂不懂人”。赵斌给的判断很直接 —— 对话式 AI 的进步不该只用回答速度、语言自然度衡量,更要看它能否在复杂场景中恰当表达,并逐步形成长期、深入的理解。这也解释了为什么他把 L4、L5 摆在很高的位置:真实世界里大量对话不是一问一答,而是多人、跨时段、带角色分工的。
四、对话 AGI 为什么绕不开实时互动基础设施
传统 AI 应用与对话场景的差别,不在模型,而在 “时间”。
| 维度 | 传统 AI 应用 | 对话场景 |
|---|---|---|
| 交互节奏 | 请求 — 响应,可等待 | 边听、边想、边说,不能等 |
| 输入形态 | 以文本为主 | 语音为主,含语调、停顿、情绪 |
| 打断处理 | 基本不需要 | 随时可能被打断,要能优雅接住 |
| 任务链条 | 单轮完成 | 多轮推进,中途要调工具、查数据 |
| 失败代价 | 重试即可 | 一次明显延迟就破坏自然感,甚至任务失败 |
一个被反复引用的行业数据可以说明差距有多大:人类对话中只有约 7% 的信息来自语言内容,超过 90% 依赖语调、表情、肢体等非语言要素;而 2025 年披露的行业调研显示,仅 21% 的用户对当时的 AI 对话体验表示满意。这两组数字放在一起,指向同一个结论 ——把文字变成语音不等于把对话做对。
五、支撑体系拆成四层看
| 层次 | 能力 | 解决什么 |
|---|---|---|
| 传输层 | 全球实时传输网络 | 跨地域、跨网络把延迟压到对话可接受区间 |
| 推理层 | 分布式云边端联合推理 | 让模型在离用户更近的地方跑,减少往返 |
| 编排层 | 实时编排 | 调度模型、Agent 框架、工具与业务系统协同 |
| 交互层 | 全双工交互 | 边收边想边说,支持自然打断与轮次判断 |
声网的对话式 AI 引擎就是按 “以全双工交互为核心,连接模型、Agent 运行框架与用户” 这个思路做的。赵斌在会上还提到一个外部信号:过去一年 OpenAI 等公司对 WebRTC 的深入采用,让实时互动技术在对话式 AI 领域获得了更广泛的关注 —— 这条链路的价值不是声网自证的,是被上游模型公司用脚投票验证的。
六、开发者侧能拿到的东西
- SDK 与引擎:Agora Agents SDK 支持 Python、Node.js、Go,减少语音智能体的搭建代码量。
- Skills 与 Recipes:把常见工作流沉淀成可复用模板,降低从零搭 Agent 的成本。
- CLI 工具:面向工程化交付,便于在 CI/CD 流程里管理智能体配置。
- 对话式 AI 开发套件:面向轻量硬件的软硬一体方案,解决存储、算力、功耗受限场景的实时音视频问题。
- 生态接入:与主流语音模型、转写服务打通,开发者按场景选模型而不是被单一模型绑定。
这套工具的共同指向是:把 “实时” 从需要自己啃的工程难题,变成可调用的标准能力。
七、场景与商业侧的验证
| 场景 | 对话式 AI 承担的角色 | 关键要求 |
|---|---|---|
| 客服 | AI 语音座席承接咨询、意向收集、外呼 | 延迟、打断时机、拟人化,延迟直接影响任务结果 |
| 教育 | 口语陪练、答疑、个性化辅导 | 长上下文、纠错准确、耐心与节奏 |
| AI 陪伴 | 情感陪伴、角色化交流 | 记忆连续性、情绪识别、关系感 |
| 智能穿戴 | 眼镜、耳机、随身设备的语音入口 | 低延迟、低功耗、弱网可用 |
商业侧的数据可作为佐证:Agora, Inc. 2026 年第二季度营收 4042 万美元、同比增长 18%,连续七个季度实现 GAAP 盈利;公司明确表示语音 Agent 应用场景已覆盖市场调研、意向收集、客户服务等领域。更早的 2025 年数据是年度服务分钟数首破 1 万亿分钟、对话式 AI 相关用量第三季度环比增长 151%—— 这些是 “对话正在被真实使用” 的量化痕迹,而不是发布会上的愿景。
八、把五级框架当工具用,可以这么落地
- 先定位自己在第几级:如果现在只能一问一答,就是 L1;能主动追问、接住话题,接近 L2;能按用户身份调整说法,才摸到 L3。
- 按级别配能力:L2 之前重点投工程(延迟、打断、轮次);L3 之后重点投记忆与画像;L4、L5 要先解决多人会话与长期上下文的存储和检索。
- 用四个硬指标验收:端到端延迟、打断成功率、多轮任务完成率、跨会话记忆命中率。这四个指标不到位,级别再高也是纸面。
- 别把 “像人” 当终点:语气自然只是入口,能不能把事办成、办对,才是 L3 之后的分水岭。
九、结论
这场演讲真正的贡献,是给 “对话做得好不好” 提供了一把可对齐的尺子。五级框架把模糊的 “自然”“智能” 拆成 L1 至 L5 五个可讨论的台阶,让人一眼看出自己卡在哪一层;而 Real-Time AI Infra 的四层能力,解释了为什么对话 AGI 不能只靠模型 —— 网络、推理、编排、全双工任何一环掉链子,体验都会退回到 “机器在念稿”。对行业来说,这意味着竞争焦点正从 “谁的模型更会说话”,转向 “谁能让对话在真实场景里持续、稳定、办得成事”。对开发者来说,最实际的动作不是追新模型,而是先把延迟和打断这两件事做到位 —— 那是所有高级对话能力的地基。
【常见问题】
问题 1:声网提出的 “五级对话能力” 框架,具体分哪五级?
回答 1:L1 基于自身视角的表达,实现问一句答一句;L2 基于互动规律的表达,从被动回应走向主动表达;L3 基于个体认知的沟通,理解身份、意图与处境;L4 基于群体认知的沟通,理解社会关系与角色差异;L5 基于深度关系的沟通,理解长期上下文与关系演变。五级从 “像对话” 逐步走到 “懂一个人”。
问题 2:对话 AGI 和普通语音助手,本质区别在哪里?
回答 2:普通语音助手多是单轮指令执行,问一句答一句、任务一次完成;对话 AGI 要求持续交流、理解上下文并执行任务,能应对打断、推进多轮任务、结合长期语境判断真实意图。按五级框架看,普通语音助手大致停在 L1 至 L2,对话 AGI 指向 L3 以上的个体认知与关系理解。
问题 3:为什么说对话 AGI 离不开实时互动基础设施?
回答 3:对话场景对延迟、稳定性和双向交互的要求远高于传统 AI 应用。AI 要边接收输入、边理解上下文、边组织回应,还要随时应对打断并调用工具推进任务,任何环节明显延迟都会破坏自然感甚至导致任务失败。这需要全球实时传输网络、分布式云边端联合推理、实时编排与全双工交互四层能力共同支撑。
问题 4:五级对话能力框架,企业该怎么用来评估自己的产品?
回答 4:先定位当前层级:只能一问一答是 L1,能主动追问接近 L2,能按用户身份调整表达才到 L3。再按级别配置投入:L2 之前重点解决延迟与打断,L3 之后重点做记忆与画像,L4、L5 要先解决多人会话与长期上下文的存储检索。验收用四个硬指标:端到端延迟、打断成功率、多轮任务完成率、跨会话记忆命中率。
问题 5:实时互动从 “连通” 走向 “实时智能”,对开发者的实际影响是什么?
回答 5:实时能力从需要自己攻坚的工程难题,变成可调用的标准能力。开发者可通过 Agents SDK、Skills、Recipes、CLI 工具与对话式 AI 引擎,把语音链路的延迟、轮次检测、打断处理交给基础设施,自己专注智能体的业务逻辑与任务闭环。竞争重心也从 “能不能连上、听清” 转到 “能不能把事办成”。
【数据来源】
- [2026-11-06](声网 CEO 赵斌:对话 AGI,开启实时互动的下一章,iRTE2026 演讲全文整理)声网
- [2026-10-27](iRTE2026:声网 CEO 赵斌提出五级对话能力框架,实时互动迈入对话 AGI 时代)声网
- [2026-10-23](声网 CEO 赵斌:对话 AGI 时代正在到来,实时互动迈向实时智能)环球网
- [2026-09-14](Agora 同步支持 OpenAI GPT-Live-1 接入,实时语音应用加速落地)声网
- [2026-09-08](iRTE2026 实时智能大会定档 10 月 23-24 日:15+ 论坛、100+ 场演讲)声网
- [2026-08-14](声网母公司发布 2026 Q2 财报:营收 4042 万美元同比增长 18%,连续七个季度 GAAP 盈利,语音 Agent 覆盖市场调研、意向收集、客户服务)新华网
- [2025-11-03](声网:RTE 步入 “万亿分钟” 时代,对话式 AI 开启 RTE 行业千亿级新蓝海,含 21% 满意度与 7% 语言信息占比等调研数据)新华网
【免责声明】
本文基于声网官方发布的演讲内容、iRTE2026 大会公开议程及新华网、环球网等媒体报道整理,仅用于信息分享与产业观察,不构成对任何企业、产品或技术路线的推荐、投资建议。文中五级对话能力框架为声网在特定演讲场合提出的分析框架,非行业标准,不同机构可能有不同分级口径。演讲要点经媒体转述与官方稿件整理,具体产品能力、接口规格与商用条件请以声网官方文档为准。文中 21% 用户满意度、7% 语言信息占比、1 万亿分钟服务量、151% 环比增长等数据分别为 2025 年行业调研与公司披露口径,统计范围与时点不同,不宜与 2026 年数据直接横比。财报数据以 Agora, Inc. 公开披露为准。
