Am 23. Oktober fand in Peking die iRTE2026 Real-Time Intelligent Conference statt. Zhao Bin, Gründer und CEO von Agora, hielt in der Hauptforum-Rede einen Vortrag mit dem Titel „Dialog mit AGI: Das nächste Kapitel der Echtzeit-Interaktion“, in dem er die wichtigsten Veränderungen der vergangenen Jahre im Bereich Echtzeit-Interaktion, konversationelle KI und zugrunde liegende Infrastruktur beleuchtete und einen Rahmen der „fünf Dialogfähigkeitsstufen“ vorstellte, der den Entwicklungspfad der konversationellen KI von der grundlegenden Antwort hin zu tiefem Verständnis und relationaler Kommunikation skizziert.
Zhao Bin ist der Ansicht, dass sich mit der Entwicklung der KI vom Beantworten von Fragen hin zu kontinuierlichem Austausch, dem Verstehen von Kontext und der Ausführung von Aufgaben das Gegenüber der Echtzeit-Interaktion zunehmend von Mensch zu Mensch auf Mensch zu Agent ausweitet. Auch die Rolle der Echtzeit-Interaktionstechnologie dehnt sich entsprechend aus: Sie muss nicht nur die Informationsübermittlung stabiler und flüssiger machen, sondern auch der KI Echtzeit-Unterstützung für Wahrnehmung, Verständnis, Ausdruck und Handeln bieten.
Vom „Frage und Antwort“ zur tiefen relationalen Kommunikation: Die fünfstufige Evolution der dialogischen AGI
Aus Zhaos Sicht sollte der Fortschritt konversationeller KI nicht nur an Antwortgeschwindigkeit und sprachlicher Natürlichkeit gemessen werden. Wichtiger ist, ob sie die Absicht, die Situation und die Beziehung des Gesprächspartners verstehen kann, ob sie sich in komplexen Szenarien angemessen ausdrücken kann und ob sie schrittweise ein langfristiges, tiefgehendes Verständnis entwickelt.
Ausgehend von dieser Einschätzung stellte Zhao Bin in seiner Rede den Rahmen der „fünf Dialogfähigkeitsstufen“ vor, der die Dialogfähigkeit in fünf Ebenen unterteilt:
L1, Ausdruck aus der eigenen Perspektive: überwiegend Selbstdarstellung und passives Anknüpfen, Umsetzung von „eine Frage, eine Antwort“.
L2: Ausdruck basierend auf Interaktionsmustern: vom passiven Reagieren zum aktiven Ausdruck, um Dialoge natürlicher und zusammenhängender zu machen.
L3: Kommunikation basierend auf individueller Kognition: Verstehen von Identität, Absicht und Situation des Individuums, um individuell angepasste Kommunikation zu ermöglichen.
L4: Kommunikation basierend auf Gruppenkognition: Verstehen sozialer Beziehungen und Rollenunterschiede, Anpassung an komplexe Mehrpersonen-Kommunikationsszenarien.
L5: Kommunikation basierend auf tiefer Beziehung: Verstehen von langfristigem Kontext und Beziehungsentwicklung, Bildung eines tieferen Verständnisses und gedanklichen Einvernehmens, sodass Kommunikation vom Verstehen des Augenblicks zum Verstehen eines Menschen gelangt.
Diese fünf Ebenen zeigen nicht nur die schrittweise Verstärkung der Dialogtechnologie, sondern auch die Veränderung der Beziehung zwischen KI und Mensch: vom Abschluss einer Frage-Antwort-Runde über das Verstehen eines Menschen bis hin zum Verstehen der Beziehungen zwischen Menschen und schließlich zur tiefen Kommunikation über Zeit und Situation hinweg.
Zhao Bin wies darauf hin, dass sich die konversationelle KI von der frühen passiv anknüpfenden Interaktion hin zu einer proaktiveren, natürlicheren Vollduplex-Konversation entwickelt und beginnt, Persönlichkeit, Situation, Emotionen und Beziehungen von Menschen zu verstehen. Für die Zukunft muss KI noch die Rollenverteilung und Kommunikationsordnung in komplexen gesellschaftlichen Szenarien durchbrechen und den über lange Zeit aufgebauten Kontext einer Person weiter verstehen. Dies ist auch eine wichtige Entwicklungsrichtung der dialogischen AGI: KI kann nicht nur einen Satz verstehen, sondern auch im vollständigen Kontext die wahre Absicht eines Menschen erfassen und angemessen reagieren.
Real-Time AI Infra: Die Schlüsselinfrastruktur zur Unterstützung dialogischer AGI
Die kontinuierliche Weiterentwicklung der Dialogfähigkeit stellt auch höhere Anforderungen an die zugrunde liegende Technologie. Zhao Bin erwähnte in seiner Rede, dass die vertiefte Nutzung der WebRTC-Technologie durch Unternehmen wie OpenAI im vergangenen Jahr der Echtzeit-Interaktionstechnologie im Bereich der konversationellen KI breitere Aufmerksamkeit und Anwendung verschafft hat. Während sich KI von der Einzelrunde Frage-Antwort hin zu kontinuierlicher Interaktion entwickelt, wird die Echtzeit-Interaktionsinfrastruktur zu einer wichtigen technologischen Stütze, die Modelle, Agent-Laufzeitframeworks und Nutzer verbindet.
Im Vergleich zu traditionellen KI-Anwendungen stellen Dialogszenarien strengere Anforderungen an Latenz, Stabilität und bidirektionale Interaktion. KI muss gleichzeitig Nutzereingaben empfangen, den Kontext verstehen, Antworten organisieren, bei Bedarf jederzeit auf Unterbrechungen reagieren und kontinuierlich Tools aufrufen und Aufgaben vorantreiben. Jede deutliche Verzögerung in einem Glied kann die Natürlichkeit des Dialogs beeinträchtigen oder sogar den Abschluss der Aufgabe gefährden.
Zur Unterstützung dieser Anforderungen stellte Zhao Bin die Infrastrukturrichtung für Echtzeit-intelligente Interaktion vor: Durch globale Echtzeit-Übertragungsnetzwerke, verteilte Cloud-Edge-Device-kooperative Inferenz, Echtzeit-Orchestrierung und Vollduplex-Interaktionsfähigkeiten sollen Modelle und Agents in realen Szenarien kontinuierlich zusammenwirken können. Die konversationelle KI-Engine von Agora setzt ebenfalls auf Vollduplex-Interaktion als Kern, verbindet Modelle, Agent-Laufzeitframeworks und Nutzer und unterstützt eine stabile, synchrone Echtzeit-Dialogerfahrung.
Gleichzeitig verbessert Agora kontinuierlich die Entwicklerwerkzeuge und Entwicklungskits für konversationelle KI und kombiniert SDKs, Skills, CLI-Tools und Recipes, um Entwicklern zu helfen, Agents mit vollständiger Logik und Ausführungsfähigkeit effizienter zu erstellen.
Vom Kundenservice über Bildung bis hin zu KI-Begleitung und smarten Wearables ist Zhao Bin der Ansicht, dass die konversationelle KI zunehmend in mehr reale Szenarien vordringt. Ob KI wirklich Wert schaffen kann, hängt nicht nur davon ab, ob das Modell „sprechen kann“, sondern auch davon, ob es Bedürfnisse verstehen, natürlich kommunizieren und Aufgaben kontinuierlich abschließen kann. Die Echtzeit-Interaktionstechnologie wird in diesem Prozess eine immer wichtigere Rolle spielen.
Anschließend hielt Andrey Norkin, Chief Architect bei NVIDIA und Co-Vorsitzender der AOMedia Video Codec Working Group, einen Vortrag über die AV2-Videocodec-Technologie.
Roundtable: Werden persönliche Agents zum nächsten persönlichen Einstiegspunkt?
Im ersten Roundtable, moderiert von Tony Wang, Mitgründer von Agora, diskutierten Eugene Wei, Produktmanager für interaktive Medien und Tech-Blogger, Pan Luan, Tech-Selbstmedienmacher und Host des Podcasts „Luan Fan Shu“, sowie Hua Jianxin, Gründer eines AIoT-Hardware-Startups und Betreiber eines Selbstmedienkanals für Edge-KI, über das Thema „Persönliche Agents: Vom neuen Werkzeug zum neuen Einstiegspunkt?“
Vom Smartphone über Brillen und Kopfhörer bis hin zu mehr tragbaren Geräten löst der persönliche Agent erneut industrieseitige Überlegungen zum nächsten menschlichen Einstiegspunkt der Mensch-Computer-Interaktion aus. Pan Luan ist der Ansicht, dass persönliche Agents einen Paradigmenwechsel bewirken könnten: Der Wert von KI-Produkten verschiebe sich vom Wettbewerb um Nutzeraufmerksamkeit hin dazu, Nutzern zu helfen, Aufgaben effizienter zu erledigen. Zukünftige persönliche Agents sollten nicht nur klare Anweisungen befolgen, sondern auch proaktiv Aufgaben übernehmen und Nutzern helfen, Angelegenheiten zu erledigen, die klar definierte Ziele haben, aber nicht viel Zeit erfordern.
Bezüglich der nächsten Generation persönlicher Hardware vertrat Hua Jianxin die Auffassung, dass der zukünftige Einstiegspunkt nicht unbedingt von einer bestimmten Geräteform monopolisiert wird; Brillen, Kopfhörer und andere Hardware, die die Umgebung wahrnehmen und Aufgaben ausführen können, haben alle Chancen. Seiner Meinung nach müssen persönliche Agents nicht nur den Nutzer verstehen, sondern auch durch physische Geräte kontinuierlich die reale Welt wahrnehmen und handeln, was verschiedenen Hardwareformen neuen Entwicklungsraum eröffnet.
Eugene Wei lenkte die Diskussion auf den Wert des „Kontexts“: Ob ein persönlicher Agent die Interessen, Kommunikationsaufzeichnungen und sozialen Beziehungen eines Nutzers wirklich verstehen kann, wird beeinflussen, ob er zu einem wertvollen persönlichen Einstiegspunkt werden kann. Bei der Bewertung, ob ein neuer Einstiegspunkt Bestand hat, schlug er auch vor, auf die tägliche Interaktion der Nutzer mit dem Agent zu achten und darauf, ob die Nutzer häufiger den Agent aktiv aufsuchen oder der Agent häufiger die Nutzer aktiv aufsucht. Der Roundtable diskutierte daraufhin weiter über den Produktwert persönlicher Agents, Hardwareformen und zukünftige Bewertungsmaßstäbe.
Roundtable: Vom „Chatten können“ zum „Dinge erledigen können“ – wie konversationelle KI echten Wert schafft
Im zweiten Roundtable, moderiert von Cui Bo, Chief Business Officer von Agora, erörterten Chen Wei, Gründer von Xieyue Intelligence, Geng Xianglei, Gründer von Guanke Technology, Cai Guoxiang, Mitgründer und Ökosystemleiter von Rokid Leyi, sowie Wu Kan, CEO von Titan Qiming, aus verschiedenen Szenarien wie embodied Intelligence, smarten Wearables, Unternehmensmarketing und KI-Recruiting das Thema konversationelle KI: die nächste Generation der Mensch-Agent-Interaktion vorantreiben.
Chen Wei ist der Ansicht, dass der Schlüssel zu embodied Intelligence darin liegt, die Absicht des Menschen tatsächlich in die Handlung des Roboters zu übersetzen. Der Roboter muss nicht nur Sprachbefehle verstehen, sondern auch multimodale Informationen wie Vision, Sprache und seinen eigenen Zustand integrieren, um die Wahrnehmung, Planung und Entscheidung in der physischen Umgebung zu vollenden und die Aufgabenausführung entsprechend den Umweltveränderungen nach der Handlung kontinuierlich anzupassen. Im Vergleich zur Erfüllung vordefinierter Demonstrationsaufgaben ist es für Roboter wichtiger, in offenen Umgebungen kontinuierlich die wahren Bedürfnisse des Menschen zu verstehen und Handlungen stets mit den menschlichen Absichten in Einklang zu bringen. Xieyue Intelligence entwickelt derzeit ein neues embodied Foundation Model namens Duplex Reasoning, das die Integration von Roboterinteraktion und -handlung zum Ziel hat.
Cai Guoxiang betonte aus der Praxis der KI-Brillen heraus, dass das Dialogerlebnis die Kernkompetenz von KI-Wearables ist. Er sagte, dass unabhängig davon, wie leistungsfähig die Hardware und die dahinterstehende KI sind, das Nutzererlebnis direkt beeinträchtigt wird, wenn der Dialog nicht natürlich genug ist. Zukünftig müssen KI-Wearables durch niedrige Latenz, stabile Echtzeit-Interaktion sowie das Verständnis von Semantik und langfristigem Kontext erreichen, dass Nutzer allmählich nicht mehr spüren, dass sie mit einer KI sprechen. Er teilte zudem die Praxis mit, dass der Rokid-Leyi-KI-Assistent die RTC-Link-Dienste von Agora nutzt, und zeigte sich optimistisch, dass KI-Brillen zu einem wichtigen persönlichen Einstiegspunkt im KI-Zeitalter werden.
In Unternehmensanwendungsszenarien wies Geng Xianglei darauf hin, dass KI-Sprachagenten zur zuverlässigen Geschäftsabwicklung Probleme wie Latenz, Unterbrechungszeitpunkt und Anthropomorphisierung lösen müssen, wobei Latenz sogar das Aufgabenergebnis direkt beeinflussen kann. Für B2B-Marketing muss KI zudem mit Branchenwissenssystemen und menschlicher Zusammenarbeit kombiniert werden, um Geschäftsergebnisse besser abzusichern. Wu Kan erklärte mit Blick auf die Praxis im KI-Recruiting, dass konversationelle KI dem Recruiting helfen kann, Bewerber in großem Maßstab zu erreichen und die Serviceeffizienz zu steigern, anstatt Menschen einfach zu ersetzen. Um einen geschlossenen Geschäftskreislauf zu bilden, müssen Branchendaten gesammelt, die Geschäftsprozesse mit dem Bewerber als Subjekt strukturiert, dem Agent ein Langzeitgedächtnis ermöglicht und die KI rund um tatsächliche Geschäftsereignisse wie Vorstellungsgespräche und Eintritt bei der kontinuierlichen Bewertung und Optimierung der Servicequalität unterstützt werden.
Aus den Beiträgen der vier Gäste wird deutlich, dass die Anforderungen der verschiedenen Branchen an konversationelle KI zwar unterschiedlich sind, aber alle in eine Richtung weisen: KI muss nicht nur kommunizieren können, sondern auch reale Szenarien verstehen, sich in bestehende Geschäftsprozesse integrieren und Aufgaben zuverlässig erledigen können. Mit der kontinuierlichen Entwicklung von Echtzeit-Interaktion, multimodaler Wahrnehmung und Agent-Ausführungsfähigkeiten wird die konversationelle KI voraussichtlich von einem Interaktionswerkzeug zu einer wichtigen Kraft werden, die die digitale Welt mit der physischen Welt verbindet und den Geschäftsbetrieb vorantreibt.
Von Echtzeit-Interaktion zu Echtzeit-Intelligenz: das nächste Kapitel der dialogischen AGI eröffnen
Vom von Zhao Bin vorgestellten Rahmen der fünf Dialogfähigkeitsstufen bis zu den beiden Roundtables über persönliche Agents und die Umsetzung in realen Geschäftsszenarien zeigt das Hauptforum der iRTE2026 einen klaren Branchentrend: Der Wettbewerb in der konversationellen KI erstreckt sich zunehmend von den Fähigkeiten der Basismodelle auf Kontextverständnis, Echtzeit-Interaktion, Kognition komplexer Beziehungen und Aufgabenausführung.
Wenn KI nicht mehr auf passive Antworten beschränkt ist, sondern Menschen kontinuierlich verstehen, proaktiv an Kommunikation teilnehmen und Aufgaben in realen Szenarien erledigen kann, wird auch die Echtzeit-Interaktionstechnologie eine tiefere Mission übernehmen.
Mit Blick auf die nächste Phase der dialogischen AGI wird Agora weiterhin gemeinsam mit Entwicklern und Branchenpartnern die Integration von Echtzeit-Interaktion und generativer KI erkunden und eine natürlichere, effizientere Echtzeit-Interaktionserfahrung zwischen Mensch und Mensch sowie zwischen Mensch und Agent vorantreiben.
