23. listopada 2025. u Pekingu je održana konferencija iRTE2026 o inteligentnoj komunikaciji u stvarnom vremenu. Osnivač i glavni direktor tvrtke Shengwang Zhao Bin održao je na glavnom forumu govor pod naslovom „Dijalog s AGI: sljedeće poglavlje interakcije u stvarnom vremenu”, osvrnuo se na ključne promjene u protekloj godini u interakciji u stvarnom vremenu, konverzacijskoj umjetnoj inteligenciji i temeljnoj infrastrukturi te predstavio okvir „pet razina konverzacijskih sposobnosti”, ocrtavajući evolucijski put konverzacijske umjetne inteligencije od osnovnog odgovaranja prema dubokom razumijevanju i odnosnoj komunikaciji.
Zhao Bin smatra da se, kako AI prelazi s odgovaranja na pitanja na kontinuiranu komunikaciju, razumijevanje konteksta i izvršavanje zadataka, subjekt interakcije u stvarnom vremenu širi s čovjeka na čovjeka na čovjeka i agenta. Uloga tehnologije interakcije u stvarnom vremenu također se širi: ona ne samo da mora omogućiti stabilniji i fluentniji prijenos informacija, već mora pružiti i podršku u stvarnom vremenu za AI-jevu percepciju, razumijevanje, izražavanje i djelovanje.
Od „pitanje pa odgovor” do duboke odnosne komunikacije: pet razina evolucije dijaloga s AGI
Prema Zhao Binu, napredak konverzacijske umjetne inteligencije ne bi se trebao mjeriti samo brzinom odgovora i prirodnošću jezika. Važnije je može li razumjeti namjeru, situaciju i odnos sugovornika, može li se u složenim scenarijima prikladno izraziti i postupno oblikovati dugoročno, dubinsko razumijevanje.
Polazeći od te ocjene, Zhao Bin je u govoru predstavio okvir „pet razina konverzacijskih sposobnosti”, koji konverzacijske sposobnosti dijeli na pet razina:
L1, izražavanje iz vlastite perspektive: uglavnom samostalno izražavanje i pasivno nadovezivanje, ostvaruje „pitanje pa odgovor”.
L2: izražavanje temeljeno na obrascima interakcije: od pasivnog reagiranja prema aktivnom izražavanju, čineći razgovor prirodnijim i koherentnijim.
L3: komunikacija temeljena na individualnoj spoznaji: razumijevanje identiteta, namjere i situacije pojedinca, ostvarivanje komunikacije prilagođene pojedincu.
L4: komunikacija temeljena na grupnoj spoznaji: razumijevanje društvenih odnosa i razlika u ulogama, prilagodba složenim scenarijima komunikacije u skupini.
L5: komunikacija temeljena na dubokom odnosu: razumijevanje dugoročnog konteksta i evolucije odnosa, oblikovanje dubljeg razumijevanja i misaone usklađenosti, čineći da komunikacija od razumijevanja trenutka prijeđe na razumijevanje osobe.
Ovih pet razina ne pokazuje samo postupno jačanje konverzacijske tehnologije, već i promjenu odnosa između AI-ja i čovjeka: od dovršavanja jednog kruga pitanja i odgovora, preko razumijevanja osobe, do razumijevanja odnosa među ljudima, te konačno oblikovanja dubinske komunikacije koja nadilazi vrijeme i situaciju.
Zhao Bin ističe da konverzacijska umjetna inteligencija prelazi s rane interakcije pasivnog nadovezivanja na aktivniji i prirodniji full-duplex dijalog te počinje pokušavati razumjeti osobnost, situaciju, emocije i odnose ljudi. U budućnosti AI mora svladati i podjelu uloga i komunikacijski poredak u složenim društvenim scenarijima te dodatno razumjeti kontekst koji pojedinac dugoročno akumulira. To je i važan smjer razvoja dijaloga s AGI: AI ne samo da može razumjeti jednu rečenicu, već može i na temelju cjelovitog konteksta razumjeti stvarnu namjeru osobe i primjereno odgovoriti.
Real-Time AI Infra: ključna infrastruktura koja podupire dijalog s AGI
Kontinuirana evolucija konverzacijskih sposobnosti postavlja i više zahtjeve pred temeljnu tehnologiju. Zhao Bin je u govoru spomenuo da je u protekloj godini dublje prihvaćanje WebRTC tehnologije od strane tvrtki poput OpenAI-ja potaknulo širu pozornost i primjenu tehnologije interakcije u stvarnom vremenu u području konverzacijske umjetne inteligencije. Kako AI prelazi s jednokratnog pitanja i odgovora na kontinuiranu interakciju, infrastruktura za interakciju u stvarnom vremenu postaje važna tehnološka potpora koja povezuje modele, okvire za izvršavanje agenata i korisnike.
U usporedbi s tradicionalnim AI aplikacijama, konverzacijski scenariji postavljaju strože zahtjeve na kašnjenje, stabilnost i dvosmjernu interakciju. AI mora istovremeno primati korisnički unos, razumjeti kontekst i organizirati odgovor, a prema potrebi i u svakom trenutku odgovoriti na prekidanje te neprestano pozivati alate i napredovati sa zadatkom. Svako znatnije kašnjenje u bilo kojem dijelu može narušiti prirodnost razgovora, pa čak i utjecati na to hoće li se zadatak dovršiti.
Kako bi podržao te potrebe, Zhao Bin je predstavio smjer infrastrukture usmjerene na inteligentnu interakciju u stvarnom vremenu: kroz globalnu mrežu za prijenos u stvarnom vremenu, distribuiranu zajedničku inferenciju na cloudu, rubu i uređaju te mogućnosti organizacije u stvarnom vremenu i full-duplex interakcije, omogućiti modelima i agentima kontinuiranu suradnju u stvarnim scenarijima. Shengwangov engine za konverzacijsku umjetnu inteligenciju također se temelji na full-duplex interakciji, povezujući modele, okvire za izvršavanje agenata i korisnike te podupirući stabilno i sinkronizirano iskustvo razgovora u stvarnom vremenu.
Istodobno, Shengwang kontinuirano za razvojne programere usavršava alate i komplete za razvoj konverzacijske umjetne inteligencije, kombinirajući SDK, Skills, CLI alate i Recipes te druge mogućnosti, pomažući razvojnim programerima da učinkovitije izgrade agente s cjelovitom logikom i sposobnošću izvršavanja.
Od korisničke podrške i obrazovanja do AI pratnje i pametnih nosivih uređaja, Zhao Bin smatra da konverzacijska umjetna inteligencija ulazi u sve više stvarnih scenarija. Može li AI doista stvarati vrijednost ne ovisi samo o tome „zna li govoriti”, već i o tome može li razumjeti potrebe, prirodno komunicirati i kontinuirano dovršavati zadatke. Tehnologija interakcije u stvarnom vremenu imat će u tom procesu sve važniju ulogu.
Zatim je glavni arhitekt tvrtke NVIDIA i supredsjedatelj radne skupine za video kodiranje i dekodiranje AOMedia Andrey Norkin održao govor o AV2 tehnologiji video kodiranja i dekodiranja.
Okrugli stol: može li osobni agent postati ulazna točka sljedeće generacije?
U prvom okruglom stolu koji je vodio suosnivač Shengwanga Tony Wang, voditelj proizvoda za interaktivne medije i tehnološki bloger Eugene Wei, tehnološki medijski djelatnik i voditelj podcasta „Luanfan Shu” Pan Luan te poduzetnik u području AIoT hardvera i voditelj medija o rubnom AI-ju Hua Jianxin raspravljali su o temi „Osobni agent: od novog alata do nove ulazne točke?”.
Od mobilnih telefona, naočala i slušalica do sve više nosivih uređaja, osobni agenti ponovno potiču industriju na razmišljanje o ulaznoj točki sljedeće generacije čovjek-računalo interakcije. Pan Luan smatra da osobni agent može donijeti promjenu paradigme: vrijednost AI proizvoda pomiče se od borbe za korisničku pozornost prema pomaganju korisnicima da učinkovitije obave zadatke. Budući osobni agent ne samo da mora odgovarati na jasne naredbe, već i aktivno preuzimati zadatke, pomažući korisnicima da obave stvari koje imaju jasan cilj, ali nisu vrijedne ulaganja velike količine vremena.
Što se tiče hardvera sljedeće generacije za pojedinca, Hua Jianxin predlaže da buduća ulazna točka ne mora biti monopol jedne vrste uređaja; naočale, slušalice i drugi hardver koji može percipirati okolinu i izvršavati zadatke imaju priliku. Smatra da osobni agent ne samo da mora razumjeti korisnika, već i putem fizičkih uređaja kontinuirano percipirati stvarni svijet i djelovati, što različitim oblicima hardvera otvara novi prostor za razvoj.
Eugene Wei usmjerio je raspravu na vrijednost „konteksta”: može li osobni agent doista razumjeti korisnikove interese, komunikacijske zapise i društvene odnose utjecat će na to može li postati vrijedna osobna ulazna točka. Pri procjeni je li nova ulazna točka održiva, predložio je i da se obrati pozornost na svakodnevnu interakciju korisnika s agentom te na to traži li korisnik češće agenta ili agent češće traži korisnika. Okrugli stol time je dodatno raspravljao o vrijednosti proizvoda osobnog agenta, oblicima hardvera i budućim mjerilima.
Okrugli stol: od „može razgovarati” do „može obaviti posao”, kako konverzacijska umjetna inteligencija stvara stvarnu vrijednost?
U drugom okruglom stolu koji je vodio glavni komercijalni direktor Shengwanga Cui Bo, osnivač Xiejue Intelligence Chen Wei, osnivač Guanke Technology Geng Xianglei, suosnivač i voditelj ekosustava Rokid Leqi Cai Guoxiang te glavni direktor Titan Qiming Wu Kan, polazeći od različitih scenarija poput utjelovljene inteligencije, pametnih nosivih uređaja, poslovnog marketinga i AI zapošljavanja, raspravljali su o konverzacijskoj umjetnoj inteligenciji: pokretaču interakcije čovjeka i agenta sljedeće generacije.
Chen Wei smatra da je ključ utjelovljene inteligencije pretvoriti ljudsku namjeru u djelovanje robota. Robot ne samo da mora razumjeti glasovne naredbe, već i integrirati multimodalne informacije poput vida, glasa i vlastitog stanja kako bi ostvario percepciju, planiranje i odlučivanje o fizičkom okruženju te kontinuirano prilagođavao izvršavanje zadatka promjenama u okruženju nakon djelovanja. U usporedbi s dovršavanjem unaprijed zadanih demonstracijskih zadataka, robot mora u otvorenom okruženju kontinuirano razumjeti stvarne potrebe ljudi i uskladiti djelovanje s ljudskom namjerom. Xiejue Intelligence razvija novu paradigmu temeljnog modela utjelovljene inteligencije Duplex Reasoning, s ciljem ostvarivanja integracije interakcije i djelovanja robota.
Cai Guoxiang je pak, polazeći od prakse AI naočala, naglasio da je iskustvo razgovora ključna konkurentska prednost AI nosivih uređaja. Istaknuo je da, bez obzira na to koliko su hardver i AI sposobnosti iza njega moćni, ako razgovor nije dovoljno prirodan, korisničko iskustvo bit će izravno pogođeno. U budućnosti AI nosivi uređaji morat će kroz interakciju u stvarnom vremenu s niskim kašnjenjem i stabilnošću te razumijevanje semantike i dugoročnog konteksta postupno dovesti korisnike do toga da više ne osjećaju da razgovaraju s AI-jem. Podijelio je i praksu Rokid Leqi AI asistenta koji koristi Shengwangove RTC usluge prijenosa te smatra da će AI naočale postati važna osobna ulazna točka u AI eri.
U poslovnim scenarijima Geng Xianglei ističe da AI glasovni agenti, kako bi ostvarili pouzdanu poslovnu isporuku, moraju riješiti pitanja kašnjenja, trenutka prekidanja i humanizacije, pri čemu kašnjenje može čak izravno utjecati na ishod zadatka. Za B2B marketing AI se također mora kombinirati s industrijskim sustavom znanja i ljudskom suradnjom kako bi bolje osigurao poslovne rezultate. Wu Kan je pak, na temelju prakse AI zapošljavanja, rekao da konverzacijska umjetna inteligencija može pomoći procesu zapošljavanja da dosegne kandidate na velikoj razini i poveća učinkovitost usluge, a ne da jednostavno zamijeni ljude. Za zatvaranje poslovnog ciklusa potrebno je akumulirati industrijske podatke, urediti poslovanje s kandidatom kao subjektom, pomoći agentu da izgradi dugoročno pamćenje te, oko stvarnih poslovnih događaja poput dolaska na razgovor i zaposlenja, pomoći AI-ju u kontinuiranoj procjeni i optimizaciji kvalitete usluge.
Iz izlaganja četiriju gostiju može se vidjeti da se zahtjevi različitih industrija prema konverzacijskoj umjetnoj inteligenciji razlikuju, ali svi upućuju u istom smjeru: AI ne samo da mora moći komunicirati, već mora razumjeti stvarne scenarije, integrirati se u postojeće poslovne procese i pouzdano dovršavati zadatke. S kontinuiranim razvojem interakcije u stvarnom vremenu, multimodalne percepcije i sposobnosti izvršavanja agenata, konverzacijska umjetna inteligencija mogla bi od interakcijskog alata postati važna snaga koja povezuje digitalni i fizički svijet te pokreće poslovanje.
Od interakcije u stvarnom vremenu do inteligencije u stvarnom vremenu, otvaranje sljedećeg poglavlja dijaloga s AGI
Od okvira pet razina konverzacijskih sposobnosti koji je predstavio Zhao Bin do rasprava na dvama okruglim stolovima o osobnim agentima i stvarnoj poslovnoj primjeni, glavni forum iRTE2026 pokazao je jasan industrijski trend: konkurencija u konverzacijskoj umjetnoj inteligenciji širi se s temeljnih sposobnosti modela na razumijevanje konteksta, interakciju u stvarnom vremenu, spoznaju složenih odnosa i izvršavanje zadataka.
Kada AI više nije ograničen na pasivno odgovaranje, već može kontinuirano razumjeti ljude, aktivno sudjelovati u komunikaciji i dovršavati zadatke u stvarnim scenarijima, tehnologija interakcije u stvarnom vremenu preuzet će još dublju misiju.
U sljedećoj fazi dijaloga s AGI, Shengwang će nastaviti zajedno s razvojnim programerima i industrijskim partnerima istraživati integraciju interakcije u stvarnom vremenu i generativne umjetne inteligencije, potičući prirodnije i učinkovitije iskustvo interakcije u stvarnom vremenu između ljudi te između ljudi i agenata.
